研究人员提出了一种新的去噪扩散过程Resfusion，通过马尔可夫过程整合了最先进的端到端模型和去噪扩散模型，取得了出色的结果并展现出强大的竞争力。

研究人员提出了一种新的去噪扩散过程Resfusion，可以整合现有的端到端模型和去噪扩散模型，提高图像分割性能。实验结果显示Resfusion在分割任务中表现出色，具有竞争力。

本文提出了一种新的无需预训练语言模型的端到端模型，用于AMR分析，通过多个注意力、推理和组合过程回答两个关键问题，实验结果表明准确性有很大进步。

本文研究了基于端到端模型训练语音模型的近期方法进展，发现针对语音文本对齐的时长模型是最重要的，同时共享编码器能够学习到更紧凑重叠的语音文本表示，这也是 Maestro 共享语音文本表示性能优异的部分原因。

该研究比较了不同的端到端模型在长篇转录上的性能，证明了RNN-T模型比注意力模型更加鲁棒，并提出了两种改进方法，使得注意力模型的性能得到了极大提升，达到了和RNN-T模型相当的水平。

本研究介绍了DECODE，一种以频域序列建模为主的端到端模型，用于EMRI信号检测。DECODE能够高效处理一年的多通道TDI数据，在信噪比50到120之间实现96.3%的真阳性率和1%的假阳性率。DECODE展示了基于空间的引力波数据分析的潜力。

该论文提出了一种端到端模型，用于改进拥挤嘈杂环境中特定讲话者的自动语音识别。该模型利用语音增强模块隔离讲话者声音和背景噪音，并结合ASR模块，将识别错误率从80％降低到26.4％。通过联合精调策略，该模型将WER从26.4％降低到14.5％。

该研究提出了一种端到端模型，用于为嵌入新闻文章的图像生成标题。该模型采用多模态、多头注意力机制和转换器语言模型，解决了命名实体识别和多义词汇等问题，并在 CIDEr 评分上实现了四倍提升。

本文研究了基于端到端模型训练语音模型的方法进展，通过分析共享语音文本表示的两种方法，扩展了对其理解。研究发现时长模型对语音文本对齐非常重要，有助于学习共享语音文本表示。同时，比较了单一编码器和共享编码器的激活相似性，发现共享编码器能够学习到更紧凑重叠的语音文本表示，这也是Maestro共享语音文本表示性能优异的原因之一。