我们提出了一种透明物体深度补全的端到端网络，结合了单视图 RGB-D 的深度补全和多视图深度估计的优点，并引入了基于置信度估计的深度细化模块，进一步改进了恢复的深度图。实验证明，我们的方法在具有遮挡的复杂场景中具有更高的准确性和鲁棒性。

本文研究了基于深度学习的方法是否能够精确解决无噪声的反问题，并通过计算机断层扫描问题的研究证明了迭代的端到端网络方案和数据驱动的校准步骤能够使CT重建达到数值精度，该方法表现优越。

多视角多人联合追踪和跟踪（MvMHAT）是多人场景视频监视的重要问题。研究提出了一种自监督学习感知的端到端网络，利用空间-时间自一致性解决问题，并构建了两个大规模数据集。

文章介绍了一种新的端到端网络FM-AE，将细胞电压信号和红外图像信息融合，通过级联检测器预测锌电解槽板的不良接触状态。实验结果表明，该方法准确性高（86.2%），鲁棒性和推广能力良好，为生产实践提供了有力支持。

本论文提出了一种新颖的端到端网络，用于生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于扩散概率模型和深度分割神经网络，通过使用多参数MRI和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向MRI数据进行训练，验证了该模型在生成合成MRI、肿瘤分割和不确定性估计等任务中的优异性能。该模型的肿瘤成长预测能够为临床决策提供有用的信息。

P2CADNet是一种从点云中重建特征CAD模型的端到端网络，具有出色的重建质量和准确性。该网络结合了点云特征提取器、CAD序列重构器和参数优化器等模块，是首个从点云重建特征CAD模型的端到端网络，可作为未来研究的基线。

本文研究了基于深度学习的方法是否能够精确解决无噪声的反问题，并提供了证据。通过迭代的端到端网络方案和数据驱动的校准步骤，研究了计算机断层扫描问题，展示了该方案能够使 CT 重建达到数值精度，表现优越。

本文提出了一个简单但强大的端到端网络及深度知识蒸馏方法，辅以空间不变数据增强技术，解决了人物搜索中两步法和端到端方法的准确度和效率之间的矛盾，达到了与最先进的两步法相当的准确率并保持了单个联合模型的高效性。

本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。该模型在各种任务中验证了优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。

本文提出了一个简单但强大的端到端网络及深度知识蒸馏方法，辅以空间不变数据增强技术，解决了人物搜索中准确度和效率之间的矛盾，达到了与最先进的两步法相当的准确率并保持了高效性。

该文介绍了首个端到端网络，用于基于示例的视频着色，并保持参考风格的时间一致性。通过循环框架统一语义对应和颜色传递步骤，利用参考图像来引导每一帧的着色，减少传播误差，并通过时间一致性损失强制协同着色历史。实验结果表明，该方法在定量和定性方面优于现有技术，生成稳定且逼真的视频。