本研究提出了一种混合检索方法（MoR），有效解决了结构知识与文本知识的孤立问题。实验结果表明，MoR在协调两者的检索方面优于传统方法，尤其在多查询逻辑和结构轨迹集成上表现突出。

本文介绍了一种名为StructVPR的新训练体系结构，用于增强RGB全局特征中的结构知识，提高特征稳定性。StructVPR使用分割图像作为CNN网络中结构知识的输入，并应用知识蒸馏来避免在线分割和测试中的推理。在几项基准测试中，StructVPR在全局检索方面表现出色，并且即使在附加重新排名的情况下，计算成本仍然较低。

该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

StructVPR是一种新型训练体系结构，旨在增强RGB全局特征中的结构知识，提高特征稳定性。它使用分割图像作为CNN网络中结构知识输入的源，并应用知识蒸馏来避免在线分割和测试中的Seg-branch推理。在几项基准测试中，StructVPR表现出令人印象深刻的全局检索能力，并且计算成本低。

本文介绍了一种新的知识蒸馏框架SSTKD，通过引入CDM和DTIEM模块结合结构和统计纹理知识，在Cityscapes、Pascal VOC 2012和ADE20K数据集上实现了最先进的性能。