本文提出了一种新型自监督单目深度估计框架，利用反向循环模型和信息蒸馏策略，在KITTI基准测试中表现优异。研究了如何运用语义结构指导几何表示学习，提出了基于预训练语义分割网络的架构，克服动态对象的语义偏差。该方法在多个数据集上验证了其高精度和泛化性能，适用于自主车辆环境分析等关键应用。

本文介绍了多种图像融合方法的最新进展，包括基于极化信息的融合、感知融合框架、语义结构保持的融合和文本引导的融合。这些方法在提高图像融合质量和计算效率方面表现优异，尤其在对抗环境和智能交通系统中具有广泛应用潜力。

本文探讨了儿童语言学习偏好、词义扩展及多义词的语义结构。研究表明，儿童倾向使用低多义词汇，多义词在语义网络中连接不同含义。提出了基于类比的词义扩展方法和概念归纳技术，有效提升了语言模型中的词义理解能力。

本文探讨了AI模型在幽默生成和检测中的应用，分析了幽默的语法和语义结构。研究表明，大型语言模型在生成幽默内容方面表现良好，但仍需改进以匹配人类创造力。此外，提出了结合心理学与语言学的新型幽默挖掘方法，实现了自动检测幽默的任务。

非监督学习在预训练模型中起重要作用。最新的大型语言模型在对话能力方面表现出色，但在捕捉句法和语义结构方面有所滞后。研究发现，标点恢复可以提高与结构相关的任务性能，改善结构理解和产生更健壮的自然语言表示。

本文重新审视了视频预测中的分层模型，通过先估计语义结构序列，再通过视频到视频的转换将结构转化为像素。通过在汽车驾驶和人类舞蹈等三个数据集上的评估，证明了我们的方法能够在非常长的时间范围内生成复杂的场景结构和运动，并且取得了比现有方法长几数量级的预测时间。