本文介绍了多视图图像在自动驾驶中的应用，提出了FastOcc、SelfOcc和CoBEVT等新方法，以提高3D场景占用预测的准确性和效率。这些方法通过自监督学习和轻量级网络设计，显著提升了模型性能，尤其在SemanticKITTI和nuScenes数据集上取得了先进的结果。

该研究介绍了一种创新的3D体积编码器，用于文字到3D生成。研究开发了轻量级网络，从多视图图像中获取特征体积，并使用3D U-Net对3D体积进行训练。该模型在公共Objaverse数据集上展示了有希望的结果。通过引入高效、灵活和可扩展的表示方法，对3D生成有显著贡献。

本文提出了构建高分辨率显著性目标抠图数据集 HRSOM 和轻量级网络 PSUNet 的方法，解决了现有显著性目标检测方法在高分辨率场景中无法同时满足快速推理和准确结果的问题。该方法在单个 640×640 像素图像上运行的推理时间仅为 113 毫秒，并在模型客观评估和主观评估方面优于行业标杆 IOS16。

该文介绍了一种轻量级网络，使用特定特征的频率信息对低频图像进行图像自适应 3D LUT 的调节，同时使用局部 Laplacian 滤波器以自适应方式细化高频分量中的边缘细节，实现全局色调处理和局部边缘细节保护的综合模型。该方法在两个基准数据集上表现出良好的性能。

该研究提出了一种高效的网络结构，通过从训练充分的医学图像分割网络中提炼知识来训练另一个轻量级网络，从而提高了分割能力。实验结果显示，轻量级网络性能提高了32.6％，并在LiTS17和KiTS19两个公共CT数据集上进行了验证。

该文介绍了一种高效的网络结构，通过从训练充分的医学图像分割网络中提取知识来训练另一个轻量级网络，提高了轻量级网络的分割能力。通过新颖的蒸馏模式，将语义区域信息从教师网络传递给学生网络，避免了处理医学图像时的模糊边界问题。实验结果显示，轻量级网络的性能提高了32.6％，并在LiTS17和KiTS19两个公共CT数据集上进行了验证。