本文综述了基于深度学习的无监督异常检测方法，介绍了组件感知异常检测和改进的DifferNet等新技术，强调了注意力机制的重要性。这些方法在多个基准数据集上表现优异，具有实际应用潜力。

本研究提出了一种无监督的视频帧分割方法，通过自监督预训练模型和拉普拉斯矩阵实现。该方法在多个数据集上表现优异，对临床应用有潜在影响。

本文探讨了结构从运动（SfM）在计算机视觉中的应用，介绍了多种方法和技术，包括基于深度学习的两视图对应估计、相机聚类算法、单目SLAM和图注意力网络。这些新方法在三维重建和相机位姿估计方面表现出色，尤其在处理大规模数据集时展现出更高的准确性和鲁棒性。

提出了一种 PrevMatch 框架，通过最大化利用训练过程中获得的时间知识，有效地缓解了复杂的训练流程和计算负担所带来的限制，同时在各种评估协议上始终优于现有方法，特别是在 DeepLabV3 + 和 ResNet-101 网络设置下，在只有 92 个标注图像的 Pascal VOC 数据集上，与现有最先进方法 Diverse Co-training 相比，mIoU 提升了...

SMERF是一种高精度实时视图合成方法，采用分层模型和蒸馏训练策略，实现大场景的高保真渲染。新颖的倾斜平面MRF模型同时推理遮挡边界和深度，表现优于现有方法。Drone-NeRF框架利用神经辐射场增强无人机摄影的场景重建，解决复杂性和渲染效率问题。MuRF方法在多个基线设置下实现高质量稀疏视图合成，展现良好的泛化能力。

本研究提出了一种新的单元测试规范语言，重新审视了ASP中的单元测试语言和工具，并识别了与检查程序正确性断言相关的任务的计算复杂性。同时，提供了一种支持ASP程序测试驱动开发的新型环境。

使用可学习参数的语义转换的敌对学习（AdvST）通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比，AdvST 具有竞争力且在 Digits，PACS 和 DomainNet 数据集上获得最佳的平均单域类比性能。

该研究提出了一种名为MaskConver的全景分割架构，通过预测物体和背景的中心来实现事物和物质的统一表示。该模型在COOC全景验证集上表现更好，且在移动设备上实时运行。

本文提出了一个使用无偏见的转移概率估计的框架，通过修改传统损失函数，扩展深度神经网络分类器，学习偏差的互补标签，以确保收敛于最优分类器。实验证明，该方法优于当前最先进的方法。

Point-NeRF是一种新的基于神经网络点云的辐射场模型，结合了NeRF和深度多视图立体成像的优点，可用于高质量的视图合成和快速的场景几何重建。相对于NeRF，Point-NeRF具有快速训练和处理3D重建错误和异常数据的优势。

本文提出了一种修改过的Transformer架构，用于编码文件上下文，并在代码摘要任务中取得了改进。

该研究使用快速对抗训练技术（FAT）提高模型鲁棒性并减少训练成本。作者研究了10种以上的快速对抗训练方法，并提出了Lipschitz正则化和自动权重平均化方法来进一步提高鲁棒性。实验结果显示该方法在四个基准数据库上表现优越。