本研究提出了Bokehlicious，一种高效的网络模型，旨在在保留可控光圈的同时生成真实感的虚化背景。该模型采用光圈感知注意机制，能够直观控制虚化强度，并引入RealBokeh数据集以提供高质量图像。研究结果表明，Bokehlicious在渲染性能和计算成本上优于现有方法，并具备良好的零-shot泛化能力。

本研究提出了一种新颖的分层规划框架，旨在解决在系统动态未知的情况下为信号时序逻辑（STL）任务生成可执行规划的问题。该方法通过利用任务无关的数据进行离线训练，实现了对新STL任务的零-shot泛化，仿真结果表明其在多个STL任务中表现有效。

本研究提出了一种名为Mono2Stereo的立体匹配增强方法，旨在缩小合成数据集与真实数据集之间的差距。通过两阶段训练，该方法显著提升了匹配性能，尤其在零-shot泛化和领域微调方面表现突出。