本文提出了一种新型的可学习空隙扩张卷积（DCLS）方法，显著提高了音频标记和图像分类的准确性，且不增加模型参数。该方法通过插值处理非整数位置，适用于ConvNeXt和Conv-Former网络，基于PyTorch实现。

该文综述了多种图像超分辨率方法：ESRT混合CNN与Transformer主干，显存占用低、成本低；CRAFT结合卷积与Transformer优势，参数更少且提升0.29dB；SCET利用像素关注与高效变换器恢复纹理；FSRCNN以极小参数取得良好效果；循环网络融合跨尺度特征与非局部注意力；A²F网络高效准确；SPIFFNet用于遥感图像；SSR仅重构选定图块，FID由26.78降至10.41、计算成本减少40%；MSFIN为轻量多尺度方法，性能可比。

本文介绍了一种新的离线强化学习方法——图决策Transformer（GDT），它将输入序列建模为因果图，以捕捉不同概念之间的潜在依赖关系。GDT在图形输入处理中使用图形Transformer，并在视觉任务中使用一个可选的序列Transformer来处理细粒度空间信息。实验表明，GDT在基于图像的Atari和OpenAI Gym上的性能可以与最先进的离线强化学习方法相媲美或超越。