提出Nerfies，通过变形场实现动态场景的逼真重建，利用粗到细优化提升鲁棒性。
Keunhong Park, Utkarsh Sinha, Jonathan T. Barron 等
提出两种鲁棒的线性-二次盲源分离算法（SNPALQ与BF），在近可分条件下实现噪声鲁棒性。
Christophe Kervazo, Nicolas Gillis, Nicolas Dobigeon
MODNet为实时无Trimap人像抠图，采用目标分解优化，速度达67fps。
Zhanghan Ke, Jiayu Sun, Kaican Li 等
ESDF模型通过用户行为序列和时间延迟因素解决CVR预测中的三大挑战。
Yanshi Wang, Jie Zhang, Qing Da 等
物理引导神经网络结合内部变量提升连续问题预测精度，数据需求减少。
Jacobo Ayensa-Jiménez, Mohamed H. Doweidar, Jose A. Sanz-Herrera 等
使用局部深度隐函数进行语义场景补全，超越KITTI基准的几何IoU。
Christoph B. Rist, David Emmerichs, Markus Enzweiler 等
提出ZEST数据集，评估模型从任务描述零样本学习能力，T5模型仅得12%分数。
Orion Weller, Nicholas Lourie, Matt Gardner 等
WikiAsp是一个多领域的方面总结数据集，使用维基百科文章进行方面标注。
Hiroaki Hayashi, Prashant Budania, Peng Wang 等
ActBERT通过自监督学习结合视频和文本，显著提升视频文本检索等任务表现。
Linchao Zhu, Yi Yang
使用Transformer实现机器人单次视觉模仿，任务成功率提高约2倍。
Sudeep Dasari, Abhinav Gupta
提出基于全卷积网络的多通道时域语音分离方法，结合去混响预处理，提升在回声环境中的性能。
Jisi Zhang, Catalin Zorila, Rama Doddipatla 等
FINO-Net结合RGB、深度与音频实现98.60%的故障检测准确率，创新多模态融合方法。
Arda Inceoglu, Eren Erdal Aksoy, Abdullah Cihan Ak 等
ConTRoL数据集用于长文本上下文推理，挑战现有模型。
Hanmeng Liu, Leyang Cui, Jian Liu 等
提出基于比例体积采样（PVS）在广义空间中的随机设计方法，保证A、D最优性近似及多项新保证。
Arnaud Poinas, Rémi Bardenet
提出LRA基准，评估长序列Transformer模型，提升效率。
Yi Tay, Mostafa Dehghani, Samira Abnar 等
提出物理网络中的有监督学习框架，基于局部响应和物理可行规则，应用于弥散流和弹性网络，推动智能自适应材料发展。
Menachem Stern, Daniel Hexner, Jason W. Rocks 等
提出基于高维模型中平滑函数估计的bootstrap链和高斯逼近方法，确保渐近正态性。
Vladimir Koltchinskii
利用卷积自编码器和DBSCAN检测并剔除超标标签，提升数据质量。
Yunhao Yang, Andrew Whinston
Hypersim利用艺术家创作的高逼真场景，生成77,400张带详细像素标签的室内场景图，显著提升场景理解性能。
Mike Roberts, Jason Ramapuram, Anurag Ranjan 等
利用Transformer模型ClimateQA分析财报中的气候相关信息，准确率达82%。
Alexandra Luccioni, Emily Baylor, Nicolas Duchene