URetinex-Net借鉴了Retinex模型，该模型基于人眼对亮度感知的理论，旨在分离图像中的色彩和光照信息。该项目提出了一种深度展开网络，能够更精确地估计图像的亮度分布，从而在提升图像亮度的同时保留原有的色彩信息和细节。

我们训练了一个大型深度卷积神经网络，将 ImageNet LSVRC-2010 竞赛中的 120 万张高分辨率图像分为 1000 个不同的类别。在测试数据上，我们分别实现了 37.5% 和 17.0% 的前 1 名和前 5 名错误率，这比之前的最先进技术要好得多。该神经网络拥有 6000 万个参数和 650,000 个神经元，由五个卷积层组成，其中一些卷积层后跟最大池化层，以及三个全连接层，最终具

POP-3D提出了一种基于纯图像的3D开放词汇感知方法，通过2D-3D编码器和双预测头架构，实现3D体素占用预测和语言对齐特征提取。其创新点在于利用LiDAR点云和预训练模型自动生成监督信号，无需人工3D标注。实验表明，该方法在占用预测和零样本分割任务上超越全监督方法，支持自然语言查询驱动的3D语义分割和物体定位。应用场景包括自动驾驶、机器人导航等。当前局限性包括体素分辨率较低和缺乏时序信息处理，

我们训练了一个大型深度卷积神经网络，将 ImageNet LSVRC-2010 竞赛中的 120 万张高分辨率图像分为 1000 个不同的类别。在测试数据上，我们分别实现了 37.5% 和 17.0% 的前 1 名和前 5 名错误率，这比之前的最先进技术要好得多。该神经网络拥有 6000 万个参数和 650,000 个神经元，由五个卷积层组成，其中一些卷积层后跟最大池化层，以及三个全连接层，最终具

SimGNN提出了一种基于神经网络的图相似度计算方法，通过将传统组合优化问题转化为端到端学习任务。该方法采用双策略设计：(1)图级嵌入交互策略，利用GCN生成节点嵌入后通过注意力机制聚合为图嵌入，再使用神经张量网络计算全局相似度；(2)节点级成对比较策略，生成节点相似度矩阵并提取直方图特征补充局部信息。相比传统GED算法，SimGNN在AIDS等数据集上实现了数百倍的速度提升，同时保持较高精度，支