BEVFusion通过统一鸟瞰视角（BEV）表示实现多传感器融合。该方法克服了传统点级融合的语义损失问题，同时保留相机特征的语义密度和激光雷达的几何结构。针对BEV池化的效率瓶颈，提出预计算和区间约简优化，使计算速度提升40倍以上。实验表明，BEVFusion在nuScenes和Waymo数据集的三维检测任务中达到最优性能，且适用于多种三维感知任务。该框架为自动驾驶提供了一种高效通用的多模态融合解决方案。
ESEFR-GAN是一种基于边缘语义增强的无先验盲人脸图像修复方法。针对现有方法依赖高质量先验信息导致灵活性不足、计算成本高的问题，设计了边缘语义增强机制（ESE）和前驱特征融合模块（PFFM），在不依赖先验的情况下提升修复效果。ESE通过对称偏移扩大感受野，增强边缘语义特征；PFFM融合编码器特征与解码器前驱特征，抑制跳跃连接中的退化信息。实验表明，该方法在严重退化场景下仍能生成真实的面部细节，优于现有先验依赖方法。
本文提出了一种新型的自适应特征调制和隐式提示网络（AFMIP-Net）用于视网膜血管分割。该网络通过自适应特征调制模块抑制背景噪声、增强血管结构表示，结合特征隐式提示融合模块关注病变相关特征，并采用高斯滤波数据增强技术提高模型抗干扰能力。实验在六个主流数据集上验证了AFMIP-Net的优越性能，尤其在毛细血管分割和抗病变干扰方面表现突出。
ARSA-UNet提出了一种基于结构自适应模型的空洞残差网络，用于视网膜血管分割。针对血管形态复杂、背景噪声等问题，该模型结合结构自适应层（SAL）、空洞残差路径（AR Path）、特征筛选融合模块（FSF）和多尺度深度监督（MDS），显著提升了微小血管的分割精度。在DRIVE、CHASE和STARE数据集上的实验表明，ARSA-UNet在敏感度（0.8289）和F1分数（0.8291）上优于现有方法。未来将探索轻量化设计和Transformer应用以优化性能。
