语音去混响是许多语音技术应用中的重要环节。近年来，该领域的研究主要由深度神经网络模型主导。时序卷积网络（TCN）是一种深度学习模型，被提出用于语音去混响任务中的序列建模。本研究提出了一种加权多膨胀深度可分离卷积，用于替代TCN模型中的标准深度可分离卷积。这种改进的卷积使TCN能够在网络的每个卷积块中动态调整其感受野内局部信息的关注程度。实验表明，加权多膨胀时序卷积网络（WD-TCN）在各种模型配置下均优于传统TCN，且相比增加卷积块数量，采用WD-TCN模型是更高效的参数利用方式。相较于基线TCN模型，最大性能提升达到0.55 dB尺度不变信噪比（SISDR），最优WD-TCN模型在WHAMR数据集上实现了12.26 dB的SISDR。

我们提出了一种称为时序循环一致性 (TCC) 学习的自监督表征学习方法。该方法受时序视频对齐问题的启发，该问题指在存在多种变化因素的情况下寻找多个视频间对应关系的任务。学习到的表征可用于视频中的细粒度时序理解。此外，我们现在只需在嵌入空间中找到最近邻帧即可对齐多个视频。

考虑到数据标注的成本以及少样本领域中未标记样本提供的更高准确性，转导式少样本学习 (Transductive Few-Shot learning) 近年来受到越来越多的关注。特别是在少样本分类 (FSC) 中，近期研究致力于探索特征分布，以最大化关于未知参数的似然或后验概率。沿着这一思路，并考虑到 FSC 与聚类之间的相似性，我们试图更好地处理由于数据不足导致的估计不确定性，以及提升与每个类别相关联的聚类统计特性。

大型深度神经网络虽然强大，但存在记忆化、对抗样本敏感等不良行为。本文提出mixup这一简单学习原则来缓解这些问题。本质上，mixup通过对样本及其标签的凸组合来训练神经网络，从而促使网络在训练样本之间表现出简单的线性行为。我们在ImageNet-2012、CIFAR-10、CIFAR-100、Google commands和UCI数据集上的实验表明，mixup能提升前沿神经网络架构的泛化能力。同时发现mixup可减少对错误标签的记忆、增强对抗样本的鲁棒性，并稳定生成对抗网络(GAN)的训练。

我们提出了一个新的框架，用于通过对抗过程估算生成模型，在该框架中，我们同时训练两个模型：生成模型 G 捕获数据分布和判别模型 D估计样本来是否来自训练数据的可能性 。G 的训练过程是使 D 犯错误的概率最大化。这个框架相当于最小最大化的双人博弈。在任意函数 G 和 D 的空间中，存在唯一解，其中，G 恢复训练数据分布，D 处在1/2处。在 G 和 D 由多层感知机定义的情况下，整个系统可以通过反向传播进行训练。在训练或者样本生成期间，不需要任何马尔可夫链或展开的近似推理网络。实验通过对生成的样本进行定性和定量评估，证明了该框架的潜力。

我们借鉴风格迁移(style transfer)的想法，提出了一种用于生成对抗网络的新生成器体系结构。 新的架构可自动学习，无监督地分离高级属性（例如，在人脸上训练时的姿势和身份）以及在生成的图像中（例如雀斑，头发）随机变化，并且能够直观地、按特定尺度地控制合成。 新的生成器在传统的生成质量指标方面提高了最新技术水平值，显示出更好的插值特性，并且可以更好地解决变异的潜在因素。 为了量化插值质量和分解，我们提出了两种适用于任何生成器架构的新的自动化方法。最后，我们介绍了一个新的，高度多样化和高质量的人脸数据集。

超分辨率生成对抗网络（SR GAN）[1]是一项开创性的工作，它能够在单图像超分辨率任务中生成逼真的纹理。然而，虚幻的细节通常伴随着令人不快的伪影。 为了进一步提高视觉质量，我们深入研究了SRGAN 网络架构，对抗性损失和感知损失这三个关键组成部分，并对其中每一项都进行了改进，产生了一个增强型SRGAN（ESRGAN）。 特别需要注意的是，我们在没有使用批量标准化的情况下引入RRDB Residual-in-Residual Dense Block作为基本网络构建单元。 此外，我们借用RaGAN [2]的思想来让判别器预测图像的相对真实性而不是图像的绝对真实性。 最后，我们使用激活前的特征来改善感知损失，这可以提供对亮度一致性和纹理恢复更强的监督力。 从这些改进中，所提出的ESRGAN实现了更好的视觉质量，具有比SRGAN更逼真和自然的纹理并且赢得了PIRM2018-SR Challenge1中的第一名[3]。