Neurodegeneration characterizes individuals with different dementia subtypes (e.g., individuals with Alzheimer's Disease, Primary Progressive Aphasia, and Parkinson's Disease), leading to progressive decline in cognitive, linguistic, and social functioning. Speech and language impairments are early symptoms in individuals with focal forms of neurodegenerative conditions, coupled with deficits in cognitive, social, and behavioral domains. This paper reviews the findings on language and communication deficits and identifies the effects of dementia on the production and perception of discourse. It discusses findings concerning (i) language function, cognitive representation, and impairment, (ii) communicative competence, emotions, empathy, and theory-of-mind, and (iii) speech-in-interaction. It argues that clinical discourse analysis can provide a comprehensive assessment of language and communication skills in individuals, which complements the existing neurolinguistic evaluation for (differential) diagnosis, prognosis, and treatment efficacy evaluation.

基于图像的3D重建是计算机视觉中最重要的任务之一，在过去的几十年中提出了许多解决方案。目的是从图像直接提取场景对象的几何形状。然后可以将它们用于广泛的应用程序，例如电影，游戏，虚拟现实等。最近，已经提出了深度学习技术来解决这个问题。他们依靠对大量数据进行培训，以学会通过深层卷积神经网络在图像之间关联特征，并已被证明超过了传统的程序技术。在本文中，我们通过合并4D相关量来改进[11]的最新两视频结构（SFM）方法，以进行更准确的特征匹配和重建。此外，我们将其扩展到一般的多视图案例，并在复杂的基准数据集DTU [4]上对其进行评估。定量评估和与最先进的多视图3D重建方法的比较证明了其在重建的准确性方面的优势。

近年来，图形神经网络（GNN）与复发性神经网络（RNN）的变体相结合，在时空预测任务中达到了最先进的性能。对于流量预测，GNN模型使用道路网络的图形结构来解释链接和节点之间的空间相关性。最近的解决方案要么基于复杂的图形操作或避免预定义的图。本文提出了一种新的序列结构，以使用具有稀疏体系结构的GNN-RNN细胞在多个抽象的抽象上提取时空相关性，以减少训练时间与更复杂的设计相比。通过多个编码器编码相同的输入序列，并随着编码层的增量增加，使网络能够通过多级抽象来学习一般和详细的信息。我们进一步介绍了来自加拿大蒙特利尔的街道细分市场流量数据的新基准数据集。与高速公路不同，城市路段是循环的，其特征是复杂的空间依赖性。与基线方法相比，一小时预测的实验结果和我们的MSLTD街道级段数据集对我们的模型提高了7％以上，同时将计算资源要求提高了一半以上竞争方法。

交换自动编码器在深层图像操纵和图像到图像翻译中实现了最先进的性能。我们通过基于梯度逆转层引入简单而有效的辅助模块来改善这项工作。辅助模块的损失迫使发电机学会使用全零纹理代码重建图像，从而鼓励结构和纹理信息之间更好地分解。提出的基于属性的转移方法可以在样式传输中进行精致的控制，同时在不使用语义掩码的情况下保留结构信息。为了操纵图像，我们将对象的几何形状和输入图像的一般样式编码为两个潜在代码，并具有实施结构一致性的附加约束。此外，由于辅助损失，训练时间大大减少。提出的模型的优越性在复杂的域中得到了证明，例如已知最先进的卫星图像。最后，我们表明我们的模型改善了广泛的数据集的质量指标，同时通过多模式图像生成技术实现了可比的结果。

大量位移光流是许多计算机视觉任务不可或缺的一部分。基于粗到精细方案的差异稀疏匹配，并在局部优化以颜色，梯度和平滑度来调节能量模型，使它们对稀疏匹配，变形和任意大型位移对噪声敏感。本文解决了此问题并提出了混合流，这是大型位移和变形的变异运动估计框架。在图像对上执行多尺度混合匹配方法。通过按照群集的上下文描述符匹配，通过根据特征描述符对像素进行分类而形成的粗尺度簇。我们在每个匹配的粗尺度簇中包含的精细尺度超级像素上应用多尺度的图形匹配。无法进一步细分的小簇使用局部特征匹配进行匹配。这些初始匹配在一起形成了流动，该流程通过边缘固定插值和变化的细化而传播。我们的方法不需要训练，并且由于现场运动而引起的实质性位移以及刚性和非韧性转换是强大的，因此它非常适合大规模图像（例如宽面积运动图像（WAMI））。更值得注意的是，混合流在代表感知组的任意拓扑的有向图上起作用，从而在存在明显变形的情况下改善运动估计。我们展示了混合流的优越性能，在两个基准数据集上的最先进的变量技术，并通过最先进的基于深度学习的技术报告可比的结果。

目前，针对沉浸式增强现实（AR）应用程序设计用户界面（UI）的指南有限。设计师必须反思他们为台式机和移动应用程序设计UI的经验，并猜测UI将如何影响AR用户的性能。在这项工作中，我们介绍了一个预测模型，用于确定用户对目标UI的性能，而无需参与者参与用户研究。该模型对参与者对客观绩效指标的反应进行了培训，例如消耗耐力（CE）和使用层次下拉菜单的指向时间（PT）。通过从词汇数据库WordNet中包含的单词中随机和动态创建层次下拉菜单和相关用户任务来确保菜单深度和上下文的巨大变化。通过在模型培训期间合并用户的非语言标准性能WAIS-IV，可以减少主观性能偏见。菜单的语义信息是使用通用句子编码器编码的。我们介绍了一项用户研究的结果，该研究表明，提出的预测模型在预测具有各种认知能力的用户的层次菜单方面具有很高的准确性。据我们所知，这是预测为沉浸式AR应用设计UI的第一项工作。