摘要：头部MRI预处理涉及将原始图像转换为标准坐标空间中强度归一化且去除颅骨的脑部图像。本文提出一种端到端弱监督学习方法——神经预处理(NPP)，通过在大规模数据集上训练的神经网络同时解决这三个子任务，且无需单独的子任务监督。由于整体目标高度欠约束，我们显式解耦了保持几何特性的强度映射(去颅骨和强度归一化)与空间变换(空间归一化)。定量结果表明，该模型在仅处理单个子任务的先进方法中表现更优。消融实验验证了我们为NPP设计的架构重要性。此外，NPP在推理时允许用户灵活控制每个子任务。代码与模型已在https://github.com/Novestars/Neural-Pre-processing开源。

摘要—基于神经网络的自动语音识别(ASR)开源系统数量持续增长，其预测可靠性也在同步提升。然而，训练模型的评估通常仅基于WER或CER等统计指标，这些指标无法揭示语音输入转写预测过程中产生错误的本质或影响。本研究选取了多个针对德语预训练的ASR模型架构，在多样化测试数据集构成的基准上进行评估。通过识别跨架构的预测错误，将其分类并追溯每类错误的训练数据及其他来源，最终讨论了创建更优质训练数据集和构建更鲁棒ASR系统的解决方案。