← 返回 PaperDaily 视觉与图像

7,147条样本实测：融合模型比单模态更稳

点击诱饵这事，最阴的地方不是“标题党”，而是标题和缩略图一起演戏。BanClickThumb把孟加拉语 YouTube 的这套“组合拳”做成了可复现基准，文本、图像、融合三条线一起比，结果很清楚：只看图不够，只看字也不稳，融合才更像正经干活。

龙哥读论文发布于 2026-08-14 09:11:18 阅读 4 查看原文

#多模态 #数据集 #AI应用

原论文信息如下：

论文标题:
BanClickThumb: A Multimodal Dataset and Transformer Fusion Benchmarks for Clickbait Detection in Bengali YouTube Videos

发表日期: 2026年07月

发表单位: Bangladesh Army University of Science and Technology

原文链接: https://arxiv.org/pdf/2607.17182v1.pdf

开源代码链接: https://github.com/arifbaust10/BanClickThumb-A-Multimodal-Dataset-and-Benchmarks-for-Clickbait-Detection-in-Bengali-YouTube-Videos

项目链接: Kaggle 数据集页面：https://kaggle.com/datasets/5345efaf68005de56157e10096c251f1714d5acc19bd85857275ef11be2d5fab

开源数据集链接: https://kaggle.com/datasets/5345efaf68005de56157e10096c251f1714d5acc19bd85857275ef11be2d5fab

孟加拉语点击诱饵检测的困境与BanClickThumb的诞生

点击诱饵这件事，最烦人的地方不是“标题党”三个字本身，而是它经常把标题和缩略图绑成一套组合拳：字在骗你，图也在骗你，偏偏两者还互相打掩护。对人工审核来说，这种内容像“戴了两层面具”；对模型来说，只看文字或者只看图像，都容易漏掉关键线索。更麻烦的是，孟加拉语作为一种低资源语言，其独特的语言特征——丰富的词形变化、常见的英文混写、罗马化拼写以及大量带情绪的夸张表达——使得传统的文本检测方法难以直接迁移。同时，YouTube 缩略图本身也充满了视觉诱导：大字叠图、夸张表情、箭头、强对比配色，这些视觉套路在孟加拉语内容中尤为常见，因为它们往往与当地文化中的夸张叙事风格紧密结合。因此，要有效检测孟加拉语 YouTube 上的点击诱饵，必须同时处理文本和图像两个模态，并捕捉它们之间的不一致关系。

图1：BanClickThumb 数据集构建流程：数据收集、预处理、标注、质量控制与验证。

这篇论文真正补上的，不只是一个分类器，而是一个可复现的孟加拉语 YouTube 点击诱饵多模态基准。BanClickThumb 收集了 7,147 对标题—缩略图样本，覆盖新闻政治、健康生活、科技、常识、娱乐五个领域，并由 10 位标注者完成人工标注，标注一致性达到 Cohen’s Kappa 0.83–0.93。说人话就是：这不是随手抓一批“看起来像标题党”的样本，而是尽量把数据、标注和验证都做成了能拿来认真训练模型的样子。数据集的构建流程如图1所示，从数据收集、预处理、标注到质量控制与验证，每一步都经过了精心设计，以确保数据的高质量和标注的可靠性。例如，在数据收集阶段，论文通过 YouTube API 抓取了大量孟加拉语视频的标题和缩略图，并按照五个领域进行分类。在预处理阶段，对标题进行了语言统一和清洗，对缩略图进行了尺寸标准化和增强。在标注阶段，10 位标注者独立对每个样本进行二分类标注（是否为点击诱饵），并通过多次交叉验证和讨论来解决分歧，最终达到了高度一致的标注结果。

更关键的是，孟加拉语在这个任务里并不“省心”。它有丰富词形变化、常见的英文混写、罗马化拼写，以及大量带情绪的夸张表达。缩略图也不老实：大字叠图、夸张表情、箭头、强对比配色，这些都是典型的“请你点进来再说”的视觉套路。于是，文本、图像和它们之间的不一致关系，就成了检测点击诱饵的核心线索。例如，一个标题可能看起来非常严肃地讨论政治议题，但缩略图却是一个夸张的表情包和醒目的红色大字；或者标题使用了极度煽动的词语，但缩略图却是一张普通的风景照。这种不一致正是点击诱饵的典型特征，也是多模态模型需要重点学习的模式。

论文在这里先做了一件很务实的事：不是上来就堆模型，而是先把问题定义清楚。点击诱饵不是“标题夸张”这么简单，而是标题和缩略图共同制造了一个好奇缺口，让用户点进去才能解谜。这个定义很朴素，但很重要，因为它决定了后面为什么必须做多模态，而不是继续在文本分类里打转。基于这个定义，论文进一步将点击诱饵分为几种类型：纯粹的文字夸张型、纯粹的视觉诱导型、以及图文结合型。这种分类有助于后续分析不同模型的优势和劣势。例如，文本模型可能更擅长检测文字夸张型，而图像模型则对视觉诱导型更敏感，只有多模态融合模型才能有效处理图文结合型，这也是点击诱饵中最常见也最难检测的类型。

三大模型：文本、视觉与融合的全面基准测试

这篇工作的结构很清楚：先做文本单模态，再做图像单模态，最后做融合。对应的三个框架分别叫 BanClickTextFormer、BanClickImageFormer 和 BanClickFusionFormer。这里的 Former 不是装腔作势，意思就是“基于 transformer 的分类框架”。这三个框架共享一个核心设计理念：使用预训练的 Transformer 模型作为特征提取器，然后接一个分类头进行二分类。但它们在输入模态和特征融合方式上有所不同，从而构成了一个完整的基准测试体系。论文不仅比较了不同模态的性能，还深入探讨了不同融合策略的优劣，为后续研究提供了宝贵的参考。

图4：用于孟加拉语 YouTube 标题的单模态点击诱饵分类框架（BanClickTextFormer）。

图5：用于 YouTube 缩略图的单模态点击诱饵分类框架（BanClickImageFormer）。

图6：结合 YouTube 标题与缩略图的点击诱饵多模态融合框架（BanClickFusionFormer）。

先看文本分支。论文选择了 XLM-RoBERTa 作为标题编码器。这里的 XLM-RoBERTa 是 Cross-lingual Language Model RoBERTa，中文可理解为“跨语言 RoBERTa”。它的优势不是“更会说孟加拉语”，而是能借助大规模多语种预训练，把低资源语言里的夸张措辞、混写词和模糊语义也编码得比较稳。论文还把 mBERT 和 DistilBERT 一并纳入对比，其中 mBERT 是 Multilingual BERT，多语种 BERT；DistilBERT 则是蒸馏版 BERT，特点是更轻、更快。通过比较这三种模型，论文旨在评估不同规模和预训练策略的文本模型在孟加拉语点击诱饵检测任务上的表现。XLM-RoBERTa 由于其更大的模型容量和更丰富的多语种预训练数据，预期能更好地处理孟加拉语中的混写和罗马化现象。mBERT 作为另一个多语种模型，也是一个强有力的基线。而 DistilBERT 则提供了一个轻量级的选择，用于评估在资源受限场景下的性能权衡。

图像分支也不是随便挑个骨干网络就完事。论文比较了 ViT、Swin Transformer 和 SwiftFormer。ViT 是 Vision Transformer，直接把图像切成 patch 再做全局注意力；Swin Transformer 用局部窗口和移位窗口兼顾局部与全局；SwiftFormer 则强调效率，适合更轻量的部署场景。缩略图里那些大字、表情、箭头和高饱和色，正适合视觉 transformer 去抓“布局上的戏精味”。ViT 的全局注意力机制能够捕捉图像中远距离像素之间的关系，这对于理解缩略图中大字与背景、表情与标题文字之间的互动至关重要。Swin Transformer 的层次化局部注意力则更擅长提取局部细节，如人脸表情或特定图标。SwiftFormer 则通过高效的注意力机制设计，在保持不错性能的同时大幅降低了计算成本。通过比较这三种视觉骨干，论文全面评估了不同视觉 Transformer 在缩略图分析上的能力。

为了让读者不被术语绕晕，先把评价指标说清楚。论文使用 Accuracy、Precision、Recall 和 F1。Accuracy 看整体对不对，Precision 看“报出来的点击诱饵里有多少是真的”，Recall 看“真的点击诱饵有没有漏掉”，F1 则是 Precision 和 Recall 的折中。公式如下。

公式里 TP、TN、FP、FN 分别是真正例、真负例、假正例、假负例。对点击诱饵检测来说，Precision 太低会把正常视频乱标成标题党，平台审核会很烦；Recall 太低则会漏掉真正的诱饵内容，等于白忙活。因此，F1 分数是一个平衡两者的综合指标，也是论文中比较模型性能的主要依据。论文在报告结果时，不仅给出了每个模型的 F1 分数，还详细列出了 Precision 和 Recall，以便读者了解模型在不同方面的表现。例如，一个模型可能有很高的 Precision，但 Recall 较低，这意味着它很少误报，但会漏掉很多真正的点击诱饵；反之亦然。通过分析这些指标，可以更全面地理解模型的优缺点。

这套基准测试的实验设计也比较完整。文本分支、图像分支、以及三种融合方式都做了系统比较：早期融合是把两种特征先拼起来再分类；晚期融合是两个单模态先各自判断，再把概率加权合并；中间融合则是在隐藏层把两路表示融合，让模型在分类前先学会“图文是否对得上”。这三种策略的差别，本质上就是：到底是让模型一开始就混着学，还是先各自学明白再合并，或者在半路上握手。在 BanClickFusionFormer 中，早期融合将文本和图像特征在输入层或浅层进行拼接，然后送入一个统一的 Transformer 编码器。晚期融合则分别用独立的文本和图像 Transformer 提取特征，然后将它们的输出（通常是 [CLS] token 的表示）进行拼接或加权平均，再送入分类器。中间融合则是在文本和图像 Transformer 的中间层进行交互，例如通过交叉注意力机制，让文本和图像的特征在编码过程中相互影响。论文通过实验发现，中间融合策略在大多数情况下都优于早期和晚期融合，这表明让文本和图像在编码过程中进行交互，能够更有效地捕捉它们之间的不一致关系。

数据预处理也做得比较细。标题会先做语言统一：英文词翻译成孟加拉语，罗马化 Bangla 转成标准文字；多余标点、空白、噪声字符会被清理。对应的公式就是下面这条，看起来像流水线，实际就是把脏标题擦干净再喂给模型。

图像分支则把缩略图统一缩放到 224×224，再做随机旋转、翻转和亮度调整。这个步骤看起来平平无奇，但很有必要：YouTube 缩略图经常压缩严重、颜色夸张、文字密集，不做增强，模型很容易学到“图片的压缩痕迹”，而不是点击诱饵本身。数据增强不仅增加了训练数据的多样性，还提高了模型的泛化能力，使其对不同的缩略图风格和压缩质量更加鲁棒。例如，随机旋转和翻转可以模拟用户在不同设备上观看视频时缩略图可能出现的角度变化；亮度调整则可以应对不同视频的色调差异。通过这些预处理步骤，模型能够更专注于学习点击诱饵的语义和视觉特征，而不是被无关的噪声所干扰。

另外，论文还把超参数调优说得比较透明：学习率、批大小、dropout、训练轮数都通过验证集搜索，避免某个模型“碰巧跑得好”就被当成结论。说白了，这类基准最怕的不是模型不强，而是实验不干净。论文详细报告了每个模型的超参数设置，如表6和表7所示。例如，文本模型的学习率通常设置在 2e-5 到 5e-5 之间，而图像模型的学习率则稍高，在 1e-4 到 3e-4 之间。所有模型都使用了 AdamW 优化器，并采用了学习率预热和余弦退火策略。通过系统地进行超参数搜索，论文确保了每个模型都在其最佳状态下进行比较，从而使得出的结论更加可靠和可复现。这种严谨的实验设计是 BanClickThumb 作为基准测试的核心价值之一。

中间融合胜出：ViT+XLM-RoBERTa的最佳组合

实验结果最有意思的地方，不是“哪一个数最高”这么简单，而是它很诚实地告诉了读者：单看图不够，单看字也不够，图文一起看才像回事。这其实符合常识，但论文把常识用数据证实了。通过系统比较单模态和多模态模型，论文清晰地展示了多模态融合带来的性能提升。更重要的是，它揭示了不同融合策略的优劣，以及不同骨干网络组合的效果，为未来研究提供了明确的指导方向。

表6：文本与图像单模态骨干网络的超参数设置。

表7：所有早期、晚期与中间融合配置共享的超参数设置。

表8：BanClickThumb 测试集上的单模态文本与图像模型性能。

单模态里，文本模型明显强于图像模型。最好的文本模型是 BanClickTextFormer（XLM-RoBERTa），准确率达到 0.82；图像模型里最好的 BanClickImageFormer（SwiftFormer）只有 0.68。这个差距说明，在孟加拉语点击诱饵里，标题本身通常携带更直接的欺骗语义，缩略图虽然重要，但单独看还不够稳定。从表8可以看出，XLM-RoBERTa 在所有文本模型中表现最佳，其 F1 分数也最高，这验证了其强大的多语种表征能力。而 SwiftFormer 在图像模型中表现最好，这可能是因为其高效的注意力机制更适合处理缩略图中常见的局部视觉模式，如大字和表情。然而，即使是表现最好的图像模型，其性能也显著低于文本模型，这表明仅凭视觉信息难以可靠地检测孟加拉语点击诱饵。

不过，图像分支也不是“陪跑”。它能识别夸张表情、醒目字幕、明显煽动性排版这些视觉套路，只是缩略图的表达方式更依赖场景和文化语境，泛化起来比文本更难。换句话说，图像不是没用，而是它更像“辅助证人”，不是“唯一目击者”。例如，一个标题可能看起来很普通，但缩略图中包含一个震惊的表情或一个指向性箭头，这很可能就是点击诱饵。图像模型能够捕捉到这些视觉线索，但单独使用时容易受到背景噪声或不同文化语境下表情含义差异的影响。因此，图像模型的价值在于为文本模型提供补充信息，尤其是在文本信息模糊或不足的情况下。

表9：BanClickThumb 上早期融合多模态模型的性能。

表10：BanClickThumb 上晚期融合多模态模型的性能。

表11：BanClickThumb 上中间融合多模态模型的性能。

三种融合方式里，中间融合表现最好，BanClickFusionFormer 以 ViT + XLM-RoBERTa 的组合拿到 0.84 的准确率，超过了最强文本模型 0.82，也明显高于图像模型 0.68。这个提升不算“夸张到离谱”，但很扎实：它说明模型确实学到了图文之间的互补关系，而不是简单把两路特征拼一块凑热闹。从表9、10、11可以看出，中间融合模型在几乎所有指标上都优于早期和晚期融合模型。特别是 ViT + XLM-RoBERTa 的组合，在中间融合策略下达到了最佳性能。这表明，ViT 的全局注意力机制和 XLM-RoBERTa 的跨语言表征能力能够很好地互补，而中间融合则有效地促进了它们之间的信息交互。

为什么中间融合更强？原因其实不难理解。早期融合太早把两种模态硬拼，容易把噪声一起带进去；晚期融合则太晚，两个模型各自先把判断做完了，后面只是“投票”，很难学到真正的跨模态矛盾。中间融合卡在中间层，既保留了各自的表达能力，又给模型机会去学习“标题说一套、缩略图演一套”这种不一致模式。对点击诱饵来说，这种不一致恰恰是最值钱的信号。具体来说，在中间融合中，文本和图像的特征在 Transformer 的中间层通过交叉注意力机制进行交互。这使得模型能够在编码过程中动态地调整文本和图像的表征，以更好地对齐或对比它们。例如，当模型检测到标题中的某个关键词与缩略图中的某个视觉元素存在强烈不一致时，它可以在中间层放大这种矛盾信号，从而做出更准确的判断。这种灵活的交互方式是早期和晚期融合所不具备的，也是中间融合性能更优的根本原因。

从实验设置上看，这组结果也比较可信。论文不是只拿一个模型硬比，而是系统比较了 3 个文本编码器、3 个视觉编码器，以及 27 种图文组合，再分别测试早期、晚期和中间融合。这样的设计虽然费工夫，但至少避免了“挑一个最顺手的模型讲故事”。通过这种全面的网格搜索，论文不仅找到了最佳模型组合，还揭示了不同骨干网络和融合策略之间的相互作用。例如，某些视觉骨干可能更适合与特定的文本骨干搭配，而某些融合策略可能对某些骨干组合更有效。这些发现为未来设计更优的多模态点击诱饵检测模型提供了宝贵的经验。

失败案例分析：模型为何会被误导？

图7：BanClickTextFormer、BanClickImageFormer 与 BanClickFusionFormer 在测试集上的混淆矩阵。

论文的错误分析很有价值，因为它没有把“没做对”的地方藏起来。相反，它明确指出了几个顽固难点：缩略图里的密集文字、隐喻式表达、以及带文化语境的俚语，都会让模型犯糊涂。从图7的混淆矩阵可以看出，即使是表现最好的中间融合模型，仍然存在一定数量的假正例和假负例。这表明当前模型在处理某些特定类型的点击诱饵时仍然存在局限性。论文通过深入分析这些错误案例，揭示了模型的薄弱环节，为未来的改进指明了方向。

图8：孟加拉语 YouTube 视频多模态点击诱饵分类的代表性错误案例。

这其实很好理解。模型擅长的是统计模式，不擅长的是“读空气”。当一个缩略图里塞满了小字，或者标题用了本地化梗、双关语、夸张修辞，模型可能只看到表层词形，抓不到真实意图。尤其是那种标题看起来很正经、缩略图却极尽夸张，或者标题极度煽动、缩略图却很普通的样本，正是多模态检测最容易翻车的地方。图8展示了一些代表性错误案例。例如，一个案例中，标题是“如何提高你的工作效率”，看起来非常正常，但缩略图却是一个人在疯狂敲键盘，并配有“震惊！99%的人都不知道！”的大字。模型可能因为标题的“正经”而将其误判为非点击诱饵，忽略了缩略图中的视觉诱导。另一个案例中，标题使用了孟加拉语中的俚语“গপ্পো”（意为“故事”或“八卦”），但模型可能不理解其隐含的“夸大其词”的意味，从而将其误判为正常内容。这些错误案例表明，模型在处理需要深层语义理解和跨文化知识的内容时仍然力不从心。

混淆矩阵也说明了一个现实：即便融合模型最好，它依然不是“万能防骗机”。它会在某些边界样本上把非点击诱饵误判成点击诱饵，也会漏掉一些包装得很像正常内容的诱饵。换句话说，模型能帮忙筛，但不能替代最终判断。这个边界感很重要，不然很容易把一个基准测试吹成平台治理的终极答案，实际上并不是。例如，一些高质量的教育视频可能会使用略带夸张的标题和精心设计的缩略图来吸引观众，但这并非恶意点击诱饵。模型可能会将这些视频误判为点击诱饵，导致误伤。反之，一些精心伪装的点击诱饵，其标题和缩略图看起来与正常内容无异，模型则可能漏检。因此，BanClickThumb 作为一个基准测试，其价值在于提供了一个公平的评估平台，并揭示了当前技术的局限性，而不是宣称已经完美解决了问题。

从理论到实践：对平台、用户和研究者的启示

这篇论文的价值，不只是“孟加拉语也能做点击诱饵检测”，而是它把一个常被忽视的低资源场景，做成了可公开、可比较、可复现的研究对象。对于平台来说，BanClickThumb 可以作为内容审核的前置筛查工具，尤其适合在人工审核压力很大的场景下先做初筛；对于用户来说，它提醒大家别只盯标题，缩略图同样可能在“表演”；对于研究者来说，它最重要的意义是提供了一个真正能继续往下做的基准，而不是一篇论文做完就散了。论文公开了完整的数据集、代码和模型权重，使得其他研究者可以轻松地复现实验结果，并在其基础上进行改进。这种开放共享的精神极大地促进了该领域的研究进展。

从方法论上看，这项工作也给后续研究留下了几个清晰方向。第一，缩略图里的文字识别还可以更强，尤其是对密集小字和复杂版式，单纯的视觉 transformer 还不够。未来可以引入光学字符识别（OCR）模块，将缩略图中的文字提取出来，与标题文本进行联合分析。第二，标题和缩略图之间的一致性建模可以进一步加强，不只是把两个模态拼一起，而是显式判断它们是否“说法对不上”。例如，可以设计一个专门的对比学习任务，让模型学习区分“图文一致”和“图文不一致”的样本。第三，数据规模虽然已经够做基准，但如果要走向更强泛化，后面还需要更多领域、更丰富风格，以及更复杂的负样本。例如，可以收集更多来自不同孟加拉语地区、不同视频类型（如 vlog、教程、新闻）的样本，并增加一些“看似点击诱饵实则不是”的困难负样本，以提升模型的鲁棒性。

还有一个很现实的点：这类方法的产品化成熟度，取决于平台内容生态。孟加拉语 YouTube 的标题和缩略图风格，如果继续向更强的视觉营销演化，那么多模态检测会越来越重要；但如果内容分布变化很快，模型也必须持续更新，不然今天的“套路”明天就过时。点击诱饵从来不是静态问题，它会跟着平台激励机制一起变形，这也是为什么这类基准不能只做一次。因此，未来的研究还需要关注模型的持续学习和域适应能力，使其能够适应不断变化的点击诱饵策略。例如，可以设计一个在线学习框架，让模型能够根据新收集的标注数据或用户反馈进行增量更新。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的是“孟加拉语 YouTube 点击诱饵怎么检测”这个低资源场景里的数据和方法缺口。以前要么只有文本，要么只有英文多模态资源，这篇工作把标题和缩略图一起做成了可公开基准。它不仅提供了一个高质量的多模态数据集，还系统比较了多种单模态和多模态模型，为后续研究奠定了坚实的基础。

XLM-RoBERTa 和 ViT 分别在这里干什么？XLM-RoBERTa 负责读标题，擅长抓多语种、混写和语义夸张；ViT 负责读缩略图，擅长抓图像布局、局部细节和视觉诱导。一个看字，一个看图，中间融合把两者的信息合起来。这种组合能够有效地捕捉点击诱饵中图文不一致的关键特征。

为什么中间融合比早期和晚期融合更好？因为它既不是一开始就把噪声硬拼，也不是最后才投票。中间融合能在隐藏层学习图文之间的矛盾和互补，比较适合“标题和缩略图一起演戏”的任务。它允许文本和图像特征在编码过程中进行动态交互，从而更有效地捕捉它们之间的不一致性。

如果还有哪些想进一步了解的，欢迎在评论区继续讨论~

龙哥点评

论文创新性分数：★★★☆☆

创新点不在模型花活，而在于把孟加拉语 YouTube 点击诱饵做成了一个真正的多模态基准，外加系统比较了三种融合策略。思路不算离谱新，但非常实用。

实验合理度：★★★★☆

单模态、早融、晚融、中融都测了，还比较了多个文本和视觉骨干，实验设计比较完整。唯一遗憾是结果提升不算特别大，但这也符合任务难度。

学术研究价值：★★★★☆

对低资源多模态内容分析很有价值，尤其是给后续 Bengali deceptive content 研究补了地基。数据集的公开性比单纯报一个分数更值钱。

稳定性：★★★☆☆

从基准角度看还行，但对密集文字、俚语和文化梗依然脆弱。离“拿去直接上线就能稳如老狗”还有距离。

适应性以及泛化能力：★★★☆☆

对 Bengali YouTube 场景适配不错，但跨平台、跨文化、跨语域的泛化还需要更多验证。说到底，点击诱饵的套路会变，模型不能只学一套模板。

硬件需求及成本：★★★☆☆

文本和视觉 transformer 都不算轻，训练成本中等偏上；好在推理可以按单模态或轻量融合做裁剪。对服务器还算友好，对手机端就别指望太轻松。

复现难度：★★★★☆

代码和数据都公开了，复现门槛不算高。真正麻烦的是数据获取、标注一致性和多模态预处理，属于“能复现，但不轻松”的类型。

产品化成熟度：★★★☆☆

适合做平台审核辅助和研究原型，不适合直接当最终裁判。若要落地，还得补 OCR、跨域适配和持续更新机制。

可能的问题：数据规模对多模态来说不算大，且结果提升幅度有限；错误分析虽到位，但对更复杂的跨文化文本图像耦合还没完全讲透。顶会视角下，属于“地基很实，天花板还没掀开”的工作。

主要参考文献

BanClickThumb: A Multimodal Dataset and Transformer Fusion Benchmarks for Clickbait Detection in Bengali YouTube Videos. arXiv:2607.17182v1, 2026.

项目代码：https://github.com/arifbaust10/BanClickThumb-A-Multimodal-Dataset-and-Benchmarks-for-Clickbait-Detection-in-Bengali-YouTube-Videos

数据集页面：https://kaggle.com/datasets/5345efaf68005de56157e10096c251f1714d5acc19bd85857275ef11be2d5fab

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper