← 返回 PaperDaily 视觉与图像

南科大BlindPSNR：让低光增强自动选最优，Top-1达89.5%

还在手动挑低光增强参数？这篇论文发现7个主流无参考质量评估指标在候选选择任务上全军覆没（Top-1准确率全部为0%），并推出BlindPSNR——不依赖任何参考图就能预测PSNR，在场景未见数据上Top-1准确率飙到89.5%，后悔值仅0.026dB，代码已开源。对任何要落地低光增强的团队都是一份实用参考。

龙哥读论文发布于 2026-09-05 00:31:11 阅读 5 查看原文

#图像增强 #图像恢复 #预测模型

原论文信息如下：

论文标题:
BlindPSNR: A No-Reference Fidelity Predictor for Low-Light Image Enhancement 发表日期:
2026年07月发表单位:
南方科技大学（Southern University of Science and Technology）、鹏城实验室（Pengcheng Laboratory）原文链接:
https://arxiv.org/pdf/2607.28127v1.pdf 开源代码链接:
https://github.com/lvmingzhe/BlindPSNR

家人们，谁懂啊？半夜加班调低光增强算法的参数，试了二十多组gamma、对比度、去噪强度，眼睛都快瞎了，屏幕上还是分不清哪张效果最好。这种痛，做图像处理的朋友一定深有体会。低光图像增强（Low-Light Image Enhancement，LLIE）作为目标检测、语义分割等下游任务的“前置工序”，其增强质量直接决定整个pipeline的上限。但偏偏这类方法——从经典直方图均衡化（Histogram Equalization）、Retinex分解，到如今花哨的深度网络——几乎都依赖预设的超参数。光照一变，固定参数马上就“翻车”，过增强、颜色失真、噪声放大轮番上演。更折磨人的是，想挑出最优参数，只能生成一堆候选图然后用肉眼逐个“目检”。这不仅耗时耗力，在批量处理和实时场景里根本跑不通。于是大家就想：能不能让算法自己选？用什么标准选？峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）作为最常用的信号保真度指标，自然是首选标准。然而理想很丰满，现实很骨感——PSNR算起来需要一张配对的真值参考图（Ground Truth，GT），实战部署时上哪儿给你找GT去？

就在这个节骨眼上，南方科技大学与鹏城实验室的研究团队给了一个漂亮的回应：BlindPSNR——一个无需参考图像的PSNR预测器。它在不依赖任何真值参考图的情况下，仅凭低光原图L和增强结果E，就能预测出E相对未知真实GT的PSNR，从而自动挑选最优增强候选。在场景未见（scene-unseen）的测试集上，BlindPSNR取得了Top-1准确率89.5%、后悔值（Regret）仅0.026 dB的成绩，直接把候选选择这一环节从“全军覆没”拉到了“接近上帝视角”的水平。代码已经开源，MIT协议，想速速体验的可以直接去GitHub仓库取货。这篇论文把“无参考PSNR预测”从不可能变成了可能，背后的方法论和实验设计都相当值得细品。

低光增强结果怎么选？人工挑太累，现有自动指标全军覆没

想象一下这个场景：一个低光增强算法，比如LIME（Low-light Image Enhancement via Illumination Map Estimation）或者Zero-DCE，摆在你面前。它们各自有不少旋钮可以拧——LIME有光照图权重，Zero-DCE有曲线迭代次数，传统pipeline还有gamma和去噪强度。每个参数组合都会产生一个增强结果，但哪个结果才是“最优”的？在实际应用中，GT参考图通常是缺失的。没有真值，怎么判断好坏？这时候我们自然想到替代方案——无参考图像质量评估（No-Reference Image Quality Assessment，NR-IQA）。这类方法的典型代表包括NIQE（Natural Image Quality Evaluator）、BRISQUE（Blind/Referenceless Image Spatial Quality Evaluator）、PIQE（Perception-based Image Quality Evaluator），以及学习型的MUSIQ（Multi-Scale Image Quality Transformer）、MANIQA（Multi-dimension Attention Network for No-reference Image Quality Assessment）、HyperIQA（Self-Adaptive Hyper Network for Blind Image Quality Assessment）、TOPIQ（Top-Down Approach from Semantics to Distortions for Image Quality Assessment）等。

图1：BlindPSNR架构图。上半部分（蓝色虚线框，仅在训练时使用）为解析全参考模块，从增强结果与真值配对中计算全局log-MSE目标s；下半部分（绿色实线框，部署时使用）为无参考评分网络，含共享ConvNeXt骨干、窗口交叉注意力融合及FPN解码器，全局平均池化后接全局评分头输出预测PSNR。

然而问题来了。NR-IQA指标的设计初衷是预测感知质量（通常以平均意见分数Mean Opinion Score，MOS为基准），而不是信号保真度（PSNR）。说得直白一点，NR-IQA关心的是“看起来爽不爽”，而PSNR关心的是“像素误差大不大”。这两个目标在低光增强场景下经常打架——不少增强方法把对比度和饱和度拉得很高，人眼看着确实带劲，但跟真值一比对，像素误差反而大得离谱。这正是本论文在基准测试中发现的惊人现象：七个经典的或学习型的NR-IQA基线方法，在候选选择任务上的Top-1准确率全部是0%，平均后悔值超过5 dB。什么概念？就是这些指标选出来的“最优”候选，跟真正的PSNR最优候选完全是两码事。多个方法甚至与PSNR呈负相关——系统性地偏好质量更差的输出。这就好比让一位品味刁钻的画廊老板去当工程质量验收员，他可能觉得抽象画美极了，但墙真的裂了他看不见。

当NR-IQA遇上PSNR：看走眼的日常

看来这个“无参考PSNR预测”的需求，比想象中要硬核得多。其实在视频压缩领域，已经有人尝试过无参考PSNR估计（Turaga等人2004年、Ichigaya等人2006年），但那些方法依赖编码器内部的量化DCT系数和量化表这些“开卷信息”，属于闭式解析方法，出了编解码器的pipeline就失效，无法迁移到低光增强场景。至于知识蒸馏、基于参考的IQA（Image Quality Assessment，图像质量评估）、无参考VMAF预测、低光专属NR-IQA这些邻近领域的工作，目标也清一色是感知质量或特定域的保真度指标，没有一个是冲着PSNR去的。至此，一个尴尬的事实摆在眼前：据论文作者所知，此前还没有任何学习型方法解决低光图像增强中的无参考PSNR预测问题。这块处女地，BlindPSNR是第一个正经拓荒的。

核心洞察：感知质量≠信号保真度，NR-IQA与PSNR严重错位

为什么NR-IQA在PSNR预测上“翻车”如此彻底？因为二者的优化目标本质上是分裂的。感知质量是主观体验的统计建模，信号保真度是客观误差的数学度量。以BRISQUE为例，它在空间域提取自然场景统计（Natural Scene Statistics，NSS）特征，回归到主观评分；而PSNR只是简单粗暴地把MSE（Mean Squared Error，均方误差）取对数再乘个系数。一个典型的低光增强输出，往往通过提升对比度和饱和度“讨好”视觉系统，但像素级偏差被PSNR毫不留情地记录下来。于是衡量一个候选结果好不好，两套体系给出的答案可能南辕北辙。前面提到的基准测试数据就是铁证：BRISQUE的SRCC（Spearman Rank Correlation Coefficient，斯皮尔曼秩相关系数）为-0.22，PIQE是-0.48，NIQE甚至到-0.58——全是负相关，越“美”越错。

图2：在两个保留场景上的定性候选选择对比（第1-3行：CIDNet-SICE增强系列；第4行：CLAHE增强系列）。BlindPSNR在两种方法家族上均与上帝视角一致。绿色：与上帝视角的PSNR差距小于0.1 dB；红色：差距大于2 dB。

更有意思的是，作者们还发现了NR-IQA在候选选择上的一个根本性缺陷：即使某个NR-IQA指标与PSNR有正相关（比如MUSIQ的SRCC=0.44），它的Top-1准确率依然是0%。这是为什么？因为候选选择本质上是“列表顶部”任务——你只关心排名第一的候选是否最优，而不是整体相关性。SRCC衡量的是全局秩相关性，它给所有排名位置等权加权；而在一个包含233个候选的组里，只要最顶上那几个排序错了，后面相关性再高也是白搭。这就像一场考试，平时总分很高但关键大题老做错，依然拿不到高分。这一发现也提醒社区：在评估图像质量指标时，不能只看SRCC，更要关注任务相关的顶部精度。

BlindPSNR如何“无参考”预测PSNR？——解析监督+窗口交叉注意力

既然NR-IQA指望不上，那就自己造轮子。BlindPSNR的核心思路可以用一句话概括：在训练时利用配对数据计算出解析的全局log-MSE目标，精确监督一个只在推理时使用低光输入和增强结果的无参考学生网络。整个过程不需要单独训练任何教师网络——真值PSNR是直接算出来的，不是学出来的。这一招妙就妙在：训练时我们手里有GT，可以轻松算出两个真实值之间的MSE，取个对数作为监督信号；部署时把那个解析模块扔掉，只留下学生网络，让它在没有GT的情况下近似估计PSNR。

图3：held-out RealX3D评估结果。（a）全部13,281个候选的预测PSNR vs GT PSNR散点图（SRCC=0.960）；（b）逐组候选选择（57组）：每个点比较模型选择候选的GT PSNR与上帝视角最优候选的GT PSNR，51/57组落在0.1 dB误差范围内。

具体而言，学生网络S接收两个输入：增强结果E和低光原图L。为什么非要这俩凑一对？因为L和E共享场景结构，L提供了增强前的上下文——有了它，模型才能区分哪些是场景固有的细节、哪些是增强算法新引入的伪影。试想一下：一张满是噪点的暗图和一张同样噪点满满但亮度拉起来的“亮图”，如果没有原图做参照，神仙也分不清那些噪点是本来就存在的还是增强过程放大的。共享的ConvNeXt-Tiny骨干网络从两张输入中分别提取多尺度特征，在stride为8、16、32的三个层级上输出特征对。

表II：held-out RealX3D（57组，场景未见）上的候选选择性能对比。Cl.：经典NR-IQA；Ln.：学习型NR-IQA；Sup.：监督学习（本文方法）。所有七个NR-IQA基线Top-1均为0%，BlindPSNR达到89.5%，后悔值仅0.026 dB。

这里有一个关键的创新点：窗口交叉注意力（Windowed Cross-Attention）。密集的误差模式需要局部空间对齐，如果使用单一的全局注意力，所有位置的细微误差都会被全局平均稀释掉，细节就丢了。因此作者将交叉注意力限制在非重叠窗口内，窗口大小随stride增大而缩小（level 1时窗口为8、level 2为4、level 3为2），这样既能抓住局部误差，又控制计算开销。对于每个窗口，注意力输出A_l与增强特征F_E_l进行四元融合，拼接后经过卷积层得到Z_l。融合操作包含四项：直连特征F_E_l、交叉注意力输出A_l、绝对差|F_E_l − A_l|（凸显误差区域）、逐元素相乘F_E_l ⊙ A_l（放大相关模式）。这四种互补的线索共同构成了一个信息丰富的融合特征，既有原图特征，又有对齐后的跨图特征，还有两者差异与共性——可以说把能薅的信息都薅干净了。

解码与预测头部分，FPN（Feature Pyramid Network，特征金字塔网络）从stride 32一路解码回stride 8，产生多尺度特征图；对最高分辨率和最低分辨率的FPN输出分别做全局平均池化（Global Average Pooling，GAP），拼接成一个256维向量，再送入全局log-MSE预测头，输出预测的对数MSE标量ŝ。此外还在瓶颈处挂了一个置信度头v̂S（异方差回归的log方差）。推理时，预测的PSNR就简单地由p̂ = −4.343 ŝ换算而来（图像归一化到[0, 1]）。这里的−4.343来自PSNR的定义：PSNR = 10·log₁₀(1/MSE) = −10·log₁₀(MSE) = −10/ln(10) · ln(MSE) ≈ −4.343·ln(MSE)。正是这份“一切从简”的清爽设计，撑起了后续令人惊艳的实验结果。

表III：在held-out RealX3D（57组）上的逐组件消融实验。Lgd：全局蒸馏损失；Low：低光交叉注意力输入。所有行均包含Lreg。

训练目标也值得仔细拆解。整体损失由两项回归损失构成，共同指向同一个解析目标s（即式(2)的log(MSE+ε)，ε=10⁻⁶）。第一项是异方差回归损失（Heteroscedastic Regression），让模型在训练时学会“自我评估不确定性”：对于难预测的样本，模型自动调低其梯度权重；第二项是作用在同一目标上的平滑L1全局蒸馏损失（Global Distillation）。作者将两者结合，就是想取长补短——异方差项通过学习到的方差对不确定样本降权，而平滑L1项对全部样本施加均匀的鲁棒梯度。消融实验显示，去掉任意一项性能都会明显下跌，两个一起上才能达到最优。

表IV：跨数据集泛化性能。LOL-v2-real：100组（划分未见）；LSRW：50组（域未见）；mip-NeRF-360：16组（场景未见）。

至于为什么这个“解析监督”的范式能work，龙哥觉得关键在于它消除了传统知识蒸馏中的“教师网络偏差”。知识蒸馏一般是用一个在标注数据上训练好的大教师网络生成软标签来指导学生网络。教师网络的性能上限就是学生网络的天花板，而且教师本身也有预测误差。BlindPSNR直接绕开了这个问题：训练时GT就在手边，MSE直接算，log一取，目标s就出来了。这个s是确定性的解析值，没有额外误差，也不需要可学习的教师模块。说句实在话，这个设计思路简洁得像一个“奥卡姆剃刀”的完美示范——在能精确计算的地方避免使用复杂近似，这份克制值得学习。

实验结果：Top-1准确率89.5%，后悔值从1.62dB降至0.026dB

先交代一下实验设置。训练数据是多源语料库：2423张图像，145788个增强候选。数据来源涵盖四大类——带标定的多视角场景（RealX3D和LOM各若干场景）、LOL-v1和LOL-v2（合成与真实）训练集、以及mip-NeRF-360室内场景。每个图像都由多个增强方法家族处理，产生大量具有不同参数组合的候选增强结果。评估集则精心设计了三种“未见”层次：场景未见（场景未在训练里出现过，但同数据集其他场景出现过）、划分未见（同一数据集的测试划分在训练时完全没碰过）和域未见（整个数据集直接缺席训练）。这样的划分比单纯的随机划分严格得多，能更真实地检验模型的泛化能力。

表I：评估集及其与训练数据的关系。三个重叠层次：场景未见（场景从未在训练中出现但同数据集其他场景有）、划分未见（使用同数据集的训练划分但测试图像被严格留出）、域未见（整个数据集在训练中不存在）。

论文的核心实验指标，用的不是常规SRCC单打独斗，而是Top-k准确率与后悔值（Regret）的组合。Top-k准确率衡量的是：模型给出的前k个排名候选里，是否有任意一个的GT PSNR落在该场景组上帝视角最优值的0.1 dB以内。后悔值则直接量化：模型选出的第一名，比上帝视角最优第一名差了多少dB。这套指标组合直击候选选择的本质——咱要的是“能不能挑出最优”，而不是“排名整体对不对”。实验结果也确实给力：在held-out RealX3D（57个场景组，全部场景未见）上，七个NR-IQA基线全部交了白卷，Top-1准确率清一色的0%，最好的MUSIQ也只有SRCC=0.44、后悔值5.9 dB。纯标量回归基线（只用Lreg，不用交叉注意力和Lgdist）能拿到54.4%的Top-1和1.62 dB的后悔值，但跟BlindPSNR完整版本的89.5% Top-1和0.026 dB后悔值一比，鸿沟立刻显露。0.026 dB是什么概念？人眼基本无法感知0.5 dB以内的差异，0.026 dB的后悔值意味着模型选出来的结果在PSNR上几乎等于上帝视角。57个场景组里，51组完全命中（0.1 dB内），剩下的6组差距也微乎其微。

接下来是消融实验，每个组件的贡献都用“留一法”算得明明白白。最大的功臣是低光输入：移除后Top-1从89.5%暴跌29.9个百分点至59.6%，后悔值从0.026 dB抬升到0.41 dB——低光场景结构信息在区分接近上帝视角的候选中是决定性的。第二功臣是平滑L1全局蒸馏损失Lgdist：去掉它Top-1掉到78.9%，可见它对异方差回归弥补了不小的缺口。两个一起去掉，就只剩下54.4%的Top-1和1.62 dB后悔值——说明即便有较高的秩相关（SRCC=0.923），也无法保证顶部选择的精准度。

表V：在held-out集上的方法内选择性能。每一行使用单一增强方法族及其参数变体。

还有个有趣的补充实验：如果模型只在同一种增强方法的不同参数变体内部做选择，效果如何？也就是把“跨方法选最优”降级为“方法内调参”。结果表V显示，对五种方法族（CIDNet-gen、CIDNet-SICE、Gamma+Denoise、MSR、CLAHE），BlindPSNR的Top-1分别达到100%、89.5%、100%、98.2%和96.5%，后悔值全部不超过0.04 dB。这说明模型掌握的不仅是粗粒度的方法间区分度，还能精准捕捉参数级的质量差异——这种细腻度对实际调参工作意义重大。想象一下，以后跑Zero-DCE或者LIME调参时，不用再肉眼盯图，直接甩给BlindPSNR打分，一键挑出最优参数组合，这效率提升不是一星半点。

就这个表现，龙哥只能说：稳。

局限与展望：跨域泛化仍是挑战

如果说BlindPSNR在场景未见的数据上表现惊艳，那跨域泛化就给它上了一课。在LOL-v2-real上SRCC=0.673、Top-1仅21.0%；LSRW（域未见）SRCC=0.609、Top-1 38.0%；mip-NeRF-360 SRCC=0.640、Top-1只有12.5%。这个“从光芒万丈到灰头土脸”的反差，其实并不意外。训练数据主要来自多视角标定场景，而测试分布是单图真实世界配对和渲染场景，域间隙明显。论文作者也承认，跨域性能下降主要归因于训练增强方法多样性不足以及Backbone泛化先验有限。

要缩小这个差距，未来的路清晰但不轻松：一方面需要更多样化的训练来源——更多不同风格的真实低光数据、更丰富的增强方法家族、更宽的PSNR分布范围；另一方面需要更强的预训练Backbone作为特征提取器，比如在更大规模数据上预训练的ConvNeXt或视觉Transformer。也可以考虑领域自适应技术，让模型在目标域上做无监督适配。从产品落地角度看，BlindPSNR的定位更像是“一键选优”的辅助工具，而不是万能灵药——在数据分布相近的场景中，它能为参数调优省下大量人力；但在全新域上，还是需要人工介入验证。对一个“无参考PSNR预测”的初代方法来说，这份答卷已经足够亮眼，后续的迭代空间也值得期待。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

BlindPSNR训练时和推理时的区别是什么？训练时有两个模块：解析全参考模块（利用GT计算log-MSE目标）和无参考学生网络（接收低光图L和增强图E）。推理时解析模块被丢弃，只保留学生网络，输入L和E，直接输出预测PSNR。核心在于：解析目标提供了精确的监督信号，学生网络学会了在没有GT的情况下逼近这个信号。

为什么窗口交叉注意力比全局注意力更适合这个任务？因为PSNR的误差模式本质上是局部的——某个区域的过度增强或噪声放大，只会影响该区域邻域的像素误差，而不会均衡地扩散到全图。全局注意力会把每个位置的细节误差“平均”稀释掉，导致细节丢失；窗口注意力则限制在局部窗口内建模依赖关系，能精确保留局部误差信息。窗口大小随着骨干网络层级加深而变小（8→4→2），深层的感受野已经足够大，不需要大窗口。

异方差回归损失Lreg和平滑L1蒸馏损失Lgdist为什么能互补？异方差回归让模型为每个样本预测一个方差，方差大的样本在损失中被自动降低权重，相当于一种自适应的“困难样本降权”；平滑L1则对所有样本施加均匀的鲁棒梯度，它不会因为样本方差大就放过它，而是用截断的梯度防止极端值干扰。两者一个侧重自适应降权，一个强调均匀监督，组合起来既避免了困难样本主导训练，又保证每个样本都得到有效监督。消融实验证明，去掉任意一个性能都会明显退化。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

开创性地将无参考PSNR预测引入低光增强，用解析监督替代传统教师蒸馏，思路新颖且落地性强。

实验合理度：★★★★☆

三种未见划分严格，Top-k+后悔值指标贴合场景本质，七个基线对比充分。

学术研究价值：★★★★☆

开辟“无参考PSNR预测”新方向，解析监督思想可迁移至其他成对评估场景，为NR-IQA错位问题提供量化证据。

稳定性：★★★☆☆

场景未见时惊艳（Top-1 89.5%），但跨域后Top-1掉到12-38%，稳定性不足以支撑“开箱即用”。

适应性以及泛化能力：★★★☆☆

受限于训练数据多样性，跨域泛化一般。方法内选择效果优秀，但整体泛化边界明显。

硬件需求及成本：★★★★☆

ConvNeXt-Tiny骨干约34.9M参数，单卡RTX 4090上233个候选评分约4秒，部署成本不高。

复现难度：★★★★★

代码已开源（MIT协议），实验设置详细，复现难度不大。

产品化成熟度：★★★☆☆

在数据分布相近场景中已初步可用；跨域仍需人工兜底。可嵌入自动机器学习流水线，减轻人工目检负担。

可能的问题：跨域泛化差距大，训练数据多样性不足是主因；消融中“w/o low-light”的Top-5高达100%，说明缺少低光输入时模型仍有不错的召回但精确率不足；等方差损失与平滑L1的协作机制还可深入分析。

主要参考文献

[1] Mittal A, Soundararajan R, Bovik A C. Making a “completely blind” image quality analyzer[J]. IEEE Signal Processing Letters, 2013, 20(3): 209-212. (NIQE)

[2] Mittal A, Moorthy A K, Bovik A C. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12): 4695-4708. (BRISQUE)

[3] Ke J, Wang Q, Wang Y, et al. MUSIQ: Multi-scale image quality transformer[C]//Proc. ICCV, 2021: 5128-5137.

[4] Yang S, Wu T, Shi S, et al. MANIQA: Multi-dimension attention network for no-reference image quality assessment[C]//Proc. CVPRW, 2022: 1191-1200.

[5] Su S, Yan Q, Zhu Y, et al. Blindly assess image quality in the wild guided by a self-adaptive hyper network[C]//Proc. CVPR, 2020: 3667-3676. (HyperIQA)

[6] Chen C, Mo J, Hou J, et al. TOPIQ: A top-down approach from semantics to distortions for image quality assessment[J]. IEEE Transactions on Image Processing, 2024, 33: 2404-2418.

[7] Liu Z, Mao H, Wu C Y, et al. A ConvNet for the 2020s[C]//Proc. CVPR, 2022: 11976-11986. (ConvNeXt)

[8] Lin T Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//Proc. CVPR, 2017: 2117-2125. (FPN)

[9] Kendall A, Gal Y. What uncertainties do we need in Bayesian deep learning for computer vision?[C]//Proc. NeurIPS, 2017, 30. (异方差回归)

[10] Yan Q, Feng Y, Zhang C, et al. HVI: A new color space for low-light image enhancement[C]//Proc. CVPR, 2025: 5678-5687. (CIDNet)

[11] Guo X, Li Y, Ling H. LIME: Low-light image enhancement via illumination map estimation[J]. IEEE Transactions on Image Processing, 2017, 26(2): 982-993.

[12] Liu S, Bao C, Cui Z, et al. RealX3D: A physically-degraded 3D benchmark for multi-view visual restoration and reconstruction[J]. arXiv preprint arXiv:2512.23437, 2025.

论文原文：https://arxiv.org/pdf/2607.28127v1.pdf
开源代码：https://github.com/lvmingzhe/BlindPSNR

*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！

低光增强选最优，还在肉眼挑到头秃？BlindPSNR无参考锁定高PSNR候选，省时又省心！📸
想第一时间get这种"从0%到89.5%"的硬核论文？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