4.9倍吞吐反超SODiff，JPEG修复终于不挑硬件了
先聊一个很多人每天都会碰到、但完全没意识到的问题：你手机相册里那一张张照片，绝大多数都是JPEG格式。JPEG为什么能统治世界这么多年？因为它用一个巧妙的"分块变换+量化"策略，用很小的体积换来了还算能看的画质。
标签：损失函数
共 24 篇
根特大学最新研究：频谱自适应损失让高频重建误差直降15%
语音增强有个老毛病——噪声压下去了，说话声的高频细节也跟着"缩水"了。根特大学这回不堆模型，而是从损失函数下手，让网络学会按频率和语音能量"区别对待"，高频重建误差直降15%以上。方法轻巧，思路值得一看。
语义损失全方位效果优于加边方案：省参数还涨点，BioKG提升最猛
知识图谱里明明写着“A是B的子类”，模型却视而不见？查尔姆斯理工把这种类层级关系变成“语义损失”约束，让链接预测MRR在BioKG上直接涨了15.5%，而且比把层级关系硬塞成图边更省参数。想在KG嵌入里优雅地利用本体的同学，这篇值得细读。
电子科大等提出FreqDiff：频域扩散让四大基准16项指标全面SOTA
想象一个场景：某情报分析系统正在滚动监测全球事件流，屏幕突然弹出一条提示——“未来一周，A国可能与B国启动贸易谈判”。
去噪+分类一体两吃：这家新方法给USV分析送来“干净耳朵”
夜深人静，研究员对着硬盘里几十TB的野外小鼠录音发愁：录音里除了小鼠50kHz以上的超声“对唱”，还有空调、风扇、鼠笼碰撞、脚步等各色噪声，信号早被压到墙角。
ACM MM 2026：让超分模型学会"随机应变"？测试时自适应让模糊视频秒变清晰
视频超分模型碰到真实世界里的压缩伪影、噪点、模糊就翻车，这是老难题了。这篇论文把「测试时自适应」玩出了花：不重新训练、不要高清参考，AI模型边推理边自我调整，画质和文字清晰度都有实打实的提升。思路接地气，实验做得很扎实，值得一读。
最新SOTA！多目标强化学习不用改算法，只换网络结构就能让HV暴涨132%？
单目标强化学习靠“换网络结构”就能白捡一大截性能，多目标强化学习却还在算法泥潭里打转？马萨里克大学和阿托大学的最新研究直接把SimbaV2架构搬进MORL，HV暴涨132%，证明“算法不够，架构来凑”这条路在多目标领域同样走得通。对正纠结算法创新还是架构升级的读者来说，这篇论文给出了一个极具性价比的新方向。
多元时序预测新损失CvLoss：114组对比111胜，零推理开销
多元时间序列预测最被忽视的角落，其实是未来变量之间"一起涨跌"的结构关系。这篇来自悉尼科技大学、清华和港科大广州的工作提出CvLoss，一个即插即用的损失正则项，不改模型结构就能在114组受控对比中拿下111胜，推理还零开销。
CVPR 2026：一招M2B变换消除框形偏置，弱监督分割Dice飙至85.9%
医学图像分割的像素级标注成本高得离谱，边界框标注是更经济的替代，但框形偏置总会让预测结果“方方正正”。深圳大学在CVPR 2026提出的WeakMed，用一招Mask-to-Box变换和尺度一致性损失，巧妙地把框形偏置化解于无形，在9个数据集上全面超越现有弱监督方法，甚至逼近全监督。这对于想低成本部署医学分割的团队来说，简直是及时雨。
2026最新！弗吉尼亚大学Lantern：物理引导扩散不崩生成，FPD持平纯去噪
这篇来自弗吉尼亚大学的Lantern直面物理引导扩散在量热器模拟中的梯度冲突问题，设计GradBlend让物理辅助损失不妨碍生成保真度，并引入新度量CFD诊断层间与体素相关性。实验显示Lantern在FPD上持平纯去噪基线，而普通多任务方法性能崩溃2-100倍。对想给生成模型加物理约束的团队极有启发性。
CVPR 2026新作：TALON让OCD测试时也能学习
这篇论文最有意思的地方，不是把类别发现做得更准，而是把“测试时不能学”这条老规矩掀了桌子。TALON直接把原型和编码器拉进在线自适应流程里，让模型在推理流里边看边学，顺手还把哈希编码这层“信息损耗滤镜”给拆了。
Yale新方法FD-loss：让医学图像生成更像真肿瘤，分割DSC提升超5%
这篇论文很实在：不跟生成模型纠缠“像不像”，而是直接问“合成数据能不能把分割做对”。FD-loss把分布对齐塞进医学图像生成训练里，结果不是纸面分数好看，而是下游分割真涨点。
