中南财大首个SNN全能修图：31.6dB媲美ANN，能耗仅1/5
脉冲神经网络历来以“省电”闻名，可让它直接处理静态RGB图，就像让旱鸭子下水——有点为难它。中南财大等机构这次直接把SNN拉进全能图像修复赛道：性能追平ANN，能耗只有人家的五分之一，16.8mJ就能搞定一整套修复流程。
标签：涨点神器
共 102 篇
百度等揭示投机解码"有损加速"陷阱：任务越难，质量掉得越狠！
大模型推理加速是刚需，但"放水"换速度的代价到底是什么？这篇来自百度等团队的工作把有损验证方法扒了个底朝天，用严谨实验揭示了一个反直觉结论：任务越难，截断式验证的质量掉得越狠。看完这篇，再也不敢随便用"有损加速"了。
比单图SR强太多？多视图+序列人脸超分还能顺便提升Re-ID
人脸超分一直有个尴尬：单张低清图怎么补也补不出真实五官。这篇韩国三校合作的工作干脆“摇人”——把同一个人的多张低清监控图凑在一起，用Transformer把身份特征统一起来，再靠级联网络一步步把脸“画”清晰，顺便把行人再识别也推进了一把。思路简单粗暴，效果却很能打。
西南大学新方法：Titans+卡尔曼滤波，冷启动推荐效果飙升2%+
冷启动推荐一直是个老大难问题，新物品刚上线，缺反馈、随时间变化，模型到底该信谁？西南大学的这项研究脑洞大开，把Titans的记忆机制和卡尔曼滤波的时序建模结合起来，用后验协方差作为“不确定性信号”来引导静态语义和时序特征的融合。这一招让推荐效果直接起飞，非常值得关注。
东南大学提出DREvo：5个基准测试全面领先，平均提升16.2%
继2025年6月推过智能体基准评测之后，龙哥又盯上了智能体自演化的“可靠性”痛点。东南大学这篇DREvo，把历史经验当作“过期货”来查保质期，还能自动提炼出下一步修改方向，五个基准全超之前方法，平均提升16.2%，自我进化终于不再原地打转！
零参数推理！QueenVIS用两个辅助头搞定视频实例分割
视频实例分割通常需要昂贵的视频标注和复杂的时序建模，但QueenVIS仅用单帧图像训练就拿到了接近SOTA的结果。它通过两个轻量辅助头把外观和空间先验注入Transformer查询，推理时零参数开销，在长视频上提升10.3 AP，简直是为标注稀缺场景量身打造。方法干净、实用，值得工程团队关注。
图像训练逆袭！QueenVIS视频分割零参数涨10.3 AP
视频实例分割的“天价标注”让人头疼，QueenVIS却告诉你：只用单帧图像训练，效果堪比视频监督！它通过两个超级简单的辅助头（特征预测+中心预测）把外观和空间先验注入查询向量，推理时零开销、零参数增加。在YouTube-VIS长视频上直接飙了10.3 AP，比很多视频监督模型还稳。代码已开源，值得一试！
人大&阿里联合提出PSD：零额外参数的自蒸馏框架
序列推荐通常只用one-hot标签训练，浪费了用户序列中大量的“未来”信息。本文核心想法极其简洁：让同一个Transformer模型同时担任教师和学生——教师看未来，学生只看过去，通过门控蒸馏只传递“可达”的知识。不需要额外参数、不需要预训练教师、不改推理过程，在SASRec、BERT4Rec、UniSRec三大骨干上平均提升19.8%，远超现有蒸馏策略。强
宁波联队新作：重尾残差下PG噪声稳健估算，PSNR再涨1.9dB
当你在暗光下按下快门，CMOS传感器捕获的RAW数据里，既有光子打上去的散粒噪声，又有电路本身的读取噪声，混合在一起，让那些在实验室里表现神勇的“高斯去噪器”瞬间歇菜。这篇论文不打新网络架构，而是从噪声建模的老祖宗——方差稳定化出发，用一招“甩锅”重尾残差的稳健拟合，愣是把GAT+预训练模型这条老路走通了，而且走得很稳。对于想省掉重新训练模型成本、直接用现有
伦斯勒理工最新方法：G*2-Net搭建双层图网络，用二阶优化学连接
病理图像分析中，细胞空间结构是关键诊断线索，但传统启发式图结构无法自适应学习。G*2-Net巧妙地将图像级图结构学习转化为二阶双层优化问题，用DARTS式一步展开避免高昂计算，在三个数据集上全面超越现有方法。值得关注的是，其可学习图结构为模型提供了更好的解释性。
国立成功大学新突破：LLM引导食物分割，即插即用模块mIoU达55.0
食物分割里，豆腐和芝士经常被搞混？国立成功大学这篇工作用一个巧妙的思路——让大语言模型（GPT-o4 mini）根据图像猜出食材名称，再把食材标签嵌入视觉特征或解码器查询中，实现精准分割。两个模块完全即插即用，在FoodSeg103上刷新SOTA达到55.0 mIoU，且仅增加3.8GB显存开销。不用搞什么对齐训练，拿来就能涨点，实用派狂喜！
心脏电生理模拟泛化能力提升4-6倍！物理信息学习遇上变形梯度
当你的AI模型面对不同形状的训练数据时，是不是每次都要重新训练？挪威团队提出潜变量PDE映射，只需把不同几何的物理方程通过变形梯度“拉”到一个标准形状上，就能让模型用超少样本学会处理新形状。在心脏电生理模拟上，对旋转几何的误差直降4倍！物理信息机器学习爱好者不容错过。
