武汉大学提出MissHyper：一招修复临床时序预测的“预传播瓶颈”，SOTA三连杀！
病历数据又乱又稀疏？ICU里仪器报警此起彼伏，却常常漏掉关键趋势？武汉大学团队提出的MissHyper，在时序预测前就把同一时间戳的各种指标“合体”成病例快照，让超图模型一上来就有全局视野，三个临床基准统统领先！
标签：涨点神器
共 102 篇
一张黑图就能蒸馏？VCSD让Qwen3-VL全系飙升4.77%
自蒸馏方法通常需要特权答案或视觉证据标注来制造教师-学生不对称性，而本论文来自马里兰大学等机构，提出一个极其简洁的替代方案：只需要一张内容擦除的黑色图像，与原始图像下教师模型的预测做对比，就能构建出有效的自蒸馏目标。在Qwen3-VL和Qwen3.5全系模型上，VCSD稳定提升1.86%-4.77%，且无需外部教师、推理时零开销。方法既巧妙又实用，值得关注。
新方法NSMA：把规则“钉”进神经网络，零样本称霸8大网络！
继2026年6月推过一篇强化学习搞定视频压缩之后，这回ABR领域又来了一个狠角色。电通大团队不仅一针见血地指出：多年来用来测试强化学习ABR策略泛化性的工具（只看平均带宽等统计量）是错的！还顺手把“规则”和“学习”的边界给消融了。 方法是真硬核：把经典码率选择的规则，直接以几何锚点的形式嵌进神经网络的潜在空间里，让网络“想跑偏都难”。训练只用3G数据，零微调
只用自我中心视频，ResNet-18学出偏心度偏好
这篇论文最有意思的地方，不是它又堆了一个更大的模型，而是它故意把模型“眼前能看见什么”这件事掐得很死，然后看它到底会学出什么。结果很反常识：中心看细节，周边看场景，连脑区对齐都能对应上。
RealDefocus基准来了：散焦去模糊终于有统一考场
散焦去模糊最怕的不是模型不够大，而是各说各话、数据各跑各的。RealDefocus Benchmark把统一分割、统一协议、跨数据集验证都摆上台面，终于让“谁更强”不至于靠运气。
Simon-SR：可学习提示+空间调制，超分更稳了
这篇论文的意思很直白：超分不一定非得靠人工文本标注硬喂，模型自己也能学出可用语义，再把语义按空间位置“精准打光”。它把提示学习和空间自适应调制接起来，思路不花哨，但很像能落地的工程方案。
何恺明团队这篇ResNet论文证明：跳连别乱改，1000层才能稳住
这篇论文不靠花活，专盯一个老问题：为什么残差网络一加深就训练不顺。结论很直接——跳连和加法后激活别乱动，保持“直通车”最重要，1000层网络才有机会真的跑起来。
YOLOv8n多种子实测：真实数据更能打
合成数据不是万能药，校园垃圾检测这篇论文把“多造图就涨点”的幻觉直接按在地上摩擦。它最值钱的地方，不是跑赢了谁，而是用多种子评估把“看起来有效”的方法拆穿了。
Eindhoven大学新方法：AE+分割学习省下10.2倍通信
边缘设备想微调大模型，最先炸掉的往往不是显存，而是通信。AE-PSL的思路很实在：先把中间特征压小，再用两阶段对齐把“压缩器”调顺，最后把精度守住。
Sports上Recall@20提升19.33%的去噪方案
多模态推荐最烦的不是“缺特征”，而是“特征里混了太多废话”。这篇 DDMSR 直接把噪声拆成两层处理：先在物品语义图上做低通滤波，再把用户序列丢进频域里抓异常信号，思路很工程，也很实用。
USTC新方法：频域+图去噪提升19.33%
多模态推荐最怕的不是没信息，而是信息里混进了太多“假线索”。这篇 DDMSR 直接把噪声拆成特征层和序列层两刀来切，思路很干净，效果也不虚：四个数据集都稳，训练还比扩散式去噪方案快不少。
VLA-ReID让蜜蜂不再脸盲：HOTA提升1.1
多目标跟踪最怕的不是“看不见”，而是“看见了也分不清”。这篇论文直接把 re-ID 的训练方式改成和推理同一套“整帧竞争”逻辑，再用共性外观抑制去压蜜蜂这种高相似目标的混淆，思路很对症。
