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
标签：涨点神器
共 119 篇宁波联队新作：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。
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！
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。
