- 博客(763)
- 收藏
- 关注
RSS订阅原创 登上Science子刊封面的硬核idea：端到端强化学习！
是什么让华科微软地平线争先发文？原来是端到端强化学习！先是性能提升3倍的RAD，再是首个基于GRPO的自动驾驶大模型AlphaDrive，以及纯视觉SOTA模型ReCogDrive，甚至还有的登上了Science子刊封面...只粗略一看，就能体会到端到端RL如今的热门程度，尤其在具身智能和大模型决策这俩赛道，真真是火力全开！其实端到端RL现在就像10年前的深度学习—— 框架未定，山头林立，可发挥空间大，对于论文er来说，是绝好的发文选择。
2025-07-16 17:17:42
487
原创 把“傅里叶变换、注意力机制”组合在一起，这篇文章你一定要看
傅里叶变换+注意力机制，科研界的“当红炸子鸡”！它解决了AI模型的两个致命痛点——长程依赖建模效率低，和复杂信号特征捕捉不充分，应用价值显而易见！自清华FoPE等陆续发布于ICML25之后，这种组合热度飙升，又因其“故事”易讲，创新点包装灵活，成为了顶会顶刊持续青睐的“真香”方向！但值得注意的是，死磕通用架构早已不是这方向发文首选，深入某个垂直领域，针对性解决问题，再讲好故事，想必审稿人会更有兴趣。比如考虑“领域定制滤波”，可快速出成果；
2025-07-14 17:05:56
298
原创 超强组合！CNN+RNN！！
今天聊聊CNN+RNN。这组合确实不算新潮了，但在特定赛道，比如结合新问题或新架构时，还是很有“闷声发论文”的潜力的。还记得新架构TTT吗？在当前纯CNN+RNN结构堆砌难发好文的情况下，这就是一种突破。还有“老结构新问题（农业/生物）”、“新解释（神经机制）”等方向，都是CNN+RNN老树还能开新花的好选择。因此如果有论文er感兴趣，不妨一试。想快速出成果，就做做应用创新；想冲顶会顶刊，可以考虑TTT架构+神经科学解释。本文整理了10篇CNN+RNN前沿论文，帮助各位了解最新进展，找准思路。
2025-07-11 16:29:16
712
原创 顶刊发表：时空预测新突破！精度超10+倍，速度超100+倍
近期，北大团队提出了一个时空预测新架构U-RNN，已发表在Journal of Hydrology（一区TOP）。实验证明，其精度超过现有AI模型10+倍（MAE），速度超过机理模型100+倍！可见到了2025年，时空预测相关的研究有了相当大的突破，如今不仅技术瓶颈松动，应用场景也在疯狂扩张，顶会顶刊成果数目也直线上升。但很显然，对于论文er来说，纯算法创新在这方向已经很难过稿了，未来在能源、交通等垂直领域深挖场景+新技术（比如LLM）适配方面更易突围。
2025-07-10 18:20:05
442
原创 2025必火的发文方向：特征融合+目标检测
分享一个理论有深度（多模态对齐/分布偏移）、场景有痛点（自动驾驶/医疗）、技术有突破空间（动态融合/神经符号结合）的研究方向：特征融合+目标检测。根据近期成果，目前这方向正处在技术突破和应用爆发的双重风口，灌水容易，但想做出深度比较难。建议新手尝试从跨模态鲁棒性切入，加个动态权重分配模块，冲二区问题不大。如果要求比较高，想狙TPAMI这类顶刊，可以试试把脉冲神经网络扩展到多模态融合。
2025-07-08 17:34:31
941
原创 只打高端局的多模态融合，用可解释性再次霸榜CVPR！
有人问可解释的多模态融合到底是不是坑？答曰：卷，但机会犹存。根据CVPR 2025投稿数据，多模态+可解释是三大热门之一，而工业界也同样渴求可解释性...因此这方向可以说需求爆炸，痛点深重，还是很值得卷一卷的。不过对于论文er来说，目前纯刷榜的“可解释后处理”已经越来越难中了，必须把可解释性设计进模型底层。也就是说，发文思路推荐：架构创新 > 垂直应用 > 后处理工具。创新点可着力关系推理、具身解释、边缘部署等。其实说白了，就是找个工业界痛点（如医疗误诊、机器人事故），用可解释性解决它。
2025-07-07 17:15:36
822
原创 2025年Graph+AI Agents最新创新思路
AI Agent，一个当下科技领域特别火爆的概念。发展至今，它规划、记忆、协调等核心功能在处理复杂关系方面遭遇了瓶颈...那么该如何解决？来人，上Graph！Graph以其高效关联分析能力，结合Agent的自主决策优势，完美实现复杂关系的高效推理与动态决策！鉴于如此优势，Graph+AI Agents自然成为了一个高潜力、强创新的研究方向，不仅拥有广泛的应用场景，相对应的学术研究也十分火热。但在多模态扩展、高效协作、深度推理三方面，这方向仍然存在空白，强推各位论文er关注！
2025-07-04 17:28:02
638
原创 多模态医学图像创新突破，成果登上Nature正刊！
医学人工智能领域有个很火的方向：多模态医学图像。最近，哈佛等团队在Nature正刊上发表了相关文章，讲述了多模态生成式AI在医学图像解读中的应用，非常值得该方向的同学研读。实际上，多模态医学图像的论文在顶会/顶刊接受率向来高，尤其近半年，多项工作入选CVPR、AAAI、中科院TOP刊等。这方向虽然竞争日益激烈，但在罕见病诊疗、基层医疗、多组学融合等场景仍然存在大量创新空间，如果想发论文，还是很推荐关注的。
2025-07-03 17:08:14
760
原创 Nature+CVPR双杀！Transformer热度狂飙，何恺明、李飞飞都参与了
要问哪个是当下最流行的模型结构，那必然是Transformer。尤其近几年，因为LLM大行其道，我们对Transformer的探索热情成倍上升。具体体现在各方大佬发布的诸多成果上，比如李飞飞团队的FlowMo、字节seed出品的SAIL、何恺明CVPR2025新作、微软Spectformer...CVPR/ICLR/nature methods等顶会顶刊上相关研究也数目繁多，可谓盛况空前。细看之下，Transformer目前主要有两大创新路径：改进和应用。
2025-06-30 17:40:01
739
原创 PINN又爆创新！算法小改，百倍加速！
学术界大明星PINN又新爆了不少好东西，近期的就有权威期刊JCP2025上的VS-PINN，算法小改一下，就比原生PINN加速近百倍！另外还有个经典作Stiff-pinn，单单今年就被引100次！需知PINN能大大降低实验难度，是“水”论文的一把好手，这波爆发想必又有发挥（搞创新）空间了~细看这俩的创新算是PINN的优化与训练策略类，除此以外，PINN还有自适应、采样与离散化、与其他技术结合等主要创新路径，尤其自适应，物理方程不够，神经网络来凑；
2025-06-27 18:25:06
469
原创 左手Nature，右手CVPR！持续学习(Continual Learning)才是2025发文捷径！
深度学习中，“灾难性遗忘”是个不可避免的问题，而持续学习的出现打破了这一困境，它能让模型在多个任务间顺序学习而不遗忘旧知识，同时具备适应新任务的能力。鉴于如此优势，持续学习的研究一直是AI领域的核心议题，目前也正处于爆发期。结合2025年最新动态（CVPR25的SEMA、nature子刊的CH-HNN），创新主要聚焦突破单一任务的局限，具体点说就是结合联邦学习、元学习等交叉技术，向多模态、动态环境、资源高效、可解释性等方向演进。
2025-06-25 17:17:49
479
原创 这思路逆天了！注意力机制+CLIP霸榜顶会，直接带飞发文之路！
这种结合可以通过动态对齐、上下文感知和并行计算，显著提升多模态任务的性能。在多模态爆火的当下，算是热点赛道。得益于其创新，这方向现处创新爆发期，可参考成果丰富。比如CVPR 2025的DiTCtrl、AAAI 2025的Clip-cid、STDD、IJCV的WeakCLIP...高产盛况可见一斑。如果感兴趣的同学想上车，可以先看我整理的了解前沿，代码基本有。创新的话建议大家侧重“小改动大提升”，优先选择差分注意力扩展、医疗/工业细粒度适配、生成式协同框架等方向切入，快速产出成果。
2025-06-23 17:51:36
428
原创 (CVPR 2025)可变形Mamba再度进化！SOTA性能炸裂，涨点起飞
今年看mamba又中了一堆顶会，尤其CVPR 2025，这发文潜力有目共睹。其中比较值得关注的有个可变形Mamba，大连理工发布的DefMamba，全球首个可变形扫描视觉Mamba框架，实现四大任务性能全面SOTA。可变形Mamba作为SSM的动态扩展，拥有“动态效率平衡”核心优势，它的理论延展性和应用多样性（医疗、生物）为研究提供了多个发力点，创新空间可观。今年推荐各位论文er优先以医疗影像分割与视频时序建模作为突破场景，再结合混合架构、3D扩展搞创新，发高区机会大。
2025-06-18 16:56:15
514
1
原创 2025年深度学习+多目标优化最新创新思路
围观了港科大等团队的最新综述，发现深度学习+多目标优化近年来也是话题多多，尤其在图像生成、自动驾驶、大模型训练等场景中呈现爆发式增长。简单说来，这种技术不仅能解决传统单目标优化的局限性，还能让模型在复杂场景中实现多任务协同提升，成为当前顶会抢发热点也不奇怪。更别说这方向正处于技术红利期，无论是算法创新还是场景开拓都很有空间。比如应用型研究（医疗/通信/环保）+大模型对齐就比较容易出成果，创新切入点推荐小而精（改经典算法）、跨学科（+脑机接口）等。
2025-06-11 18:21:32
886
原创 Nature发表！多尺度强化学习重大成果！
最近《Nature》上有一篇多尺度强化学习的新工作，讲的是大脑中的多时间尺度强化学习，具体细节可看下文解析。这方向是目前复杂系统智能化的核心技术，凭借分层决策与动态适应性在工业界有广泛的应用前景。相信有些论文er已经发现了，这些优势也契合了当下的趋势（AI正不断向复杂场景渗透），可以预见，多尺度RL即将迎来爆发式增长机遇。近期的一些高区成果也表明，这方向已跻身顶会顶刊录用率攀升的热门赛道。为帮助各位快速上车，我整理了9篇多尺度强化学习新成果，有代码的已经附上了。
2025-06-10 18:01:01
427
原创 Mamba+物理信息原理！清华都在做的论文大杀器！
不久前清华祭出了一种长序列建模大杀器——PhyxMamba框架，创新性地将Mamba与物理信息原理相结合，为混沌系统的长期预测提供了新思路！这种创新非常值得论文er关注，一是因为Mamba+物理信息原理属于俩大热门结合，高效性配上可解释性，在众多工业场景中都很有话题度，发展前景可观；二是，这方向交叉性很强，现有研究较少，更容易找到创新切入点。如果感兴趣，建议优先选择与现有Mamba工作结合紧密的领域（如图像处理）进行突破，再逐步扩展到生物医学等复杂场景。
2025-06-09 17:45:42
375
原创 贝叶斯深度学习！华科大《Nat. Commun.》发表BNN重大突破！
华科大提出基于贝叶斯深度学习的超分辨率成像，成功被Nat. Commun.收录。可以说，这是近期最值得关注的成果之一了。另外还有AAAI 2025上的Bella新框架，计算成本降低了99.7%，也非常值得研读。显然鉴于BNN“不确定性建模”与“概率推理”的优势，这类BNN研究随着数据可靠性需求的激增，已经逐渐成为AI领域炙手可热的研究方向，顶会顶刊占坑无数，尤其在医疗诊断、自动驾驶等高风险场景中尤为受欢迎。不过值得注意的是，当前BNN的研究呈现三大创新趋势：跨学科融合、多模态优化、小样本突破。
2025-06-06 18:22:22
1159
原创 入选中科院一区TOP！基于YOLO和卡尔曼滤波的目标检测新SOTA！
分享个目标检测和跟踪领域的黄金组合：YOLO+卡尔曼滤波！近年来自动驾驶、工业自动化等场景需求激增，这类拥有实时性、多目标处理能力和鲁棒性等优势的组合也因此广受青睐，迅速跻身顶会顶刊热门研究方向，高质量成果不少。比如四川大学新提出一种无人机分层搜索方法，在六种不同环境中都性能优越，成功登上中科院1区TOP！还有顶会的Kalman-YOLO方法...大多成果的创新基本围绕动态模型优化、多模态融合、轻量化设计等多维角度，如果有同学想搞，也推荐考虑这些思路。
2025-06-05 19:13:35
344
原创 频域+时间序列，一行代码稳定提升预测精度！
以往传统时域建模一直占据主导，但如今频域研究异军突起，与时间序列结合，能挖掘出更丰富信息，显著提升模型性能与预测精度。因此，频域+时间序列逐渐成为学术焦点，在金融风控、医疗信号分析、工业预测等领域都实现了突破性应用！比如最近ICLR 2025上的FreDF，只需加入一行代码，就能在主流模型上实现预测精度的稳定提升！还有一区TOP上的TFDNet，在多个基准数据集上均超越SOTA！显然这方向已经成为了顶会顶刊常客。
2025-06-04 19:11:52
357
原创 中稿⁺¹ ！多模态学习+注意力机制再登顶会！新成果GPU内存消耗减半
深度学习找不到创新点？。作为多模态学习和注意力机制这俩大热点的结合，交叉注意力融合凭借动态对齐与高效建模的优势，在众多多模态任务（比如图像-文本匹配）中脱颖而出，发展前景相当可观，成功成为。这方向尤其在高效计算、弱监督任务中容易产出创新点，而且根据近年顶会顶刊的收录情况，轻量化、自适应融合、弱监督学习等方向非常值得关注。比如CrossMamba方法，在目标声音提取任务中，参数量减少的同时，既保持了高效计算，又显著提升了性能。
2025-06-03 17:00:54
716
原创 提速400倍！物理信息卷积神经网络登上中科院一区TOP！
今天来聊聊物理信息卷积神经网络PICNN。大家还熟悉PINN吧，当红辣子鸡。PICNN作为PINN的一种变体，引入了卷积层来增强对空间数据的处理能力，在涉及空间特征的场景下会比PINN更高效。因此最近的PICNN在特定垂直领域（比如工程仿真）热度明显上升，各大顶会顶刊都出现了不少相关研究。比如中科院一区TOP上一种基于PICNN的方法、提速400倍的微电网经济调度新方法。为方便各位快速了解这些成果，我从中挑选了9篇最新的值得研读文章分享，可用作参考。
2025-05-30 18:27:27
704
原创 找到了目标检测最好的发论文的idea！简单易上手！
有人说目标检测不好做了？可不见得，作为计算机视觉的核心任务之一，它在2025年仍将是研究热点，也依然会是我们“水”论文的好选择（doge）。不过这方向如今确实卷，而且研究重心正从“精度竞争”转向“实际应用落地”和“解决长尾问题”。比如典型代表YOLO，创新主要围绕引入注意力机制、模型轻量化、与其他新技术结合、损失函数优化、数据增强等等，更注重模型的“实用性”。至于更广泛的目标检测，目前的主流创新思路还是transformer-based、基于多层感知机、扩散模型，还有近期热门的大模型时代的目标检测等。
2025-05-29 19:39:26
1036
原创 多模态融合可能是现在或者未来一段时间最好发论文的方向了！
多模态融合，一个2025年仍然处于爆发期的热门方向，还在持续吸引学术界与工业界的投入。作为顶会顶刊常客，它也依然是当前最好发论文的方向之一。目前，这方向主流的创新思路主要有两大类：改进类创新和结合类创新。改进类创新如可解释多模态融合，核心目标在于实现性能提升。而结合类指的是多模态与其他技术协同，这方面根据结合的具体技术、目标和实现方式，可进一步区分为3个层次（任务、方法、模型）。
2025-05-28 18:18:37
909
原创 无监督强化学习新突破！无需标注，性能飙升159%！
最近，强化学习的一项突破帮助我们向AGI又迈进了一大步！那就是清华&上海AI Lab的Test-Time RL（测试时强化学习），无需标注，模型自学，性能飙升159%！Test-Time RL是一种无监督强化学习方法，相较于传统强化学习，这类方法可以解决依赖人工奖励、数据效率低、探索能力弱等问题，有很强的自主性、高效性和适应性，特别适合在奖励稀疏、环境未知或任务复杂的情况下应用，发展前景广阔。
2025-05-27 17:22:28
425
原创 接Accept！“机器学习+SHAP”发文大有可为，轻松拿下一区SCI！
在需要高可解释性且数据复杂的场景，比如医疗、法律、工业等，机器学习+SHAP是个潜力巨大的研究方向，目前也已经成为了学术热点。这是因为这种结合拥有提供模型可解释性、公平性检测、模型调试和优化、业务场景适配等能力，在增强机器学习模型的透明度和可信度方面遥遥领先，解决了我们对可解释性的迫切需求。这种研究热情也体现在近期的成果上，多个中科院TOP期刊都发表了相关论文，推荐感兴趣的同学关注。这边为了帮各位节省查询的时间，我已经整理好了11篇机器学习+SHAP新论文，需要的自取~
2025-05-26 18:20:03
312
原创 用CNN做时间序列预测，拿下多篇中科院一区TOP！
在处理复杂、高维和非线性的时间序列数据上，会比传统方法更适合，可以给我们提供更强的建模能力、更高的计算效率和更好的扩展性。这些优势同时也带来了巨大的发展空间，目前该方向已经成功应用于金融、能源、医疗、环境监测等多个领域，多项突破性成果登上中科院一区TOP，已然成为当前的热门研究方向。为了方便感兴趣的同学找参考，加快论文进度，我从近期中挑选了，都是值得深入研读的paper，需要的同学可无偿获取。全部论文+开源代码需要的同学看文末。
2025-05-23 17:50:21
665
原创 贝叶斯优化+CNN+LSTM=小论文创新点
2周速成小论文可能吗？有点悬，但有可能。这种“三结合”的优势在于技术成熟度高（经典CNN和LSTM）、创新点灵活性强：如果不改模型结构，可以做新场景应用、超参数优化对比、轻量级创新...再加上实验可模块化，目前已成为机器学习领域热门投稿方向！感兴趣的同学速速关注。另外我也多提一嘴，对于论文er来说，小论文要的不是0到1，而是0.5到0.8，有合适的参考才能更快找到idea！为了帮各位省掉找参考的步骤，加速论文进度，我已备好，无偿分享~全部论文+开源代码需要的同学看文末。
2025-05-20 19:04:17
883
原创 只做注意力机制怕是不够了，想要高分得加快速傅里叶变换！
快速傅里叶变换FFT，信号处理的经典算法，通过结合学术热点注意力机制，可以有效解决传统CNN在长程依赖建模、计算效率优化等核心问题上的局限性，应用扩展性高，尤其适合多模态融合等复杂任务。这方向目前已在ICLR等顶会中频繁出现，微软等也提出过SpectFormer，在各CV任务中取得了SOTA性能！可见对论文er来说，无疑是个创新性高，顶会接受度好，适合发论文的研究方向，推荐有论文需求的同学关注。
2025-05-20 10:07:15
958
原创 LSTM+时间序列异常检测，发文香饽饽！
是目前比较活跃的研究方向，它解决了传统方法在长依赖建模、非线性适配、自动化特征提取等方面的不足，有效提升时序异常检测的性能，是工业物联网、金融风控等领域重要的、值得深入学习的技术。这方向也是，成果产出不少。如果单纯想发论文，可突出一下应用创新和工程优化。如果是有高区需求，还是建议往理论创新（比如新型架构）或跨领域应用方面深入探索，同时也需关注前沿技术，方便引用（比如VAE-LSTM）。我这边已经帮大家整理好了，开源代码已附，如果实在没思路，或者复现遇到困难，欢迎来交流。
2025-05-16 18:49:24
598
原创 2025年，多模态特征融合只会更火
从近期各大顶会的论文占比上就可以看出，这方向仍然是今年的发文热点，尤其在医学、自动驾驶等垂直领域。现在顶会对解决实际问题的创新方法接受度较高，而多模态特征融合能够，又得益于其通用性，在教育、娱乐、人机交互等多样化场景中都十分适用。因此这方向无论是创新性，还是发展前景都非常可观，论文er可冲。同时也建议各位结合Mamba等新兴模型与具体应用场景做创新。我这边整理了，可用作参考，需要的同学自取。全部论文+开源代码需要的同学看文末。
2025-05-15 19:53:46
1073
原创 PINN与KAN终于结合起来了！发SCI一区Top超简单的！
当前仍处于早期阶段，关于它的研究还在不断探索中。最近发现它有不少值得关注的成果，比如ESWA的自监督网格生成方法MeshKINN、CMAME的神经网络框架KAN-ODEs。这方向的优势在于既能够遵循物理规律，又能够结合领域知识，给我们提供更透明、更可靠的解释，在需要高可解释性的复杂任务中非常适用，因此是工业界的香饽饽，很适合相关领域有论文需求的同学研究。至于创新点，未来可能会往等方面突破，不过这方向代码实现的复杂度较高，建议大家结合具体应用场景做创新。如果需要参考，可直接拿我整理的，开源代码已附。
2025-05-14 17:58:18
735
原创 强化学习的大杀器！登上《Nature》正刊！
9年前AlphaGo杀穿围棋界，如今的Deepseek-R1引爆AI圈，强化学习的长久影响力有目共睹。作为当今AI领域最热门的词汇之一，2025年强化学习依然会是重点研究方向。在最近的RL研究成果中，《Nature》正刊上的Dreamer算法值得关注，它涉及到了未来不可忽视的方向：“通用强化学习”。如果是想要发RL相关论文的同学，强烈推荐研读。另外还有一些RL研究方向，比如当下正热门的RLHF、样本效率提升、多智能体强化学习等，创新多容易出成果。
2025-05-13 18:39:47
1218
1
原创 2025年，大模型LLM还有哪些可研究的方向？
近两年LLM在学术界与工业界的发展大家都有目共睹。到了今年，以预训练LLM为代表的大模型PK上半场已然结束，接下来就要进入下半场大模型2.0时代了。那么在这新赛道，关于大模型我们还有什么可做的创新？要知道，如今的大模型研究已经从单纯的"规模竞赛"转向"效能突破"与"应用重构"，研究者们致力于构建可持续进化的智能生态系统。因此，多模态大模型、智能体agent等这类围绕大模型技术演进核心矛盾的方向尤其值得关注。
2025-05-13 14:02:15
607
原创 顶刊风向标！Attention+LSTM+特征融合制霸中科院一区！
Attention+LSTM+特征融合，时间序列预测的主流方法之一。这种结合的优势在于动态特征筛选与多源数据整合能力，特别适合处理复杂时序关系，在工业预测、金融股价预测等应用场景如鱼得水。这方向目前也是中科院一区常客，比如ESWA上的CIR-DFENet框架、Energy and AI上的DGL-STFA、EAAI上的GD-CAF 模型...我从中挑选了14篇Attention+LSTM+特征融合新论文，整理好了原文PDF和代码，方便需要参考的同学找idea。如果实在没思路，可以考虑往跨领域迁移、多模态融合
2025-05-08 17:39:37
1086
原创 “SAM+多模态图像融合”这个idea一出，就有人用它发了CCF-A！
SAM自推出以来，已经广泛应用于CV各任务，各种创新层出不穷。到了2025年，SAM仍然有相当大的优化空间，尤其是通过结合多模态图像融合，可以进一步提高分割精度和效率，增强适应性，大幅拓宽应用场景。对论文er来说，这也意味着创新空间更大了。目前在CVPR、IJCAI等顶会上已经出现了不少相关成果，比如性能超越SOTA的SAGE方法、鲁棒多模态3D目标检测框架RoboFusion。感兴趣的论文er抓紧时机！
2025-05-07 17:52:25
843
原创 CNN+Transformer+Mamba，多热点联合=不撞车+高分保证√
CNN的局部感知，加上Transformer的全局视野，再加上Mamba的高效建模，能产生怎样的火花？厦大图像修复模型RestorMixer给出了答案，它在多个图像恢复任务中都实现了SOTA性能。事实上，这类结合Mamba、CNN和Transformer的混合架构是当下深度学习领域的热门研究方向，不仅适合发论文，也能推动模型在效率与性能上的双重突破，在工业界应用前景相当广阔（比如腾讯混元T1）。
2025-05-06 18:10:28
772
原创 2025时间序列都有哪些创新点可做——总结篇
作为AI和数据科学的核心方向之一，在2025年依然保持着强劲的发展势头，稳站各大顶会顶刊投稿主题前列。关于它的研究，目前在结合传统统计方法和深度学习的基础上，已延伸至频域等数理工具与神经网络的交叉创新。同时针对垂直领域痛点的算法优化也成为重点突破方向。本文汇总了2025年时间序列一些可做的创新点，来自，分为算法融合、模型架构、算法优化、训练技巧、数据增强5个大方向，涵盖上述频域+时序、小波变换+时序等热门组合。全部论文+开源代码需要的同学看文末。
2025-04-25 18:00:35
1004
1
原创 SAM进化版开源！100倍推理加速！这思路简直杀疯了...
尽管SAM在处理大规模序列比对数据上难以替代，但它在速度、准确性、灵活性及功能扩展方面仍然有所欠缺。为了解决这些问题，研究者们，比如近期清华＆英伟达推出的SAMEO框架，以及实现100倍的加速推理的TinySAM。另外还有很多成果已被顶会顶刊收录，简单看了点就有ICLR 2025上的MTSAM、SAMRefiner两篇，Nature Methods（中科院1区）的μSAM工具...可见现在有关SAM的研究有多热门。为了方便论文er快速了解前沿，这次我从中挑选了。
2025-04-23 17:44:35
578
原创 Mamba还能这么玩？新SOTA横扫14个图像修复任务，计算量降低150倍！
核心优势在于Mamba的长序列建模能力，可以替代Transformer，在高分辨率或复杂场景的实时修复等任务中优势显著。这意味着，Mamba+图像修复会在热门的医学图像、自动驾驶等领域发展迅猛，落地前景可观。再加上，近年主流顶会（比如CVPR）对SSM类模型接受度较高，比如横扫14个图像修复任务的MaIR、降低150倍计算复杂度的Serpent...非常适合有论文需求的同学研究。本文整理了，大多都开源了，想快速出成果的同学可以直接拿来做参考，同时也建议从等角度做创新，比较容易上手。
2025-04-22 17:55:46
864
原创 高分利器：Transformer+图像处理！创新性绝了，3位 IEEE Fellow推荐的含金量！
Transformer还能怎么做创新？西工大＆台湾清华等3位 IEEE Fellow给出了思路：一种异构窗口 Transformer的图像处理方法，在去噪时间上仅占流行Restormer的30%。其实，近两年一直很活跃，因为Transformer核心的自注意力机制比CNN更能灵活处理目标检测、分割等CV任务，尤其是高效结构设计、跨模态应用和领域适配等。因此这个方向的研究多，顶会顶刊成果也不少，比如IEEE TIP的SENet、CVPR 2025的PFT模型...都值得研读。
2025-04-21 18:42:38
343
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人