• 咀嚼困难是否与衰弱相关，其关联是否独立于营养不良风险？一项针对老年人的横断面研究

  •在不同咀嚼–营养不良表型中，衰弱患病率从11%到54%不等。•经过更广泛的老年综合调整后，营养不良风险仍与衰弱相关。•仅咀嚼困难的相关性在完整病例分析和插补分析之间存在差异。•联合表型和仅营养不良组在调整后差异不显著。引言衰弱是一种常见的老年综合征，其特征为生理储备下降和对

  来源：Nutrition

  时间：2026-10-26

• DEA-HPE：基于解耦动态适应的不确定性感知水下姿态估计

  •面向自适应水下特征增强的新型轻量级混合专家（MoE）架构。•面向稳健关键点定位的不确定性感知精化模块。•融合环境适应与不确定性的端到端训练策略。•在具有挑战性的UW-Human数据集及标准基准上表现出色。引言水下环境中的人体姿态估计对于众多应用至关重要，包括水上运动训练、海

  来源：Pattern Recognition

  时间：2026-10-26

• REPAIR：有效性引导的智能体规划用于极端复合退化下的图像复原

  •REPAIR 将极端修复构建为受控假设恢复。•有效性优先的筛选机制在感知选择之前过滤假设。•拒绝反馈用于优化约束条件并重新生成缺失的假设。•实验结果支持在压力测试中的鲁棒性，而非声称在原生任务上达到最优。引言标准图像修复通常在明确定义的退化条件下进行评估：去噪假设存在主导性

  来源：Pattern Recognition

  时间：2026-10-26

• 面向结果的图像融合与分割双向增强网络

  •提出了一种级联融合-分割框架。•引入了结果级双向增强。•FSDG和DCSA利用互补的融合线索来增强分割。•SFGC通过掩码引导的伽马校正来增强显著区域。•泊松融合先验指导训练和动态融合设计。引言随着传感器技术的进步以及安防监控和自动驾驶对鲁棒场景理解需求的不断增长，红外与可

  来源：Pattern Recognition

  时间：2026-10-26

• 水下领域偏移下的视频目标分割：一个诊断基准与恢复适配器

  - 我们从外观、定位和身份三个方面诊断水下VOS（视频目标分割）的失败原因。 - UW-VOS提供1431个视频、307,267个掩码标注以及16个细粒度属性。 - ARA利用水下成像先验恢复水生特征。 **引言** 水下视频目标分割（VOS）研究的是在水生领域偏移下的时

  来源：Pattern Recognition

  时间：2026-10-26

• 多模态大语言模型在面部表情识别中的鲁棒性：一项人类对比研究

  •受生物启发的双任务框架评估了多模态大语言模型（MLLM）在语义冲突和信息匮乏条件下的鲁棒性。•多模态大语言模型在面对冲突的组合表情时，无法复制人类的整体加工机制。•从孤立的眼睛线索进行细粒度的情感推理仍然是当前多模态大语言模型面临的重要挑战。•结果表明，人工智能中的统计模式

  来源：Pattern Recognition

  时间：2026-10-26

• 用于无源无监督域适应的轻量级Transformer层与预测一致性损失

  •我们提出了一种基于视觉Transformer的无源域自适应方法。•我们提出将轻量级Transformer层插入冻结的主干网络中。•我们仅更新少量参数以防止源域遗忘。•我们还引入了一种一致性损失以学习更具鲁棒性的特征表示。•我们的方法在四个基准数据集上优于现有的无源域自适应方

  来源：Pattern Recognition

  时间：2026-10-26

• 用于不完整多视图聚类的结构保持判别表示恢复

  •在低维潜在空间中恢复缺失视图，而非在原始特征中恢复。 •利用图滤波传播和张量低秩实现跨视图一致性。 •自适应调节张量秩，降低对人工调参的依赖。 **引言** 在许多实际应用中，数据天然由多个视图描述，这些视图从不同领域捕获互补的特征信息。多视图聚类（MVC）旨在以无监督

  来源：Pattern Recognition

  时间：2026-10-26

• RAM-时尚：面向时尚图像生成的检索增强多模态扩散

  - RAM-Fashion通过检索机制解决可扩展性和预处理方面的局限性。 - 双重一致性检索改善了跨模态对齐和语义一致性。 - 分层引导机制平衡了全局语义与精细视觉细节。 - 多粒度融合增强了属性与风格的精确控制能力。 引言 时尚图像生成已成为计算机视觉领域的一个重要研究

  来源：Pattern Recognition

  时间：2026-10-26

• 单阶段时序动作检测：结合由粗到细辅助监督与非对称边界先验

  •粗到细辅助监督增强训练中的浅层特征学习。 •邻域引导的非对称搜索为边界定位注入先验信息。 •我们的方法在THUMOS14数据集上于IoU 0.6和0.7阈值下分别达到66.5%和51.6%的mAP。 ## 引言 时间动作检测（Temporal Action Detect

  来源：Pattern Recognition

  时间：2026-10-26

知名企业招聘：