当前位置:首页 > 今日动态 > 科研动态/国外
  • 基于雾霾先验感知的高效双域图像去雾算法

    •DGFDNet 明确地对不同领域和阶段的退化线索进行了对齐。•HAFM 通过暗通道引导实现全局频谱调制。•MGAM 通过多尺度门控聚合来恢复细节。•PCGB 通过迭代反馈 refinement 动态校正先验。•在基准测试中实现了最高性能(SOTA),同时效率很高。引言在雾天条件

    来源:Pattern Recognition

    时间:2026-09-21

  • ProSplat:面向3D高斯泼溅的由粗到细瞬态干扰移除

    **摘要** - 我们提出了 ProSplat,一种用于无瞬态 3DGS 重建的鲁棒框架。 - 通过不确定性估计和掩码细化实现像素级的干扰物去除。 - 自适应密度控制策略平衡了干扰物抑制与细节保留。 - ProSplat 在多个具有挑战性的公开数据集上取得了优异的性能。 *

    来源:Pattern Recognition

    时间:2026-09-21

  • DDENet:一种用于低光照光场的双域增强网络

    •一种新颖的双域增强策略及其实例化,DDENet。我们提出了一个协同框架,通过利用小波域实现噪声鲁棒、角度一致的照明恢复,同时利用像素域通过空间-角度相关性进行细节细化,从而显著解耦低光光场增强。•大量实验展示了最先进的性能。在多个基准数据集上的综合评估验证了DDENet在亮

    来源:Pattern Recognition

    时间:2026-09-21

  • 基于整体事件感知与匹配的视频大语言模型时间定位

    •我们引入一个特殊的 <evt> token,用于聚合查询事件所有帧的信息,从而保留语义的连续性和完整性,以实现准确的匹配。•我们引入 Savitzky-Golay 平滑技术,以抑制 token 与帧之间相似度的噪声和突变,显著提升了预测精度。•我们利用多粒度帧特征来增强匹配

    来源:Pattern Recognition

    时间:2026-09-21

  • 用于单细胞多组学整合聚类的鲁棒图正则化多视图非负矩阵三分解

    •投影三因子分解桥接了稀疏多组学数据中的模态差距。•动态子流形正则化将图复杂度降低至 O(K̂²)。•斯梯费尔流形正交约束保证了可解释的聚类。•scRG-NMTF 在 8 个多组学数据集上实现了最先进的准确性。引言单细胞测序技术彻底改变了细胞异质性的解析 [1]。最近,多组学

    来源:Pattern Recognition

    时间:2026-09-21

  • 用于少样本语义分割的模态一致视觉增强网络

    •提出 MCVE-Net 以实现模态一致的小样本分割。 •引入 VRA 以捕获具有判别力的 CLIP 视觉特征。 •设计 ASPR 通过注意力优化来细化粗糙先验。 •解决 FSS 中的视觉多样性和模态差距问题。 •在 PASCAL-5i 和 COCO-20i 上取得最先进(S

    来源:Pattern Recognition

    时间:2026-09-21

  • 用于3D人体运动预测的前向与反向序列间空间依赖性的部分共享

    •我们进一步将空间依赖语义划分为动作级和序列级。 •我们挖掘了反向序列在空间依赖建模中被忽视的价值。 •我们提出了一种用于 HMP 的动作级空间依赖共享方法。 •该方法与各种 HMP 模型集成,显著提升了预测精度。 •该方法仅在训练期间生效,无额外推理成本。 引言 3D 人体

    来源:Pattern Recognition

    时间:2026-09-21

  • 分数阶模糊认知图:多变量时间序列长期预测框架

    - 提出分数阶模糊认知图(FFCM)以实现连续时间建模,捕捉长期依赖关系。 - 自动学习分数阶阶数,降低参数复杂度并缓解过拟合问题。 - 采用"Z形"并行预测结构以提高效率并减少误差累积。 **引言** 多变量时间序列(MTS)预测利用多变量历史数据来预测未来状态,广泛应

    来源:Pattern Recognition

    时间:2026-09-21

  • MEFCL:面向图推荐的可靠性感知多视图边过滤对比学习

    •提出了一种用于稳健推荐的多视图边缘过滤对比学习框架。•联合学习局部与全局协同视图以获得互补语义。•整合PageRank与WL核以估计边级可靠性。•通过可靠性感知过滤构建抗噪对比视图。•大量实验验证了MEFCL的准确性与鲁棒性。引言随着在线信息和用户生成内容的快速增长,推荐系

    来源:Pattern Recognition

    时间:2026-09-21

  • JCF-NMF:通过联合凸融合非负矩阵分解(Joint Convex-Fused Non-negative Matrix Factorization)实现自动分层多视图聚类

    •提出一个统一的多视图NMF表示学习和聚类框架。•引入联合凸融合惩罚来直接强制跨视图的一致性聚类结构。•在融合过程中自动产生分层聚类结构。•在多个真实世界数据集上优于现有方法的表现。引言多模态和异构数据在计算机视觉[1]、[2]、[3]、生物信息学[4]、[5]、[6]以及社交网

    来源:Pattern Recognition

    时间:2026-09-21


高级人才招聘专区
最新招聘信息:

知名企业招聘:

    • 国外动态
    • 国内进展
    • 医药/产业
    • 生态环保
    • 科普/健康