• 用于股票波动率预测的深度对比多视角时空聚类

  •DCMVC-TRANS：一种用于股票预测的对比多视图聚类Transformer。•对抗学习对齐三个数据视图的低层特征。•对比约束和KL标签对齐提高了聚类的可区分性。•Transformer自适应融合模块对视图进行加权，形成稳健的共识。•在238只中小盘股上：13.42%的收

  来源：Pattern Recognition

  时间：2026-09-10

• ReAlignHDR：面向无鬼影高动态范围成像的区域约束对齐

  - 我们提出了 ReAlignHDR，一种面向动态场景的无鬼影高动态范围（HDR）成像方法。 - 我们揭示结构鬼影源于无效的跨区域交互。 - 受区域约束的交互能够在运动条件下保留可靠的结构信息。 - 特权交互蒸馏使得在无掩码条件下实现区域一致的推理成为可能。 - ReAlig

  来源：Pattern Recognition

  时间：2026-09-10

• 混合增强多尺度对比自监督学习用于水下声学目标识别

  •水声信号特征表现出较高的类内多样性和类间相似性。•多尺度对比学习改善了少标签条件下的声学识别。•混合数据增强模拟了真实水下环境失真。•信号分解将目标特征与噪声干扰分离。•辅助预测任务增强了对环境变化的鲁棒性。引言水下声目标识别（UATR）作为海洋监测的基础任务，旨在通过接收

  来源：Pattern Recognition

  时间：2026-09-10

• 基于保持局部性的严格稀疏性与空间自适应几何的结构化稀疏表示学习

  • 具有严格稀疏性的时域CDL在表示学习中保持局部性。 • 空间自适应度量使更新与卷积交互对齐。 • VBASTA采用自适应对角度量和回溯进行开发。 • VBASTA在Kurdyka–Łojasiewicz框架下收敛到临界点。 • VBASTA在多个视觉表示学习任务上得到验证

  来源：Pattern Recognition

  时间：2026-09-10

• UD-SfPNet：用于三维法线重建的水下去散射偏振光度网络

  UD-SfPNet 联合训练水下偏振去散射与偏振法线估计（SfP）。 端到端训练避免了级联流水线中的误差累积。 颜色嵌入迁移通过 RGB 编码法线强制几何一致性。 细节增强卷积在两个阶段均提升了高频几何细节。 在 MuS-Polar3D 数据集上平均角度误差为 15.12°，

  来源：Pattern Recognition

  时间：2026-09-10

• 用于可控文本驱动图像生成的动态频率调制

  **主要贡献摘要：** - 低频分量在生成早期阶段建立结构框架 - 高频分量主导后续阶段以合成细粒度纹理 - 我们提出了一种无需训练的频域调制方法（FMM），采用动态衰减机制 - 直接操作含噪潜变量，避免了经验性的特征图选择 - 在多种生成场景中，我们的方法优于现有最先进方

  来源：Pattern Recognition

  时间：2026-09-10

• 基于对抗频率感知引导网络的历史文档修复

  •提出AFG-Net，用于在混合退化条件下实现鲁棒的历史文档修复。•输入与修复残差被用作在线困难退化线索。•逐频带频率掩码在傅里叶域中重新组合残差退化。•互补掩码极小极大学习避免了平凡频率选择。•AFG-Net提升了图像保真度、面向OCR的可读性以及效率。引言历史文档图像对于

  来源：Pattern Recognition

  时间：2026-09-10

• HiFi-CLIP：面向三维零样本分类的高保真投影与属性对齐

  • 提出了一个面向3D零样本分类的高保真框架。• 统计加权深度投影提升了几何信号质量。• 属性引导的文本生成增强了细粒度语义判别能力。• 基于LoRA的微调高效地适配CLIP到3D几何结构。• 层次化推理细化了相似类别间的模糊预测。 **引言** 近年来，深度学习推动了计

  来源：Pattern Recognition

  时间：2026-09-10

• 基于对比标签增强的多标签特征选择

  •丰富标签信息，同时缓解标签不平衡问题。 •构建多样而简单的标签关系。 •在特征空间、标签空间和潜在空间之间保持结构一致性。 引言 在现实场景中，信息的复杂度往往超出单一标签所能表达的范围。一首乐曲可能既欢快又激昂，一张图像可能同时包含一只猫、一张沙发和阳光，而一个网页可

  来源：Pattern Recognition

  时间：2026-09-10

• 观察、模仿，然后类比：面向鲁棒自动驾驶的长尾交通事件生成

  •提出了DriveCoach用于稀有驾驶图像合成。•引入了三阶段智能体流水线以实现可解释生成。•建立了DriveTail数据集用于长尾场景评估。引言自动驾驶技术的最新进展正逐步受到多模态大语言模型（MLLMs）的推动，因为它们在与驾驶系统交互和理解驾驶过程方面具有巨大潜力[1

  来源：Pattern Recognition

  时间：2026-09-10

知名企业招聘：