-
RIFoL:一种适用于噪声图像的鲁棒图像伪造定位网络
提出了一种针对噪声干扰的图像伪造定位网络RIFoL,包含恢复模块和伪造定位模块。恢复模块采用改进的U-Net结构结合小波变换,有效恢复高斯噪声下的伪造痕迹;伪造定位模块通过多尺度空间注意力机制(SFEM)和跨通道特征融合模块(MAFM)增强特征表达。实验表明在Columbia和CASIA数据集上,F1分数提升超过30%,平均性能优于现有方法。
来源:Neural Networks
时间:2026-03-09
-
CSM-Net:一种用于少样本学习的关联嵌入方法,该方法通过交叉记忆注意力机制进行了优化
few-shot learning 的关键挑战在于有限标注样本下的类特定表示学习和样本间关系建模,同时数据扰动影响显著。本文提出 Cross-Memory Attention (CMA) 模块,通过从支持集和查询集提取记忆特征并整合,建模长程依赖并降低参数量。结合 Multi-sample Adaptive Fusion 模块处理多样本场景,以及 Domain Adaptation 模块缓解数据扰动问题,实验验证在四个公开数据集上显著优于基线方法。
来源:Neural Networks
时间:2026-03-09
-
VISTA-3D:无需训练的视觉基础3D物体检测方法
VISTA-3D提出训练-free的时空展开方法,通过替换层归一化为指数归一化并引入望远镜转换模块,使3D检测器适应神经形态计算,在KITTI和nuScenes上保持精度,降低能耗。
来源:Neural Networks
时间:2026-03-09
-
在X射线血管造影中,利用局部匹配和时空一致性损失进行少样本视频目标分割
本文提出一种基于局部匹配策略的少样本视频分割方法FSVOS,通过非参数采样动态调整采样区域并利用监督对比学习增强时空特征一致性,有效降低X射线血管造影视频的标注成本,在CADICA、XACV和MOSXAV数据集上达到最优分割精度与泛化能力。
来源:Neural Networks
时间:2026-03-09
-
MFBD:基于视觉-语言预训练模型的无模型后门防御机制
视觉语言模型语义一致性检测方法有效防御多种后门攻击
来源:Neural Networks
时间:2026-03-09
-
FreeMD:无需训练的多领域文本到图像生成技术,支持任意控制方式
本文提出训练-free的FreeMD方法,通过分离外观和结构指导分支,结合主成分分析和离散小波变换,实现文本提示与结构控制的精准对齐,提升生成图像的结构一致性和可控性。
来源:Neural Networks
时间:2026-03-09
-
综述:内皮功能障碍:洞察系统性红斑狼疮相关心血管疾病与神经精神表现
本篇综述深入探讨了系统性红斑狼疮(SLE)中内皮功能障碍(Endothelial Dysfunction)的核心作用,将其视为连接心血管疾病(CVD)与神经精神表现(NPSLE)的共同病理纽带。文章系统梳理了内皮细胞激活、内皮粗细胞(EPCs)功能异常、血脑屏障(BBB)破坏及血管自身抗体等关键机制,并介绍了相关动物模型。最后,作者展望了以修复内皮功能为靶点的新型治疗策略,为改善SLE患者的心血管与神经精神预后提供了重要的理论基础与转化方向。
来源:Journal of Cardiovascular Translational Research
时间:2026-03-09
-
: 中国Efgartigimod治疗儿童重症肌无力的多中心回顾性研究:一种新兴疗法的有效性与安全性初探
本研究是一项在中国开展的多中心回顾性研究,旨在评估新生儿Fc受体(FcRn)阻滞剂Efgartigimod治疗儿童重症肌无力(JMG)的疗效与安全性。研究显示,Efgartigimod可在青少年JMG患者中快速诱导临床获益,对包括难治性(R-JMG)在内的不同亚组均有显著改善,且未观察到药物相关不良事件,为儿科MG治疗提供了有前景的新选择。
来源:Muscle & Nerve
时间:2026-03-09
-
重症肌无力患者的胸腺外肿瘤:一项基于人群的匹配病例对照研究揭示了恶性肿瘤患病率显著升高
本文基于大型健康服务数据库,通过应用机器学习算法提高病例诊断准确性,在一项基于人群的匹配病例对照研究中发现,重症肌无力(MG)患者在MG诊断前后罹患胸腺外恶性肿瘤的风险均显著高于对照组,且与免疫抑制治疗无关。研究识别了高龄、男性、合并胸瘤是主要风险因素,并为MG患者的癌症筛查策略提供了循证学依据。
来源:Muscle & Nerve
时间:2026-03-09
-
基于分解式课程学习的无源通用领域自适应病理模型:面向组织切片语义分离与伪标签优化
本文提出了一种基于分解的课程自训练(DCST)框架,以解决计算病理学中无源通用领域自适应(SF-UniDA)的挑战。该框架通过特征分解自适应区分“易学”和“难学”样本,并采用两阶段课程学习策略,结合原型感知正则化与对齐,在无需源域数据的情况下,有效缓解了病理图像中的语义模糊问题,提升了伪标签质量和模型泛化能力,在结直肠癌表型数据集上验证了其优越性。
来源:Neural Networks
时间:2026-03-09