• 用于神经多视图深度推断的可见性引导几何记忆网络

  摘要多视图立体（MVS）旨在从不同视角拍摄的图像中恢复稠密的三维场景几何。近年来，基于Transformer的MVS方法通过增强全局跨视图上下文建模，提升了在挑战性区域的匹配性能。然而，大多数现有进展仍主要聚焦于特征表示，而由粗到细的深度估计流程仍然高度依赖静态代价聚合和粗深

  来源：Neurocomputing

  时间：2026-09-03

• 用于图像复原的感知残差去噪扩散模型

  摘要 扩散模型因迭代细化过程能够建模复杂的退化，在图像修复方面展现出巨大潜力。其中，残差去噪扩散模型（RDDM）利用残差信号引导修复，但其像素域残差可能稀疏，导致修复区域空间不一致。为解决这些局限性，我们提出了感知残差去噪扩散模型（PRDDM），它在紧凑的感知潜在空间中计算退

  来源：Neurocomputing

  时间：2026-09-03

• 用于高效结构可靠性评估的智能重要性加权高斯过程学习

  摘要复杂工程系统的结构可靠性评估往往受到昂贵的模拟、有限的高质量样本以及非线性输入输出关系的阻碍。为解决这些问题，提出了一种智能重要性加权高斯过程学习方法，用于高效的可靠性评估。首先引入了一种受限动态加权策略，以识别紧支撑区域内的信息样本，并为训练数据分配不同的重要性水平。然

  来源：Neurocomputing

  时间：2026-09-03

• 一种通用的轻量级多模态图像信息融合架构

  摘要传感器技术和计算硬件的进步推动了能够处理两种以上模态的多模态融合技术的发展。尽管传统的融合算法在双模态任务中有效，但纳入额外的模态通常需要组合多个网络，导致处理效率低下且跨模态交互有限。为了解解决这些局限性，本研究提出了一种新颖的三模态数据集（包含双波长红外和可见光谱图像

  来源：Neurocomputing

  时间：2026-09-03

• MSM-mamba：一种用于非平稳时间序列预测的多尺度多模态 Mamba 框架

  摘要 在现实场景中，时间序列数据通常表现出复杂的模式，例如长期依赖性、趋势变化以及局部高频扰动。这些模式使得现有预测模型难以准确描述非平稳动力学，从而限制了预测性能的进一步提升。为解决这一问题，我们提出了 MSM-Mamba，一种用于非平稳时间序列预测的多尺度多模态 Mam

  来源：Neurocomputing

  时间：2026-09-03

• 综述：在基础模型时代用于图级表示学习的图变换器：分类、泛化能力、可靠性及基准测试

  摘要 近年来，图神经网络（Graph Neural Networks，GNNs）通过捕捉图中的结构依赖关系和节点级特征，显著推进了图级表示学习的发展。然而，传统的基于GNN的模型在可扩展性和捕捉大型图中长距离依赖关系方面往往存在困难。为了解决这些问题，图变换器（Graph Tra

  来源：Neurocomputing

  时间：2026-09-03

• DeepOntoFusion：一种结合本体感知注意力网络的多层次框架，用于准确且个性化的杂货推荐

  摘要在杂货店中，顾客总是面临各种各样的产品。因此，为了通过帮助他们根据以往购买记录、偏好和其他因素确定相关产品来提升销售额和改善客户体验，对高效产品推荐系统的需求日益增加。然而，几种用于产品推荐的传统方法未考虑本体，且由于推荐准确率低而导致性能不佳。因此，提出了一种名为分层注

  来源：Neurocomputing

  时间：2026-09-03

• 具有不一致性感知的频率融合与区域边界精细化算法，用于检测RGB-热成像伪装物体

  摘要 伪装目标检测（COD）旨在分离那些外观和结构模式与其周围环境极为相似的目标。RGB-热图像（RGB-T）对提供了互补的可见光和热红外线索，但在模糊区域和边界较弱的地方，它们的局部响应往往存在不一致性。因此，均匀的跨模态融合可能会将不可靠的模态响应传递到预测结果中。本文提

  来源：Neurocomputing

  时间：2026-09-03

• DART：基于扩散平滑与自适应噪声注入的分布对齐鲁棒训练

  摘要深度神经网络（DNNs）已被广泛应用于图像识别及相关任务，但它们对对抗扰动的脆弱性严重限制了其在安全关键场景中的部署。现有的鲁棒训练方法往往难以平衡鲁棒性和任务性能，这主要是由于输入扰动与内部正则化之间的分布不匹配。为解决此问题，我们提出了一种分布对齐鲁棒训练（DART）

  来源：Neurocomputing

  时间：2026-09-03

• TriUTest：内化执行反馈以生成暴露缺陷的 Python 单元测试

  摘要 动态类型语言（如 Python）的自动化单元测试生成通常面临高覆盖率与低缺陷暴露之间的差距问题：模型可以生成可执行测试，但断言较弱，候选分布容易崩溃，且缺乏有效的机制将执行反馈转换为可学习信号。为解决这一问题，我们提出了 TriUTest，一种面向 LLM 的三阶段后训

  来源：Neurocomputing

  时间：2026-09-03

知名企业招聘：