<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LJ1147517021的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/LJ1147517021</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; LJ1147517021]]></copyright><item><title><![CDATA[（论文速读）ZS-N2N：只用一张含噪图像，如何实现高效零样本去噪？]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/169162959</link><guid>https://blog.csdn.net/LJ1147517021/article/details/169162959</guid><author>LJ1147517021</author><pubDate>Wed, 28 Oct 2026 09:04:00 +0800</pubDate><description><![CDATA[本文提出ZS-N2N，一种无需任何训练数据、不依赖噪声模型的高效图像去噪方法。通过互补下采样构造近似独立的监督图像对，结合轻量网络、残差学习与跨尺度一致性约束，在保持低计算开销（约22k参数，单图耗时&lt;1分钟）的同时，实现对合成与真实噪声（如相机、显微镜）的高质量去噪。实验表明，其在多种场景下性能优于或接近现有无数据方法，尤其在数据稀缺、算力受限环境下具有显著优势。]]></description><category></category></item><item><title><![CDATA[（论文速读）LCDD：用简单线性组合改善扩散模型的图像去噪权衡]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/169267709</link><guid>https://blog.csdn.net/LJ1147517021/article/details/169267709</guid><author>LJ1147517021</author><pubDate>Wed, 28 Oct 2026 09:03:41 +0800</pubDate><description><![CDATA[本文提出线性组合扩散去噪器（LCDD），通过简单组合预训练扩散模型的短时与长时推理结果，在图像去噪中实现更优的失真-感知权衡。无需额外训练，仅调整一个标量参数即可灵活控制输出质量，实现在PSNR与FID、LPIPS等感知指标间的协同优化，显著提升视觉效果与保真度，适用于多种噪声水平与数据集，为扩散模型在重建任务中的高效应用提供新思路。]]></description><category></category></item><item><title><![CDATA[（论文速读）MASH：自适应掩码与局部像素打乱，破解真实图像中的相关噪声]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/169163912</link><guid>https://blog.csdn.net/LJ1147517021/article/details/169163912</guid><author>LJ1147517021</author><pubDate>Tue, 27 Oct 2026 09:21:09 +0800</pubDate><description><![CDATA[本文提出MASH，一种面向真实图像的自适应掩码与局部打乱盲点去噪方法。针对真实噪声具有的空间相关性问题，MASH通过分析噪声相关性动态调整掩码比例，并引入局部像素打乱技术削弱噪声结构，提升去噪性能。实验表明，在多个真实世界数据集上，MASH优于现有自监督方法，尤其在显微镜等复杂噪声场景中表现突出，实现了无需额外训练数据的高效单图去噪。]]></description><category></category></item><item><title><![CDATA[（论文速读）CLIPDenoising：冻结 CLIP 视觉编码器，让图像去噪泛化到未知噪声]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/169167542</link><guid>https://blog.csdn.net/LJ1147517021/article/details/169167542</guid><author>LJ1147517021</author><pubDate>Tue, 27 Oct 2026 09:20:54 +0800</pubDate><description><![CDATA[本文提出TransferCLIP，利用冻结的CLIP ResNet编码器提取具有失真不变性与内容相关性的多尺度特征，结合原始含噪图像与可学习解码器，实现仅用单一噪声训练即可泛化至多种合成及真实世界噪声的图像去噪。通过渐进式特征增强（PFA）缓解过拟合，显著提升对分布外噪声的鲁棒性，在合成、sRGB相机及低剂量CT等多种场景下表现优异，验证了预训练视觉表示在低层任务中的迁移潜力。]]></description><category></category></item><item><title><![CDATA[（论文速读）GitMerge3D：3D 点云 Transformer 真的需要这么多 Token 吗？]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168540608</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168540608</guid><author>LJ1147517021</author><pubDate>Mon, 26 Oct 2026 09:15:56 +0800</pubDate><description><![CDATA[本文提出GitMerge3D，一种基于全局能量评估与空间感知的自适应Token合并方法，旨在解决3D点云Transformer中冗余Token问题。通过全局信息判断Token重要性，结合分区级自适应合并策略与空间bins均匀分布机制，在保持语义分割、重建与目标检测性能的同时，显著降低计算量（最高降5.3倍）与显存（最高降6.4倍）。实验表明，即使在90%以上合并率下，模型仍能维持接近基线的表现，验证了点云Transformer存在显著的过度Token化现象。该方法为高效3D理解提供了新范式。]]></description><category></category></item><item><title><![CDATA[（论文速读）SuperPC：一个扩散模型统一点云补全、上采样、去噪与着色]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/169066684</link><guid>https://blog.csdn.net/LJ1147517021/article/details/169066684</guid><author>LJ1147517021</author><pubDate>Mon, 26 Oct 2026 09:15:36 +0800</pubDate><description><![CDATA[SuperPC提出首个统一处理点云补全、上采样、去噪与着色的扩散模型，通过三级条件框架（Raw/Local/Global）与空间混合融合策略，同步利用原始观测、跨模态局部细节与全局语义，实现高效多任务协同。实验表明，其在多个数据集上优于串联专用模型，具备良好泛化能力，但部分任务仍存提升空间。该工作强调多退化关联建模的重要性，为点云统一处理提供新范式。]]></description><category></category></item><item><title><![CDATA[（论文速读）RPS-RSVD：基于参考周期相似性的旋转机械弱故障特征提取]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168881442</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168881442</guid><author>LJ1147517021</author><pubDate>Sat, 24 Oct 2026 18:19:51 +0800</pubDate><description><![CDATA[论文提出了一种基于参考周期相似性（RPS）的 RSVD 方案，以故障周期 T 作为先验知识，用于信号去噪和弱特征诊断。该方案引入新的 RPS 指标，通过评价奇异分量与预定义参考信号之间的周期相似性，选择最合适的奇异分量。利用 RPS，非故障相关信号分量的干扰影响得以减弱，即使奇异分量中只包含非常微弱的故障特征，也仍可能被选中用于信号重构。仿真分析和真实实验信号共同验证了 RPS-RSVD 的优势。]]></description><category></category></item><item><title><![CDATA[（CVPR 2026 论文速读）LRDUN：低秩深度展开如何结合 SCAB 空间卷积注意力实现高效高光谱重建]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168975647</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168975647</guid><author>LJ1147517021</author><pubDate>Sat, 24 Oct 2026 18:19:06 +0800</pubDate><description><![CDATA[本文提出低秩深度展开网络LRDUN，通过将光谱压缩成像的物理模型重构为光谱基与空间子空间的低秩分解，显著降低重建问题的病态性与计算复杂度。在交替近端梯度下降框架中，结合广义特征展开机制（GFUM）解耦物理秩与特征维度，增强表示能力；并引入空间卷积注意力块（SCAB）强化空间结构建模。实验表明，LRDUN在模拟与真实数据上均实现先进重建质量，同时大幅减少参数量与计算开销，为高效光谱成像提供了新范式。]]></description><category></category></item><item><title><![CDATA[（论文速读）TM-BSN：用三角掩码卷积构造菱形盲区，提升真实图像自监督去噪]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168659370</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168659370</guid><author>LJ1147517021</author><pubDate>Fri, 23 Oct 2026 14:28:09 +0800</pubDate><description><![CDATA[本文提出TM-BSN，一种针对真实sRGB图像噪声空间相关性的自监督去噪方法。针对传统盲点网络忽略去马赛克导致的菱形噪声相关性问题，设计三角掩码卷积（TMC），结合四方向旋转与特征移位，在原始分辨率下构建菱形盲区，有效排除相关噪声并保留不相关上下文。通过多偏移量预测与知识蒸馏，将互补信息迁移至轻量级U-Net，显著提升去噪性能与推理效率。在SIDD和DND数据集上均取得当前最优自监督结果，且运行时间大幅降低，兼顾细节保留与计算效率。]]></description><category></category></item><item><title><![CDATA[（论文速读）ClassBD：让盲反卷积与故障分类器协同学习的抗噪轴承诊断方法]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168770863</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168770863</guid><author>LJ1147517021</author><pubDate>Fri, 23 Oct 2026 14:27:40 +0800</pubDate><description><![CDATA[本文提出分类器引导的神经盲反卷积（ClassBD），首次将盲反卷积与深度学习分类器联合优化，通过时域二次卷积网络和频域线性滤波器提取周期性冲击，并设计融合峭度、包络谱稀疏性与交叉熵的物理信息损失函数，使故障标签指导去噪过程，显著提升噪声环境下轴承故障诊断的准确性与鲁棒性。]]></description><category></category></item><item><title><![CDATA[（论文速读）RELA：秩增强线性注意力，让 LAformer 兼顾高分辨率图像恢复精度与效率]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168659966</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168659966</guid><author>LJ1147517021</author><pubDate>Thu, 22 Oct 2026 09:59:40 +0800</pubDate><description><![CDATA[本文提出秩增强线性注意力（RELA）与高效视觉Transformer LAformer，解决线性注意力在图像恢复中因低秩特性导致精度下降的问题。通过轻量级深度卷积补充局部特征多样性，提升注意力矩阵秩，同时避免Softmax与窗口移位，实现线性复杂度下的全局建模。LAformer在7类21个基准上均达领先性能，且可扩展至扩散与流模型生成任务，兼具高精度、低延迟与强泛化能力，为高效视觉建模提供新范式。]]></description><category></category></item><item><title><![CDATA[（论文速读）QBNE-CEEMDAN：航空发动机主轴轴承振动信号如何做到降噪与保真兼顾？]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168660494</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168660494</guid><author>LJ1147517021</author><pubDate>Thu, 22 Oct 2026 09:59:26 +0800</pubDate><description><![CDATA[针对航空发动机主轴轴承振动信号去噪中模态分解方法易误删有效信号的问题，本文提出QBNE-CEEMDAN方法：基于自适应噪声的完备集合经验模态分解（CEEMDAN）分离信号后，采用分位数噪声估计（QBNE）与频谱减法逐模态去噪，并以信噪比（SNR）为统一准则选择保留原始或去噪分量。实验表明，该方法在非平稳与脉冲噪声下显著提升信噪比，且在四类真实故障信号中均优于传统方法，有效平衡了去噪性能与信号保真度，具备良好的工程应用潜力。]]></description><category></category></item><item><title><![CDATA[（论文速读）Point-M2AE：多尺度掩码自编码，让点云同时理解局部几何与全局语义]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168244323</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168244323</guid><author>LJ1147517021</author><pubDate>Wed, 21 Oct 2026 09:54:18 +0800</pubDate><description><![CDATA[Point-M2AE提出一种面向层次化点云的多尺度掩码自编码预训练框架，通过跨尺度一致掩码与分层编码器-解码器结构，实现从局部到全局的几何与语义建模。该方法在不规则点云上有效迁移三维表征，显著提升分类、分割与检测性能，在ModelNet40、ScanObjectNN等任务中超越现有自监督方法，验证了其在少样本与真实场景下的强泛化能力。]]></description><category></category></item><item><title><![CDATA[（论文速读）Point-MAE：用掩码自编码器学习三维点云表征]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168241574</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168241574</guid><author>LJ1147517021</author><pubDate>Wed, 21 Oct 2026 09:53:57 +0800</pubDate><description><![CDATA[本文提出Point-MAE，一种用于点云自监督学习的掩码自编码框架。通过不规则点块划分与高比例随机掩码，结合非对称Transformer架构，仅编码可见点块并延迟引入MaskToken，有效避免位置信息过早泄露。模型直接重建三维坐标，利用Chamfer Distance优化，无需额外离散化模块。在ScanObjectNN、ModelNet40等任务上表现优异，预训练效率高，显著提升小样本分类与部件分割性能，验证了标准Transformer在点云中的强大表征能力，推动了跨模态统一架构的可行性。]]></description><category></category></item><item><title><![CDATA[（论文速读）CKG：利用类别知识与不完整多核聚类实现早期轴承故障少样本诊断]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/167388212</link><guid>https://blog.csdn.net/LJ1147517021/article/details/167388212</guid><author>LJ1147517021</author><pubDate>Tue, 20 Oct 2026 09:24:20 +0800</pubDate><description><![CDATA[本文提出类别知识引导的少样本轴承故障诊断模型（CKG），通过Atten-MoE动态提取任务相关特征，并结合不完整多核聚类（CKG-IMK）实现跨类别知识协同，有效提升对初期微弱故障、噪声环境及未知类别的泛化能力。在CWRU与EMF-TM数据集上，CKG在1-shot至5-shot设置下均优于主流FSL与迁移学习方法，尤其在早期故障识别与抗噪性方面表现突出，兼具高精度与高效推理能力，为工业智能诊断提供了新范式。]]></description><category></category></item><item><title><![CDATA[（论文速读）CFFormer:一种多源遥感图像语义分割的交叉融合变压器框架]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/161138333</link><guid>https://blog.csdn.net/LJ1147517021/article/details/161138333</guid><author>LJ1147517021</author><pubDate>Tue, 20 Oct 2026 09:24:01 +0800</pubDate><description><![CDATA[一种名为CFFormer的交叉融合Transformer框架，用于多源遥感图像的语义分割。该框架采用并行双流结构分别提取不同模态的特征，通过特征校正模块(FCM)在空间和通道维度上消除模态间差异和噪声干扰，并利用特征融合模块(FFM)中的多头交叉注意力机制实现全局特征交互。实验结果表明，CFFormer在WHU-OPT-SAR、Vaihingen和Potsdam三个数据集上均达到最优性能，其中在WHU-OPT-SAR数据集上mIoU和OA分别达到58%和85.35%，显著优于现有方法。]]></description><category></category></item><item><title><![CDATA[（论文速读）更简单的扩散：使用像素空间扩散的ImageNet512上的1.5 FID]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/162100642</link><guid>https://blog.csdn.net/LJ1147517021/article/details/162100642</guid><author>LJ1147517021</author><pubDate>Mon, 19 Oct 2026 09:18:43 +0800</pubDate><description><![CDATA[SiD（SimplerDiffusion），通过三项核心改进挑战像素空间扩散模型在高分辨率图像生成中的性能瓶颈：1）采用x-mse空间单调递增的S型损失加权方案，修正激励机制；2）提出FlopHeavy扩展策略，通过缩小patch尺寸而非增加参数量来提升模型容量；3）设计ResidualU-ViT架构，简化跳跃连接以节省显存。在ImageNet512上取得1.48FID，超越所有像素模型并接近顶尖潜在模型。]]></description><category></category></item><item><title><![CDATA[（论文速读）FLARES：多 Range 投影与深度感知插值，让激光雷达语义分割更快、更准]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/167491260</link><guid>https://blog.csdn.net/LJ1147517021/article/details/167491260</guid><author>LJ1147517021</author><pubDate>Mon, 19 Oct 2026 09:18:02 +0800</pubDate><description><![CDATA[FLARES提出一种新型激光雷达多Range语义分割框架，通过将点云按扫描顺序拆分为多个子集，生成低分辨率完整视角的Range图像，有效缓解传统宽幅投影带来的计算负担与信息损失。针对拆分引发的类别不平衡与空洞问题，设计WPD+（三维加权粘贴-丢弃）与MCF（多云融合）增强策略，并引入NNRI后处理方法，基于距离自适应权重实现高效精准的三维重建。实验表明，FLARES在SemanticKITTI和nuScenes上均实现显著mIoU提升（最高7.9个百分点），推理速度提升超40%，且适配多种网络架构。]]></description><category></category></item><item><title><![CDATA[（论文速读）Sonata：摆脱几何捷径，学习可靠的点云自监督表征]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168240332</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168240332</guid><author>LJ1147517021</author><pubDate>Sun, 18 Oct 2026 12:47:26 +0800</pubDate><description><![CDATA[Sonata提出一种高效可靠的点云自监督学习框架，针对现有方法在有限数据与资源下线性探测性能差的问题，揭示“几何捷径”是导致表征退化的根源。通过去除非必要解码器、引入特征上采样补偿、掩码点抖动及渐进式增强策略，有效抑制对空间坐标的依赖，提升语义理解能力。结合14万份点云数据的自蒸馏训练，Sonata在ScanNet上线性探测准确率达72.5%，较此前方法提升超三倍，且在数据稀缺时表现显著优于基线。实验验证其在室内室外任务中均具备强泛化性与参数效率，为三维感知提供了可直接使用的可靠表征。]]></description><category></category></item><item><title><![CDATA[（论文速读）Zero-DCE：无需参考图像的深度曲线估计与低照度图像增强]]></title><link>https://blog.csdn.net/LJ1147517021/article/details/168239661</link><guid>https://blog.csdn.net/LJ1147517021/article/details/168239661</guid><author>LJ1147517021</author><pubDate>Sun, 18 Oct 2026 12:47:11 +0800</pubDate><description><![CDATA[本文提出零参考深度曲线估计（Zero-DCE），通过轻量级网络DCE-Net预测逐像素高阶增强曲线，实现无需配对或非配对参考图像的低照度图像增强。方法基于可微曲线映射，结合空间一致性、曝光控制、色彩恒常性和光照平滑四类无参考损失，有效提升暗部细节并抑制过曝与偏色。实验表明，Zero-DCE在多个基准上优于主流方法，兼具高效性与强泛化能力，并可提升暗光下人脸检测性能，为无参考图像增强提供了新范式。]]></description><category></category></item></channel></rss>