- 博客(172)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 GNRSR：一种融合广义非凸低秩近似与稀疏正则化的去噪方法
这篇文章提出GNRSR模型，融合广义非凸低秩近似与变换域稀疏正则化，用于高光谱图像去噪。针对传统核范数过度惩罚大奇异值、单一低秩约束导致细节丢失等问题，该方法通过非凸函数灵活建模低秩结构，并引入DCT域稀疏约束以保留纹理与光谱信息。基于Inexact ALM算法实现高效求解，实验在模拟与真实数据上均验证了其在混合噪声抑制、细节保持及光谱恢复方面的优越性，消融实验证明两种先验具有互补作用。
2026-10-25 22:18:00
300
原创 SSTPTV：一种新的高光谱图像去噪正则化方法
高光谱图像去噪常利用局部平滑先验，典型做法是 TV 正则化，但传统 TV 对所有梯度位置施加统一稀疏惩罚，容易在去噪时抹除纹理细节。本文提出空间-光谱纹理保持总变分 SSTPTV，通过从梯度图中学习空间和光谱纹理权重，并用 log 函数改进稀疏惩罚，使纹理区域受到更弱收缩、非纹理区域受到更强平滑。进一步，作者将 SSTPTV 嵌入 TRPCA 去噪框架，并设计张量交替子空间 TAS，使正则作用于特征更集中的子空间。模拟与真实噪声实验表明，该方法在混合噪声去除和纹理保持方面优于多种深度学习与张量模型基线。
2026-10-18 16:07:41
305
原创 RealPC：面向真实场景的点云补全与拓扑先验建模
论文标题：Revisiting Point Cloud Completion: Are We Ready For The Real-World? 作者：Stuti Pathak, Prashant Kumar, Dheeraj Baiju, Nicholus Mboga, Gunther Steenackers, Rudi Penne 发表：ICCV 2025
2026-10-09 15:41:13
380
原创 MBHT：多行为超图增强Transformer序列推荐
论文标题：Multi-Behavior Hypergraph-Enhanced Transformer for Sequential Recommendation作者：Yuhao Yang, Chao Huang, Lianghao Xia, Yuxuan Liang, Yanwei Yu, Chenliang Li发表：KDD 2022
2026-09-27 11:17:50
312
原创 arXiv 2025 | Retrieval Survey：推荐系统召回阶段的方法分类与工业落地全解析
论文信息 标题：A Comprehensive Survey on Retrieval Methods in Recommender Systems 作者：Junjie Huang, Jizheng Chen, Jianghao Lin, Jiarui Qin, Ziming Feng, Weinan Zhang, Yong Yu
2026-09-18 21:28:52
315
原创 全连接张量网络分解及其在高阶张量补全中的应用
论文标题：Fully-Connected Tensor Network Decomposition and Its Application to Higher-Order Tensor Completion作者：Yu-Bang Zheng, Ting-Zhu Huang, Xi-Le Zhao, Qibin Zhao, Tai-Xiang Jiang发表：AAAI 2021
2026-09-11 14:12:42
295
原创 Diffusion Image Prior：从Deep Image Prior到扩散模型隐式先验的盲图像恢复
论文题目：Diffusion Image Prior作者：Hamadi Chihaoui, Paolo Favaro会议：IEEE/CVF International Conference on Computer Vision（ICCV）年份：2025关键词：图像恢复、Diffusion Prior、Deep Image Prior、盲图像恢复
2026-09-07 18:00:58
396
原创 Hyper-PCN：用超图建模高阶相关的点云补全方法
点云是三维视觉中最常见的几何表示之一，被广泛应用于自动驾驶、机器人操作、增强现实、三维重建、分类与分割等任务。然而，真实传感器采集到的点云往往并不完整：遮挡、视角限制、扫描分辨率不足等因素都会导致物体表面出现缺失区域。点云补全（Point Cloud Completion）的目标，就是根据一个稀疏且不完整的输入点云，恢复出完整、稠密且结构合理的三维形状。已有方法大致可以分为几类。
2026-06-29 16:39:58
370
原创 CycleNet：通过建模周期性模式来提升时间序列预测精度
NeurIPS 2024的CycleNet针对长时序预测，提出RCF周期建模模块，通过学习全局固定周期模板拆分周期与残差，仅预测残差再融合结果，可嵌入各类时序模型。模型搭配单层线性或双层MLP，结构极轻量，参数量大幅减少。在电力、气象等稳定周期数据集上效果达SOTA；但单通道建模、易受异常值干扰，交通数据表现不及iTransformer。实验证明RCF优于传统时序分解。文章也说明模型仅适配固定周期序列，最后给出融合变量关联、提升鲁棒性等改进方向。
2026-06-23 17:26:59
421
原创 yper-PCN：用超图建模高阶相关性，点云补全还能再往前走一步吗？
普通图的边一次只能连接两个点，所以天然适合表示二元关系。超图不同，一个超边可以连接任意多个顶点，因此更适合表达“群体关系”。对点云补全来说，这个差异非常关键。如果一个飞机尾翼区域缺失，仅仅去找“和它最像的某个单点”帮助并不大；真正有帮助的是找到一组能够共同约束它形态的结构区域，比如机翼、机身后段、尾部连接区域等。这种多对多关系更接近超图而不是普通图。顶点先把信息聚合到超边超边再把聚合信息回传给顶点这相当于先形成“局部结构关系单元”，再反过来用这些高阶关系更新点特征。
2026-06-16 13:26:04
388
原创 基于扩散模型的高光谱图像恢复：LatentHSI潜在空间建模思路
摘要： 论文《LatentHSI: Restore hyperspectral images in a latent space》提出了一种基于潜在扩散模型的无监督高光谱图像（HSI）恢复方法。针对HSI高维特性导致的建模困难，该方法通过低秩分解将图像降维，并利用变分自编码器（VAE）构建连续平滑的潜在空间，在此空间中训练扩散模型以学习数据先验。恢复过程中，结合退化观测约束和梯度引导优化，最终通过解码器重建高质量HSI。实验表明，LatentHSI在去噪、超分辨率和全色锐化等任务中优于传统方法和现有扩散模型
2026-06-09 20:59:08
282
原创 （AAAI-2026）KnowLP：GraphRAG 诱导双知识结构图，实现个性化学习路径推荐
本文介绍的 KnowLP 是一个面向个性化学习路径推荐的双知识结构框架。EDU-GraphRAG 自动构建知识结构图。通过 TextGrad 生成高质量知识点解释，再用 GraphRAG 构建先修关系和相似关系，降低了对人工知识图谱的依赖。引入相似关系缓解学习阻塞。传统方法主要依赖先修图，而 KnowLP 将相似知识点作为 blocked learning 场景下的 fallback 关系，帮助学生通过辨别学习突破卡点。多智能体强化学习生成路径。
2026-06-02 21:49:34
744
原创 视觉自回归建模：通过“下一尺度预测”实现可扩展的图像生成
视觉自回归建模（VAR）提出创新的"下一尺度预测"范式，将图像生成重新定义为从粗到细的多尺度过程。该方法突破了传统自回归模型在视觉领域的性能瓶颈，在ImageNet 256×256基准上实现FID 1.73，推理速度提升20倍，首次超越扩散模型。VAR展现出类似大语言模型的幂律缩放特性和零样本泛化能力，支持图像修复、外扩等任务。这一成果为构建统一的多模态基础模型提供了新思路，未来可扩展至文本到图像和视频生成领域。
2026-05-25 17:03:00
431
原创 （NeurIPS-2025）MAGE 以简驭繁：线性自适应图学习赋能时空预测
本文聚焦时空预测领域痛点，介绍了中科大团队提出的 MAGE 模型。传统时空图模型存在图拓扑噪声大、计算复杂度高（O (N²)）、难以适配大规模场景的问题。MAGE 以 “少而精” 为理念，核心创新包括移除 ReLU 激活净化图拓扑、采用线性自适应图将复杂度降至 O (N)，并设计稀疏平衡多专家结构突破线性低秩瓶颈。实验覆盖交通、能源、气象等 17 个真实数据集，MAGE 在 94% 指标上达最优，训练速度与内存占用均大幅优于主流模型，兼顾高精度与高效率，为大规模时空建模提供了新范式。
2026-05-19 10:00:00
483
原创 （KDD-2025）STH-SepNet：轻量化大模型与自适应超图融合方法
《STH-SepNet：轻量化大模型与自适应超图结合的时空预测新方法》摘要 本文提出了一种创新的时空预测框架STH-SepNet，通过解耦时空建模显著提升了预测性能。该方法采用双通道设计：(1)使用轻量化BERT等语言模型处理时间序列，通过patchembedding和promptadaptation技术将数值序列转化为LLM可处理的格式；(2)构建自适应超图网络动态捕捉多节点间的空间依赖关系。二者通过门控机制智能融合，在保持模型轻量化的同时实现精准预测。实验表明，该方法在共享单车流量和交通速度预测等任务中
2026-04-26 22:13:47
547
原创 (ITES 2025)教育推荐系统综述：主流技术、应用场景与未来趋势
论文题目：A Systematic Review of Educational Recommender Systems:作者：John Telesphory Mhagama, Kanwal Garg（Kurukshetra University）发布时间：2025（International Journal of Technology in Education Science,关键词：教育推荐系统、机器学习、协同过滤、个性化学习、PRISMA综述、数字素养。
2026-04-21 16:25:31
653
原创 RENO：面向 3D LiDAR 点云的实时神经压缩
本论文提出RENO，一种面向三维LiDAR点云的实时神经编解码器。针对现有方法在压缩效率与实时性之间的权衡困境，RENO采用多尺度稀疏张量表示，避免传统八叉树构建的耗时操作，并创新性地引入稀疏占用码与一次性推断机制，显著提升了处理速度。实验表明，RENO在RTX 3090 GPU上可实现每秒10帧的实时处理，相比G-PCC和Draco分别节省12.25%和48.34%的码率，且模型体积仅1MB，具有优异的工业部署价值。
2026-03-29 19:56:36
553
原创 HLTVSG：基于光谱梯度域的高光谱图像去噪方法解析
本文提出了一种基于光谱梯度域超拉普拉斯全变分（HLTVSG）的高光谱图像去噪方法。研究发现，将高光谱数据转换到光谱梯度域后，数据呈现更强的低秩性和局部平滑性，更利于建模。在此基础上，作者构建了包含子空间表示、HLTV正则和多噪声分离的混合模型，其中HLTV正则采用q<1的超拉普拉斯分布更准确地刻画梯度统计特性。通过增广拉格朗日乘子法进行优化求解，实验结果表明该方法在混合噪声去除和细节保持方面优于现有方法，验证了光谱梯度域建模和分布假设调整的有效性。
2026-03-24 10:06:22
414
原创 ACM MM 2024 | GeoFormer：基于三平面（Tri-Plane）与Transformer的高维点云补全原理解析
所谓 CCM，是将 3D 点云放置在一个归一化的绝对坐标系（规范空间，通常是−113[-1, 1]^3−113或是013[0, 1]^3013）中。对于空间中的任意一点PiXiYiZiPiXiYiZi，将其坐标值线性映射到0255[0, 255]0255RXiGYiBZiRXiGYiBZi这里的物理直觉极其强大。
2026-03-16 15:00:18
529
原创 [AAAI-2025]STDN:时空感知趋势-季节性分解网络在交通流预测中的应用
这篇论文提出了一种 **时空感知的趋势–季节性分解网络（STDN）** 用于交通流预测，针对现有方法在时空建模和序列分解方面存在的不足，联合建模交通数据中的空间依赖、时间周期性以及趋势与季节性结构。该方法通过引入时空嵌入来刻画时间周期特征与路网空间结构，并在此基础上学习动态关系图以捕捉节点间的高阶时空交互；随后，模型利用时空感知的分解机制将交通序列显式拆分为趋势项和季节项，并通过编码器–解码器架构进行预测。实验结果表明，STDN 在多个真实交通数据集上均优于现有主流方法。
2026-01-18 10:00:00
945
原创 SDS-Complete: 利用预训练文生图模型进行点云补全
本文提出了SDS-Complete，这是一种利用预训练文本到图像扩散模型解决点云补全任务的新颖方法。与传统依赖大规模3D数据集进行监督训练的方法不同，我们开创性地提出了一种无需训练的范式，通过测试时优化策略，将2D扩散模型中丰富的生成先验成功迁移到了3D几何重建中。这种方法不仅避免了昂贵的3D数据采集和标注成本，还从根本上解决了传统模型在面对分布外物体时泛化能力差的难题，为解决3D数据稀缺问题提供了一个全新的视角。实验结果表明，SDS-Complete在处理真实世界扫描数据时展现出了卓越的性能。
2026-01-12 13:35:48
1000
原创 IGR-SR: 序列推荐中的意图引导推理
本文提出了一种基于意图引导的序列推荐模型IGR-SR，通过显式提取用户意图来增强推理过程的稳定性和泛化能力。模型包含三个核心组件：潜在意图蒸馏器(LID)提取高层意图，意图感知审慎推理机(IDR)进行双阶段推理，以及意图一致性正则化(ICR)提升鲁棒性。实验表明，IGR-SR在多个数据集上显著优于基线模型，尤其在噪声场景下展现出更强的稳定性，验证了意图引导对推荐系统推理过程的重要性。
2026-01-05 18:29:33
1076
原创 Diff-Unmix：将扩散模型从高光谱图像转移到丰度空间
本文围绕 Diff-Unmix 在高光谱图像去噪任务中的整体设计思路，对其方法动机、关键模块与实验表现进行了梳理。与传统低秩或子空间方法主要关注数值压缩不同，Diff-Unmix 的核心贡献在于将扩散模型嵌入具有物理语义约束的中间表示之中，而非直接作用于原始高光谱图像本身。在这一框架下，高光谱去噪被拆解为两个层次的问题：一是通过谱解混构造结构稳定的表示空间，二是在该空间内对丰度分布进行受控的生成式修复。
2025-12-29 18:20:22
753
原创 [AAAI 2025 深度解读] 拒绝盲猜：当 CLIP 大模型被引入 3D 点云补全
这篇 AAAI 2025 的工作为我们展示了极简文本：证明了不需要复杂的 LLM，简单的 Prompt 就能激活语义。几何先验：证明了 6 视图投影 + 分块机制 是解决 2D-3D 空间对齐的高效手段对开发者的启示拥抱多模态：纯几何的深度学习已接近天花板，引入 Image/Text/Video 等跨模态信息是突破瓶颈的关键。关注对齐技术：如何将 2D 基础模型的强大能力无损地迁移到 3D 任务（即解决 Position-Aware 问题），将是未来两年的核心研究热点。
2025-12-22 18:24:53
1011
原创 （ICLR-2024）TIME‑LLM：基于大语言模型重编程的时间序列预测
TIME-LLM 提出了一种无需微调大语言模型主体、即可用于时间序列预测的全新框架。通过将时间序列片段重编程为一组可被 LLM 理解的“文本原型”，并结合包含数据背景、任务指令与统计特征的 Prompt-as-Prefix 提示结构，模型成功激活了 LLM 的跨模态推理能力。实验表明，TIME-LLM 在长期、短期、少样本与零样本预测任务中均显著超越现有专用时间序列模型，在效率上又极其轻量，为构建通用、跨领域的时序预测模型提供了新的范式。
2025-12-14 13:34:09
1684
原创 IEEE TCSS 2025 | MBIDR: 基于意图解耦的多行为推荐，精准捕获用户细粒度兴趣
这篇论文通过多行为推荐中行为与意图不匹配，导致偏好建模失真和噪声干扰的问题。主要贡献点自动化意图解耦：不再依赖人工规则，而是让模型自己学习如何将交互分类。动态权重分配：通过 Self-Attention 实现了行为与意图层面的自适应融合。优异的抗噪性：能够自动识别并降权噪声交互，特别适合真实的电商环境。
2025-12-09 11:05:22
1247
原创 PCDreamer：基于多视角扩散先验的点云补全
点云补全在推动三维视觉发展中扮演着关键角色，是自动驾驶、机器人技术和增强现实等众多应用的核心环节。由扫描遮挡或传感器范围限制导致的不完整点云数据带来了重大挑战。尽管已有诸多创新方法被提出，但在点云全局完整性和局部几何细节方面仍存在显著改进空间。本文针对存在自遮挡的单视角局部点云补全问题展开研究。如图1(a)(b)所示，单视角扫描特性常导致三维形状丢失超50%的信息。典型案例包括缺失整个背面的台灯，以及缺少座椅右侧大部分结构和腿部的椅子。这种大面积缺失区域意味着补全过程面临巨大的解空间。现有主流方法仅依赖局部
2025-12-01 16:41:20
1037
原创 HIR-Diff 深度解析：用改良扩散模型做无监督高光谱图像恢复（CVPR 2024）
摘要： CVPR 2024论文《HIR-Diff》提出了一种无监督高光谱图像（HSI）恢复方法，通过改进扩散模型解决高维数据恢复难题。该方法利用HSI的低秩特性，将其分解为降维图像A（由预训练扩散模型恢复）和光谱系数矩阵E（通过SVD与RRQR估计），显著降低了计算复杂度。引入指数噪声调度优化推理效率，仅需少量采样步数即可保持高质量重建。实验表明，HIR-Diff在去噪、超分辨率和缺失像素修复任务中性能优于或媲美现有方法，且计算效率显著提升（如去噪任务仅需17秒）。核心贡献在于将低秩分解与扩散先验结合，无需
2025-11-24 17:07:21
1618
原创 3D-LLM：为LLM注入三维世界理解能力
3D-LLM: Injecting the 3D World into Large Language Models》是一项里程碑式的工作，它成功地将大语言模型的强大认知能力与3D物理世界连接起来。核心启示grounding 是方向：让AI理解物理世界是实现通用人工智能的关键一步。数据可以创造：在数据稀缺的领域，利用现有大模型（如GPT）自动生成数据是一条行之有效的路径。继承与微调是捷径：充分利用现有预训练模型（2D VLM）的能力，通过巧妙的适配实现新模态的快速突破。空间感知是核心。
2025-11-17 06:00:00
1151
原创 TrafNet：基于张量表示的辅助信息融合动态图神经网络用于交通流预测
本文提出了一种新的交通流预测模型——TrafNet，结合了张量表示学习、动态图神经网络（DGCN）和辅助信息融合，旨在提高预测精度并优化计算效率。TrafNet通过张量分解降低复杂度，利用动态图建模时空动态关系，并融合流量、速度和占有率等多源数据。实验结果表明，TrafNet在多个数据集（PeMSD3、PeMSD4、PeMSD8）上优于传统模型，表现出更高的预测精度和更低的计算开销。消融实验验证了各模块的重要性。最后，本文展望了未来在引入外部因素、跨领域应用等方面的潜力。
2025-11-09 18:01:52
1024
转载 关于图在推荐系统中的研究
本文汇集了五篇基于图神经网络的推荐系统最新研究论文摘要。这些研究聚焦于解决推荐系统中的关键问题：IDCL模型通过解耦图对比学习实现意图感知推荐；端到端图序列表示学习框架结合了序列和图方法优势；PR4SR通过路径推理提升会话推荐的解释性；GraphEdit利用大语言模型优化图结构学习；DGR提出通用框架解决GCN过度平滑问题。这些创新方法在性能提升、可解释性增强及噪声处理等方面展现出显著效果，为推荐系统研究提供了新的技术路径。所有论文均通过大量实验验证了其有效性。
2025-11-03 19:18:28
195
原创 基于谱域的点云学习参数高效微调
摘要：论文《PointGST: Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning》提出了一种新型参数高效微调方法PointGST，通过将微调过程从空间域转移到谱域来优化点云学习。该方法创新性地引入点云谱适配器(PCSA)模块，利用图傅里叶变换在谱域解耦特征混淆并融合几何信息，显著降低训练参数数量(仅需0.67%参数)同时提升性能。实验表明，PointGST在保持高效性能的同时，极大地减少了计算和存储开销。
2025-10-27 18:03:58
720
原创 一文看懂 MambaIRv2：让 Mamba 真正“看见全图”的图像修复新架构
《MambaIRv2：注意力状态空间修复》提出了一种改进的Mamba架构，通过两个核心模块解决传统Mamba在图像修复中的缺陷：1）ASE模块通过提示学习融入全局信息，打破因果限制；2）SGN模块通过语义重组序列缓解长距离衰减。实验表明，该方法在超分、去噪等任务中优于现有模型，参数更少且计算效率更高。例如，2×超分任务中，MambaIRv2比基线模型参数少43%但PSNR提高0.34dB。该工作为图像修复提供了新思路。
2025-10-20 21:52:39
2043
原创 结构化特征生成推进广度学习：2025年深度学习领域的重要突破
Advancing Broad Learning Through Structured Feature Generation》在2025年提出了一个简单而有效的想法：用结构化基函数替代随机特征生成，这一改变带来了显著的性能提升。核心启示性能与效率可兼得：SBLS在提升性能的同时保持了BLS的高效特性结构化带来可解释性：设计的基函数使得学习过程更加透明实用导向的设计：从实际应用需求出发，解决了数据稀缺、计算资源有限等现实问题理论实践结合：既有理论保证，又有充分实验验证。
2025-10-12 23:21:05
1064
原创 Retrieval Augmented Time Series Forecasting：检索增强时间序列预测
RAFT: 一种基于检索增强的时间序列预测方法 摘要：本文提出RAFT，一种创新的检索增强时间序列预测方法。RAFT通过从训练数据中检索与当前输入最相似的历史模式，并利用这些模式的未来趋势信息进行预测，有效解决了传统深度学习模型需要记忆所有模式的负担。实验表明，RAFT在10个基准数据集上显著优于现有方法。该方法特别擅长处理罕见模式和时间相关性弱的序列，通过显式检索历史模式减轻了模型学习负担，提高了泛化能力。研究还探讨了检索模块对Transformer等模型的普适增强效果，为时间序列预测提供新思路。
2025-09-29 10:41:39
1108
原创 深度学习在多模态意图识别中的研究综述
意图识别（Intent Recognition）旨在从用户的自然交互数据（文本、语音、视觉、脑电等）中推断其潜在目标。随着人工智能和深度学习的快速发展，意图识别在 人机交互、对话系统、智能家居、医疗健康、智能驾驶 等领域发挥着越来越重要的作用。最早的研究主要集中在 单模态（unimodal）意图识别，如基于文本的意图分类。但单一模态容易受噪声、语义歧义或信息缺失影响，难以满足复杂场景需求。因此，近年来研究逐渐转向 多模态意图识别（Multimodal Intent Recognition, MIR）
2025-09-22 11:40:55
2526
转载 GrowSP：三维点云的无监督语义分割
论文题目：GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds作者：Zihui Zhang, Bo Yang, Bing Wang, Bo Li。
2025-09-15 12:33:06
501
转载 混合卷积和注意力网络用于高光谱图像去噪
高光谱图像(HSI)去噪对于高光谱数据的有效分析和解释至关重要。然而,同时建模全局和局部特征以增强HSI去噪的研究很少。在该论文中，作者提出了一种混合卷积和注意力网络(HCANet),该网络利用了卷积神经网络(CNNs)和Transformers的优势。为了增强全局和局部特征的建模,作者设计了一个卷积和注意力融合模块,旨在捕获长距离依赖关系和邻域光谱相关性。此外,为了提高多尺度信息聚合，作者设计了一个多尺度前馈网络,通过提取不同尺度的特征来增强去噪性能。
2025-09-08 15:11:16
394
转载 时空基础模型综述：从数据到模型的全流程解析
《时空基础模型综述：从数据到模型的全流程解析》提出了系统性研究框架，首次从流程视角梳理时空基础模型（STFMs）技术体系。研究团队创新性地构建了"数据来源-依赖关系-模态"三维分类法，详细解析了从数据预处理（如轨迹地图匹配、时空Patching）到模型架构（原生/迁移模型）再到训练适配（自监督学习、跨域对齐）的全流程关键技术。论文指出当前STFMs在跨域统一、多模态融合等方面存在挑战，并提出了规模化训练、标准化评测等六大未来研究方向，为构建通用时空智能基座提供了重要理论支撑。
2025-06-30 10:31:01
534
雅虎音乐数据集1.0版本yahoo-music.zip
2021-03-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人