Hybrid eTFCE-GRF: Exact Cluster-Size Retrieval with Analytical p-Values for Voxel-Based Morphometry
该论文提出了一种结合精确聚类大小检索与高斯随机场解析推断的混合 eTFCE-GRF 方法，在无需置换检验的情况下实现了体素形态学分析中严格的族错误率控制，并将计算速度提升了数十至千倍。
⚡ Category
eess.IV
93 篇论文
Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning
该研究比较了本地、联邦和集中式学习在基于全景 X 光片评估下颌第三磨牙与下牙槽神经管关系上的表现，发现集中式学习性能最优，而联邦学习在保护隐私的前提下优于本地学习。
On the Possible Detectability of Image-in-Image Steganography
本文揭示了图像内嵌图像（Image-in-Image）隐写方案因嵌入过程产生的混合特性而极易被检测，并提出了一种基于独立分量分析高阶矩的简单可解释隐写分析新方法，实验表明该方法在区分载体与隐写图像时准确率高达 84.6%，且此类方案对传统隐写分析也表现出极高的可检测性。
Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis
本文针对现有计算像差校正方法泛化性差的问题，提出了基于自动光学设计的大规模基准 UniCAC 及光学退化评估器 ODE，通过对 24 种算法的综合评估揭示了影响性能的关键因素，为通用像差校正研究奠定了基础。
O3N: Omnidirectional Open-Vocabulary Occupancy Prediction
本文提出了首个纯视觉端到端的全向开放词汇占用预测框架 O3N，通过极螺旋 Mamba 模块、占用成本聚合及自然模态对齐技术，实现了 360 度连续空间表征与语义一致性，在多个基准测试中取得了领先性能并展现出卓越的跨场景泛化能力。
Adversarial Deep-Unfolding Network for MA-XRF Super-Resolution on Old Master Paintings Using Minimal Training Data
本文提出了一种基于 Learned Iterative Shrinkage-Thresholding 算法的对抗性深度展开网络，仅需单张高分辨率 RGB 图像与低分辨率 MA-XRF 数据即可在无监督模式下实现旧大师画作 MA-XRF 扫描的超分辨率重建，有效解决了高分辨率扫描耗时过长的问题。
Expectation-maximization for structure determination directly from cryo-EM micrographs
该论文提出了一种近似期望最大化算法，旨在直接从信噪比极低的冷冻电镜显微图像中重建三维分子结构，从而克服了传统流程因低信噪比导致难以准确定位投影图像而失效的难题。
ResSR: A Computationally Efficient Residual Approach to Super-Resolving Multispectral Images
本文提出了一种名为 ResSR 的计算高效的多光谱图像超分辨率方法，该方法通过解耦光谱与空间处理、利用奇异值分解及残差校正，在无需监督训练或空间耦合优化的情况下，实现了与现有方法相当或更优的重建质量，且速度提升了 2 至 10 倍。
Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles
该研究提出了一种基于外部视觉观察和计算机视觉技术（如 YOLO 目标检测与车道监测）的新型驾驶员行为分类系统，旨在无需车载通信即可实时识别分心或受 impaired 驾驶等不安全行为，从而提升自动驾驶环境下的道路安全。
MedFuncta: A Unified Framework for Learning Efficient Medical Neural Fields
本文提出了 MedFuncta，这是一个针对大规模医学数据集的统一神经场训练框架，它通过共享元学习神经场和 1D 潜在向量实现跨实例泛化，并引入了改进的 SIREN 激活频率调度与稀疏监督策略以提升效率，同时发布了包含超过 50 万个潜在向量的首个大规模医学神经场数据集 MedNF。
Adiabatic Capacitive Neuron: An Energy-Efficient Functional Unit for Artificial Neural Networks
本文提出了一种基于 0.18μm CMOS 工艺的绝热电容神经元（ACN）硬件实现，通过新型阈值逻辑设计显著提升了功能与鲁棒性，并在宽温区和工艺角下实现了超过 90% 的突触能量节省。
Overtone: Cyclic Patch Modulation for Clean, Efficient, and Flexible Physics Emulators
本文提出了名为 Overtone 的统一解决方案，通过引入 CSM 和 CKM 模块在推理阶段动态循环调制补丁大小，有效缓解了基于 Transformer 的 PDE 代理模型中固定补丁导致的谐波误差累积问题，并实现了计算成本与精度的灵活权衡。
Graph-Based Multi-Modal Light-weight Network for Adaptive Brain Tumor Segmentation
本文提出了一种名为 GMLN-BTS 的图基多模态轻量级网络，通过模态感知自适应编码器、图基多模态协同交互模块及体素细化上采样模块，在仅需 4.58M 参数（比主流 3D Transformer 减少 98%）的情况下，于 BraTS 多个基准测试中实现了兼具高精度与低资源消耗的脑肿瘤分割。
Learning to Select Like Humans: Explainable Active Learning for Medical Imaging
该论文提出了一种将分类不确定性与注意力图对齐相结合的双准则主动学习框架，通过筛选既具信息量又聚焦于错误特征（即与专家标注区域不匹配）的样本，显著提升了医学影像模型在有限标注数据下的预测性能与临床可解释性。
CogGen: Cognitive-Load-Informed Fully Unsupervised Deep Generative Modeling for Compressively Sampled MRI Reconstruction
本文提出了 CogGen，一种受认知负荷启发的完全无监督深度生成模型，通过自-paced 课程学习策略将 k 空间数据拟合从均匀处理转变为“由易到难”的渐进式调度，从而在压缩采样 MRI 重建中有效缓解过拟合并提升收敛速度与重建 fidelity。
When Denoising Becomes Unsigning: Theoretical and Empirical Analysis of Watermark Fragility Under Diffusion-Based Image Editing
本文从理论与实证角度揭示了基于扩散模型的图像编辑技术如何通过去噪过程系统性衰减并消除鲁棒隐形水印，导致水印在编辑后几乎无法被解码，并据此提出了相应的伦理考量与设计指南。
HoloPASWIN: Robust Inline Holographic Reconstruction via Physics-Aware Swin Transformers
本文提出了一种名为 HoloPASWIN 的基于物理感知 Swin Transformer 的深度学习框架，通过结合分层移位窗口注意力机制与包含频域约束及可微角谱传播器的物理一致性损失函数，有效解决了同轴数字全息成像中的孪生像问题并实现了鲁棒的高质量重建。
A 360-degree Multi-camera System for Blue Emergency Light Detection Using Color Attention RT-DETR and the ABLDataset
该研究利用 ABLDataset 数据集和四目鱼眼相机系统，通过引入颜色注意力机制改进 RT-DETR 模型，实现了在复杂环境下对欧洲应急车辆蓝色警灯的高精度检测与方位估计，旨在增强高级驾驶辅助系统（ADAS）的主动安全性。
Anti-Aliasing Snapshot HDR Imaging Using Non-Regular Sensing
本文提出了一种基于非规则排列和空间变化孔径（结合两种不同尺寸原型像素）的快照式高动态范围成像传感器，通过傅里叶域重建算法在扩展动态范围的同时有效抑制混叠伪影并恢复高分辨率图像。
The Impact of Preprocessing Methods on Racial Encoding and Model Robustness in CXR Diagnosis
该研究表明，通过简单的肺部裁剪等图像预处理方法，可以在保持胸片诊断准确性的同时有效抑制种族捷径学习，从而避免公平性与准确性之间的权衡困境。