跳到主要内容
检索

Northeast Forestry University

3 篇关联报道

订阅更新
  1. arXiv

    单张条纹图直接回归高度:混合Mamba-Transformer网络把RMSE压到0.548毫米

    单张高频条纹图重建三维面形,难点在于同时保住跨视场的空间一致性和局部几何细节:卷积网络的长程建模受限,窗口式Transformer的全局交互只能随深度逐步建立。混合Mamba-Transformer网络在Swin式U形架构的中等分辨率编码阶段引入视觉状态空间模块,并用轴向-膨胀视觉状态空间块在选择性扫描前增强方向性条纹特征。在公开条纹投影数据集上,该网络仅用一张变形条纹图取得0.548毫米的RMSE和0.9985的SSIM,RMSE相对UHRNet和HiDNet分别降低65.2%和59.6%。

  2. arXiv

    ProsaBuddy 用 LLM 智能体自动证明实时可调度性引理,在小型基准上显著优于现有 Rocq 证明智能体与通用编码智能体 OpenCode

    该工作提出 ProsaBuddy,一个基于 LLM 的智能体系统,采用带 Prosa 代码库检索的 ReAct 循环、Rocq 工具访问与可选人工提示,并通过子目标委派架构把引理拆分为子目标分派给子智能体证明,在取自实时调度文献的小型基准上显著优于现有基于 LLM 的 Rocq 自动证明智能体系统与通用编码智能体 OpenCode。

  3. arXiv

    KANResDiff 用 KAN 样条时间编码与局部薛定谔桥做残差扩散,在 LIDC 与 ISIC3 上把 GED 最多降低 18.8%、HM-IoU32 最多提升 7.7%

    该工作提出 KANResDiff,用 Kolmogorov-Arnold 网络实现局部残差扩散以做模糊医学图像分割:以基于 B 样条的 Independent Time Encoding 替代 MLP 线性时间嵌入以增强各推理阶段独立性,并以 Residual Schrödinger Bridge 用可学习权重注入确定性残差先验,在 LIDC 与 ISIC3 两个公开数据集上取得 GED 与 HM-IoU 的最优结果,GED 最大改善 16.8%、HM-IoU32 最大改善 7.7%,同时 MDM 保持有竞争力的水平。

已读完全部报道