在遥感信息处理领域，始终是等顶级学术平台的研究焦点，在灾害监测、军事侦察等关键领域发挥着重要作用。近年来，随着深度学习技术的不断革新，该领域涌现出一系列突破性成果。SuperYOLO创新性地融合光学、SAR等多模态数据，构建高分辨率检测框架，不仅大幅提升了检测精度，还将模型参数量锐减至原来的1/18，有效克服了传统模型计算复杂、漏检率高的难题。SOAR算法则巧妙结合Mamba与YOLOv9，利用长

卷积神经网络（CNN）提出了这么久，针对于CNN的改进还能拿下顶会吗？DCNv4在继承对前几版本DCN对卷积核改进的成果外，针对于DCN算子的计算速度做出了更多改进，成功拿下CVPR2024。DCN相较于传统CNN的核心优势在于其动态适应性和灵活性。传统CNN的卷积核限制了其对目标的建模能力，而DCN通过引入可学习的偏移量，使得卷积核能够根据输入内容动态调整。我整理了各版本可变形卷积网络（v1 -

是一种深度融合物理机理与数据驱动的新型建模范式，核心思想是将作为软约束嵌入神经网络的损失函数中，从而实现对复杂物理系统的高效求解和预测。该方法通过自动微分技术实现物理方程的空间-时间导数计算，有效克服传统数值方法对网格离散的依赖，在热传导方程、纳维-斯托克斯方程、波动方程等中展现出独特优势，已成功应用于流体力学湍流模拟、材料应力场重构、生物医学组织建模等多个跨学科领域。PINN 的竞争力体现在其突

人工智能领域正迎来一场革命性的变革，的强强联合成为学界新宠。在计算机视觉前沿，惊艳亮相CVPR 2025。该模型采用创新的四阶段分层架构：前两阶段依托CNN层实现高分辨率特征快速提取，后两阶段巧妙融合Mamba与Transformer模块。研究团队对Mamba模块进行深度改造，用常规卷积替代因果卷积，并创新性地引入对称分支结构。这一突破性设计使MambaVision在Top-1精度和图像吞吐量上双

图神经网络（GNN）在处理非欧结构数据方面表现出色，广泛应用于社交网络、推荐系统等领域。然而，传统GNN主要依赖局部邻域信息聚合，难以捕捉全局信息，限制了其在复杂任务中的表现。近年来，研究者提出了多种创新思路，如将GNN与Transformer结合，引入自注意力机制以扩大感受野，或通过拓扑结构增强、层次化聚合等方式提升模型表达能力。这些方法为GNN性能的进一步提升提供了新的可能。本文整理了10篇关

基于Transformer的强化学习（TRL）结合了Transformer模型的强大序列处理能力和强化学习的决策优化框架，显著提升了智能体的学习与适应能力，广泛应用于自动驾驶、机器人控制等领域。本文分享了两篇TRL代表性成果：第一篇结合扩散模型与Transformer，优化了启动子合成及强度预测，展示了模型在合成生物学中的性能优势；第二篇提出了基于随机Transformer的世界模型（STORM）

卷积神经网络（CNN）提出了这么久，针对于CNN的改进还能拿下顶会吗？DCNv4在继承对前几版本DCN对卷积核改进的成果外，针对于DCN算子的计算速度做出了更多改进，成功拿下CVPR2024。DCN相较于传统CNN的核心优势在于其动态适应性和灵活性。传统CNN的卷积核限制了其对目标的建模能力，而DCN通过引入可学习的偏移量，使得卷积核能够根据输入内容动态调整。我整理了各版本可变形卷积网络（v1 -

在遥感信息处理领域，始终是等顶级学术平台的研究焦点，在灾害监测、军事侦察等关键领域发挥着重要作用。近年来，随着深度学习技术的不断革新，该领域涌现出一系列突破性成果。SuperYOLO创新性地融合光学、SAR等多模态数据，构建高分辨率检测框架，不仅大幅提升了检测精度，还将模型参数量锐减至原来的1/18，有效克服了传统模型计算复杂、漏检率高的难题。SOAR算法则巧妙结合Mamba与YOLOv9，利用长

基于Transformer的强化学习（TRL）结合了Transformer模型的强大序列处理能力和强化学习的决策优化框架，显著提升了智能体的学习与适应能力，广泛应用于自动驾驶、机器人控制等领域。本文分享了两篇TRL代表性成果：第一篇结合扩散模型与Transformer，优化了启动子合成及强度预测，展示了模型在合成生物学中的性能优势；第二篇提出了基于随机Transformer的世界模型（STORM）

在遥感信息处理领域，始终是等顶级学术平台的研究焦点，在灾害监测、军事侦察等关键领域发挥着重要作用。近年来，随着深度学习技术的不断革新，该领域涌现出一系列突破性成果。SuperYOLO创新性地融合光学、SAR等多模态数据，构建高分辨率检测框架，不仅大幅提升了检测精度，还将模型参数量锐减至原来的1/18，有效克服了传统模型计算复杂、漏检率高的难题。SOAR算法则巧妙结合Mamba与YOLOv9，利用长