圖書信息

內容簡介

對 arXiv eess.IV 分類的年度綜述，涵蓋 2025 年 9 月至 2026 年 8 月期間發表的研究。本卷基於對 132 篇論文 的細讀整理，組織為 37 章，按該領域的研究子方向描繪這一年的全貌。

全書框架（年度產出佔比）：

醫學圖像重建與合成 (14.7%) — 聚焦面向 MRI、CT 與組織病理學的生成模型與迭代重建技術，以提升圖像質量並支持合成數據生成。
醫學圖像分割與病灶檢測 (14.6%) — 利用交互式、聯邦與不確定性感知的深度學習方法，處理醫學成像中腫瘤、病灶與解剖結構的穩健分割。
基於深度學習的分類與檢測 (14.3%) — 將卷積神經網絡、Transformer 與注意力機制應用於醫學與工業成像中的目標檢測、質量評估與疾病分類。
視頻壓縮與傳輸優化 (10.2%) — 發展自適應碼率控制、語義傳輸與學習型編解碼器，以優化流媒體與網絡受限環境中的視頻質量與效率。
通用深度學習框架與應用 (9.4%) — 探索面向多疾病分類、遙感估計與自主系統強化學習等任務的多樣深度學習架構。
超分辨與反問題 (9.1%) — 通過展開算法與生成先驗處理醫學與遙感成像中的高分辨率圖像恢復與反問題求解。
視覺-語言與基礎模型 (8.8%) — 整合視覺-語言模型與基礎模型，用於醫學視覺問答、目標識別與跨模態微調，以增強泛化與交互。
神經網絡架構與表示 (5.6%) — 研究高效神經網絡設計、隱式表示與基於圖的可解釋及資源受限圖像分析模型。
醫學圖像復原與邊緣部署 (5.1%) — 聚焦醫學圖像處理算法的去噪、增強，以及在邊緣設備與移動平臺上的高效部署。
實時處理與 3D 高斯潑濺 (4.7%) — 推進自動駕駛導航與車牌識別等時間關鍵應用的實時流處理、3D 高斯潑濺與嵌入式系統。
自監督與弱監督學習 (3.6%) — 利用自監督與弱監督框架，降低超聲、聲納與全切片圖像分析中的標註依賴。