IEEE TNNLS-2025年12月-最新在线出版论文12篇

主要观点总结

本文主要介绍了多个领域中的先进技术和研究，包括协同伪装目标分割、预测重要事项、时间序列预测模型、高光谱图像分类、专利预测、点云生成和机器人感知等领域。这些技术通过不同的方法和策略解决了各种挑战，提高了预测准确性、计算效率、生成质量等方面。此外，还有关于增强跨粒度机器人感知和基于模型的离线强化学习与对抗性数据增强的研究报道。

关键观点总结

关键观点1: 协同伪装目标分割的研究进展

介绍了一种新颖的互导融合精炼网络（MFRNet），通过更有效地协作和优化共享信息来提高模型性能。包括特征编码、单图像分支特征增强、多图像分支特征增强以及相互指导等模块。

关键观点2: 预测重要事项的研究

探讨了预测性AI模型在决策制定中的重要性，并建立了必要的条件以支持最优决策。强调了预测模型需要根据决策目标进行定制，以实现最佳的实际性能。

关键观点3: 时间序列预测模型的发展

介绍了一种灵活的时间序列预测模型D2Vformer，该模型可以直接处理任意预测长度的场景，并通过融合模块利用注意力机制进行灵活预测。

关键观点4: 高光谱图像分类技术的进步

提出了一种新的谱引导多尺度特征感知Transformer（SMFAT）框架，用于高光谱图像分类。通过引入全局低秩谱学习模块和多尺度特征感知自注意力机制，提高了分类性能。

关键观点5: 专利预测的研究

介绍了一种基于提示学习的专利预测方法P3L，通过专利相似性路径提取和提示学习方法，对未来专利发展进行有效且准确的预测。

关键观点6: 点云生成技术的发展

提出了一种高效的可扩展点云生成稀疏点-体素扩散模型，能够生成高质量和多样化的三维形状，同时保持快速生成时间。

关键观点7:

介绍了一种检测链（CoD）框架，专注于从粗略识别到细粒度定位的逐步引导检测。并结合蒙特卡洛树搜索（MCTS）提升检测器性能。

关键观点8:

提出了一种基于模型的离线强化学习结合对抗性数据增强（MORAL）的方法。通过动态选择集成模型进行有偏采样，丰富训练数据，并整合差分因子用于正则化，确保外推误差最小化。