Information Fusion-2025年11月-最新在线出版论文12篇（2）

主要观点总结

本文介绍了多个关于信息融合领域的最新研究，包括基于共识特定重建的多视图锚定子空间聚类、多模态推荐系统、微表情检测等多方面的应用。文章还介绍了基于多任务协作学习的RGB-T图像融合与语义分割、PV-MM3D等新技术。此外，还有关于视听零镜头学习中的自我注意和交叉模式注意、柔性探索等研究的新进展。

关键观点总结

关键观点1: 基于共识特定重建的多视图锚定子空间聚类

介绍了一种新的基于共识特定重建的多视图锚定子空间聚类方法，该方法旨在从多视图异构数据中提取一致性信息，同时平衡性能和效率。

关键观点2: 多模态推荐系统

综述了多模态推荐系统的表示、建模和优化，强调了模态异质性在表征学习和融合方面的挑战，并提供了对现有方法的分类和研究展望。

关键观点3: 微表情检测

介绍了一种端到端的时空联合模型，用于解决微表情检测问题，该模型使用时空注意力和跨注意力同时定位微表情边界并从原始长视频中分类情感。

关键观点4: RGB-T图像融合与语义分割

提出了一种基于多任务协作学习的RGB-T图像融合与语义分割方法，通过协作训练统一处理时空依赖性，提高识别准确性。

关键观点5: 多任务协作学习

介绍了一种多任务协作学习网络（MCLNet），旨在架起RGB-T图像融合和语义分割之间的桥梁，通过协同训练提高图像分割和融合性能。

关键观点6: 视听零镜头学习中的自我注意和交叉模式注意

提出了一种基于自我注意和交叉模式注意的视听零镜头学习方法，旨在从视听数据中学习良好的表示，提高识别未见类别的能力。

关键观点7: 柔性探索：动态尺度和图最优传输的应用

介绍了一种新的高光谱图像分类框架，称为动态尺度和图最优传输（DSGO），能够自适应地选择最佳视野，并集成多尺度信息以提高分类性能。

关键观点8: 时间序列预测的位置自适应递归增强Transformer

提出了一种用于时间序列预测的位置自适应和递归增强Transformer（PAREformer），通过引入位置自适应嵌入和递归增强模块，精确建模时间动态和复杂的时序模式。