神经网络领域最近灵感多！从模型诊断优化、罕见病诊断，到图像压缩、超分辨成像，全场景突破核心痛点，兼顾性能、效率与可解释性～
自动审计框架靠强化学习揪出多模态大模型20+故障类型，微调后3B模型反超28B；联邦学习破解罕见病数据稀缺难题，诊断F1值飙升至0.82。还有轻量模型让低比特率图像压缩复杂度大降87%，扩散模型靠优质初始噪声提升单视图合成效果，可解释性框架实现神经网络精准控制。
今天精选顶会级论文，覆盖AI诊断、计算机视觉、材料设计等关键领域，全是直击行业难点的实用方案，搞神经网络的别错过这份硬核合集！
1.Differences That Matter: Auditing Models for Capability Gap Discovery and Rectification
【要点】多模态大型语言模型（MLLMs）的传统评估方法缺乏可解释性，且往往不足以全面揭示模型间的显著能力差距。
【方法】提出AuditDM，一个自动框架，通过审计模型间的差异来主动发现和纠正MLLM的失败模式，通过强化学习将MLLM微调为审计员，生成能最大化目标模型间分歧的挑战性问题和对立图像。
【实验】在Gemma-3和PaliGemma-2等SoTA模型上应用AuditDM，发现了20多种不同的失败类型。在这些发现的基础上进行微调，在16个基准测试中持续改进所有模型，并使一个3B模型超越了其28B的对应版本。结果表明，随着数据规模达到收益递减，有针对性的模型审计是模型诊断和改进的有效途径。
2.Training Together, Diagnosing Better: Federated Learning for Collagen VI-Related Dystrophies
【要点】论文旨在解决罕见疾病如COL6-RD诊断中数据稀缺和碎片化的问题，以及跨医院、机构或国家收集数据时遇到的隐私、监管和物流障碍。
【方法】论文提出了一种基于Federated Learning (FL)的全球性解决方案，利用Sherpa.ai FL平台，在保持患者数据本地和隐私的同时，实现跨分布式数据集的协作模型训练。
【实验】通过使用来自患者来源的成纤维细胞培养的胶原VI免疫荧光显微镜图像，该解决方案开发出的ML模型能够将胶原VI患者图像分类为与COL6-RD相关的三种主要致病机制组，并实现了0.82的F1-score，优于单一机构的模型（0.57-0.75），显著提高了诊断的准确性和泛化能力。
3.Pixel Super-Resolved Fluorescence Lifetime Imaging Using Deep Learning
【要点】论文旨在解决荧光寿命成像显微镜（FLIM）在临床应用中由于像素停留时间长和信噪比低导致的分辨率与速度之间的权衡问题。
【方法】提出了一种基于深度学习的多通道像素超分辨率（PSR）框架FLIM_PSR_k，通过条件生成对抗网络（cGAN）从具有5倍增加像素尺寸的数据中重建高分辨率FLIM图像。
【实验】实验结果表明，FLIM_PSR_k能够可靠地实现k=5的超分辨率，输出图像的空间带宽积提高了25倍，揭示了低分辨率输入中丢失的精细结构特征，并在各种图像质量指标上显示出统计学上的显著改进。
4.LAPX: Lightweight Hourglass Network with Global Context
【要点】论文旨在解决现有姿态估计方法在保持高精度同时降低模型复杂度和计算成本的问题，以及边缘设备部署的效率问题。
【方法】论文提出了一种名为LAPX的Hourglass网络，该网络结合了自注意力机制以捕捉全局上下文信息，并优化了阶段设计和轻量级注意力模块，以实现高效且精确的姿态估计。
【实验】LAPX在MPII和COCO两个基准数据集上取得了具有竞争力的结果，参数量仅为2.3M，并展示了实时性能，验证了其在边缘设备上的适用性。
