先给结论：可以，但你拼接的姿势很重要。直接硬凑A+B大概率被审稿人怼trivial。但如果包装得当，不仅能发，顶会顶刊也能拿下。今天就此话题分享点我的经验，当然，仅供参考。
1. 拼接是常态
传统深度学习时代，微改网络+旧数据集就能水一篇。到了大模型时代，旧领域+新大模型直接站在巨人肩膀上。你看到的很多顶会论文，本质上都是把A的编码器换成B的解码器，或者把C的损失函数塞进D的训练框架。所以拼接本身不是原罪，关键是你怎么讲故事。
2. 怎么让拼接变得non-trivial？
给大家分享个矩阵法：找40篇最新开源oral，两两组合筛出15个可行idea。但光跑出SOTA还不够，还要做三件事：
建一个理论框架，把A和B都说成是你这个框架的特例。比如A擅长局部特征，B擅长全局依赖，我们统一为双流自适应聚合，这样拼接就成了必然选择。
加一个可调节参数，比如alpha*A + (1-alpha)*B，然后证明alpha=0.5时效果最好，这就从拼凑变成了融合。
一定要做消融，证明你的融合方式比单独A、单独B、以及简单拼接都强，哪怕只涨0.3%也是非平凡增益。
说到这里，我已经整理好了CVPR、ECCV顶会里比较适合复现和二次改造的论文代码，并按研究方向做了分类，你可以直接拿去当个选题素材库，从这些工作里找成熟Baseline，再去找功能互补的方法。
全部资料需要的同学看文末
3. 选题上的小心机
不要死磕旧数据集+旧任务，那样竞争太激烈。可以考虑微改网络+旧数据集+新的应用场景（比如人脸识别里加口罩），或者旧任务+新大模型（比如道路分割+SAM），这类拼接更容易被接收，因为审稿人会觉得有现实意义。
当然，具该怎么改也很重要，现在有很多成熟的改法可供参考。我自己就整理了366个深度学习即插即用模块，基本囊括了常见的“可改位置”。你拿一份，做论文的时候，就可以先看Baseline哪里有改造空间，再反过来挑合适的模块去验证，这比盲目魔改网络效率高很多。
4. 最后小技巧
如果你在同一方向拼了好几篇，可以一年后再写篇综述，把别人和自己的拼接工作全装进去，这就是水顶刊的终极“捷径”（doge）。
总之，拼就放心拼，但记住拼的是故事，不是代码。要把抄说成统一框架，把调参说成自适应权重，再把开源代码跑通，你就是下一个SOTA收割机。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“222”获取全部资料
码字不易，欢迎大家点赞评论收藏
