时空特征融合正在成为视频理解、遥感解译与多模态感知等任务突破性能瓶颈的关键支点，从时序注意力到跨模态对齐，空间结构与时间动态的深度耦合不断刷新着各类基准的上限。
本文整理了10篇该方向最新前沿论文，覆盖CVPR、ICCV、NeurIPS等前沿进展，方法脉络清晰、实验设置完整，无论是跟进前沿还是寻找创新点都非常实用。想快速出成果的下方领取论文及代码（部分），搭baseline、找改进思路、扩实验设计都能直接用上。
长按识别下方二维码，回复【时空特征】
无偿领全部论文合集及项目代码
BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification
BrainNetMLP：面向功能性脑网络分类的高效纯MLP基线
文章内容
本文提出首个纯 MLP 的功能性脑网络分类方法 BrainNetMLP，采用双分支结构实现时空特征融合：Spatial Connectivity Mixer 利用功能连接矩阵的对称性全局学习 ROI 间空间关联，Spectrum ROI Mixer 通过频谱滤波与学习捕获 BOLD 信号的时间动态，两者融合后完成分类。此外提出 Edge-Degree Guided Pruning 非结构化剪枝技术，基于可学习权重与边度去除冗余参数。在 HCP 与 ABIDE 数据集上，该方法以仅为 Transformer 模型 1/10 的 FLOPs 和 1/2 的参数量达到 SOTA 精度，证明了轻量 MLP 在脑网络分类任务中的高效潜力。
Forecasting at Full Spectrum: Holistic Multi-Granular Traffic Modeling under High-Throughput Inference Regimes
全谱预测：高吞吐推理下的整体多粒度交通建模
文章内容
本文提出 MultiGran-STGCNFog，一个面向多粒度时空交通预测的高效雾分布式推理系统。其核心模型 MultiGran-STGCN 在动态交通图上通过拉普拉斯驱动的层次图聚类提取多尺度空间特征，并结合多尺度时间建模，实现时空双维度的多粒度特征充分融合。为解决多分支带来的推理延迟问题，系统构建异构雾设备流水线并行架构，并设计 GA-DPHDS 调度算法联合优化层执行顺序与层-设备分配方案。在三个真实交通数据集上，该方法预测指标最高提升 9.86%，推理吞吐量提升 2.43 倍，验证了多粒度融合与推理优化协同的有效性。
Spatiotemporal Feature Alignment and Weighted Fusion in Collaborative Perception Enabled by Network Synchronization and Age of Information
基于网络同步与信息年龄的协同感知时空特征对齐与加权融合
文章内容
本文针对车联网协同感知中因时钟不同步、通信延迟与运动差异导致的时空特征错位问题，提出时空特征对齐与加权融合框架。框架首先通过网络同步持续估计并补偿车辆间时钟状态，建立统一时间基准，再基于特征大小与链路质量估计网络延迟，计算信息年龄（AoI）以衡量特征新鲜度。随后将各车特征投影至统一空间坐标，并以 AoI 为条件校正至同步融合时刻，同时建模同步与对齐过程中的不确定性。最终在 RoI 级别结合 AoI 与可靠性生成融合权重，优先保留新鲜可靠的特征区域。仿真表明在时钟漂移与链路延迟下，该方法感知精度持续优于强基线。
↓↓听说在下方一键三连的都Accept了🌝
