Information Fusion-2025年12月-最新出版论文12篇

BMCST:Mamba驱动动态特征细化的空间解析转录组学平衡多视图聚类

原标题：BMCST: Balanced multi-view clustering for spatially resolved transcriptomics with Mamba-driven dynamic feature refinement

作者：Yanran Zhu；Xiao Zheng；Xiao He；Xin Zou；Peihong Wang；Chang Tang；Xinwang Liu；Kunlun He

期刊：Information Fusion

出版时间：2025/12/01

摘要：空间解析转录组学（SRT）为空间聚类分析提供组织学图像、空间位置和基因表达谱，为细胞相互作用和疾病进展机制提供深刻的见解。尽管在空间聚类研究方面取得了进展，但由于SRT数据中固有的噪声和视图异质性，仍然存在几个主要挑战：（1）视图内：现有方法在对点之间的全局相关性建模时，容易忽略来自低质量或冗余特征的干扰，这导致过度的信息传播和冗余计算；（2）视图间：广泛采用的联合训练范式往往导致视图特定特征的不平衡和次优优化。为此，我们提出了一种新的SRT数据平衡多视图聚类方法，称为BMCST。具体来说，我们引入了一种状态自适应处理架构，即Mamba驱动的动态特征细化（MDFR）模块，该模块适应输入的状态，以在视图内上下文中动态选择和优先化信息量最大的特征，而不考虑噪声和不相关的信息。该策略确保全面的全局建模，同时精确捕获局部空间相关性。此外，引入了一种无监督的主视图挖掘机制，在特征融合过程之前动态地识别最具判别性的视角，结合视图之间的优化对齐和节点之间的一致相似性分布，旨在缓解视图之间的信息不平衡。大量实验表明，所提出的BMCST在空间域识别方面优于其他最先进的方法。

原文链接

MCNet:3D点云自监督学习的多级一致性网络

原标题：MCNet: A multi-level consistency network for 3D point cloud self-supervised learning

作者：Hongshuo Liu；Jing Bai；Gan Lin

期刊：Information Fusion

出版时间：2025/12/01

摘要：随着计算机视觉和人工智能的快速发展，点云已经成为三维数据的关键表示。然而，点云的实际应用受到噪声、结构稀疏性和信息遮挡等挑战的阻碍，这些挑战使计算复杂化，并降低高精度分析的性能。虽然自监督学习已被证明在减少对注释数据的依赖方面是有效的，但现有的方法主要侧重于局部特征，经常忽略全局结构以及几何和语义信息之间的平衡。介绍了多层次一致性网络（MCNet），它是一种用于全面挖掘点云中多层次特征信息的新框架。MCNet集成了几何、结构和高阶语义监督信号，通过自监督学习促进特征的对齐和互补。我们提出了全局-局部协同噪声模块（GLSNM），该模块将基于主成分分析的非局部噪声添加（PCA-NLNA）与基于掩码的局部噪声注入（Mask LNI）相结合，以平衡全局结构和局部细节的保持。此外，我们开发了多级信息重建模块（MIRM），该模块采用注意融合机制来动态平衡几何信息和高阶语义信息，从而增强了模型在复杂环境中的特征提取能力。大量实验表明，MCNet在多个任务中始终优于现有方法，包括元分类、少镜头分类、真实世界场景分类、细粒度分类和分割。这些结果验证了MCNet的有效性及其对点云处理领域的重要贡献。

原文链接

无ISP多光谱融合成像，用于极微光增强摄影

原标题：ISP-free multi-spectrum fused imaging for extremely low-light enhanced photography

作者：Yilan Nan；Qican Zhang；Tingdong Kou；Tianyue He；Cui Huang；Cuizhen Lu；Junfei Shen

期刊：Information Fusion

出版时间：2025/12/01

摘要：在极低光照条件下实现高质量成像对于自动驾驶和夜间监控应用至关重要。传统方法主要侧重于退化RGB数据的后处理，在输入信息有限和显著噪声干扰的非常低的光照情况下，这些数据很难有效地减轻噪声。在本研究中，提出了一种计算多光谱融合成像框架，通过将更宽光谱的光源信息编码到成像管道中来增强微光图像。设计了一种端到端光谱融合网络（SPFNet），该网络由用于自动提取场景特征的编码器和用于信道融合的解码器组成，用于将光谱融合与图像去噪相结合。利用新颖的Multi_Conv模块，从多光谱原始数据中提取各种光谱特征，为噪声抑制提供多尺度交叉参考，从而促进高质量图像融合。建立了一个导频光学系统，用于在每个光谱低于0.01 lx的照度条件下捕获真实场景的多光谱RGB数据集。实验结果表明，该方法显著优于传统的RGB成像技术，峰值信噪比（PSNR）平均提高7.87dB以上，结构相似性指数（SSIM）平均改善0.25。通过综合消融和对比实验，验证了该模型在细节重建和色彩保真度方面的最佳性能。该框架避免了对繁琐的传统图像信号处理（ISP）管道的需要和严格的实验限制，为极端微光成像应用提供了一种新颖可行的解决方案，包括便携式摄影、空间探索、遥感和深海勘探。

原文链接

用于鲁棒信息融合的差分私有合成数据生成

原标题：Differentially private synthetic data generation for robust information fusion

作者：Xiaohong Cai；Yi Sun；Zhaowen Lin；Ripeng Li；Tianwei Cai

期刊：Information Fusion

出版时间：2025/12/01

摘要：合成数据在信息融合中对于增强数据表示和提高系统鲁棒性至关重要。在所有的综合方法中，深度生成模型表现出优异的性能。然而，最近的研究表明，由于生成模型对训练实例的记忆，生成过程面临隐私挑战。为了在确保数据安全的同时最大化合成数据的好处，我们提出了一种新的框架，用于在信息融合过程中生成和使用私有合成数据。此外，我们提出了差分私有自适应微调（DP-AdaFit），这是一种用于私有参数高效微调的方法，仅将差分隐私应用于增量更新的奇异值。具体来说，DP-AdaFit根据低秩权重增量矩阵的重要性得分自适应地调整其秩，并允许我们通过仅将噪声注入对应奇异值的梯度来实现等效隐私策略。这种新颖的方法本质上减少了它们的参数预算，但避免了奇异值分解引入的过多噪声。我们将SOTA的内存和计算开销减少了近一半，并在CIFAR10上实现了19.2的FID。我们的结果表明，折衷包含在差分隐私微调参数中的权重可以提高模型性能，甚至可以实现与差分隐私全微调扩散模型竞争的发电质量。我们的代码可在DP AdaFit上获得。

原文链接

FusionSegNet：一种用于超声成像中具有不确定性建模的乳腺病变分割的分层多轴注意门控特征融合网络

原标题：FusionSegNet: A Hierarchical Multi-Axis Attention and gated feature fusion network for breast lesion segmentation with uncertainty modeling in ultrasound imaging

作者：Md Rayhan Ahmed；Patricia Lasserre

期刊：Information Fusion

出版时间：2025/12/01

摘要：由于噪声、低对比度外观、边界模糊、纹理不一致和病变外观的固有不确定性，乳腺超声图像（BUS）中的病变分割具有挑战性。在基于U-Net的模型中，编码器和解码器功能之间的语义差距进一步加剧了这些挑战。在本文中，我们介绍了FusionSegNet，这是一种新的病变分割网络，它集成了几个关键创新来解决这些挑战。首先，我们提出了一种基于模糊逻辑的多尺度上下文网络作为编码器，通过多尺度注意和基于模糊隶属度的不确定性估计来处理噪声和不确定区域。其次，设计了加权乘法融合模块，在抑制噪声的同时有效地融合多尺度特征。第三，我们在编码器和解码器中集成了层次化多轴注意，以增强多个维度的聚焦，使FusionSegNet能够更好地分割具有不同位置、缩放大小的目标。第四，我们引入了一个门限多尺度特征聚合模块，该模块在局部和全局信息之间架起桥梁，以实现更好的语义理解，并且新集成的Atrous注意力融合模块使用不同的扩展率进一步细化多尺度长程上下文细节。最后，我们设计了一个门控多尺度融合块，该块有助于编码器和解码器之间的特征融合，以保持空间一致性。对两个基准BUS数据集的广泛实验和全面烧蚀研究验证了FusionSegNet及其集成设计选择相对于最先进方法的优势。FusionSegNet在UDIAT数据集上实现了93.22%的mDSC，在BUSI数据集上达到了80.10%的mIoU，为BUS图像中的病变分割建立了新的基准。我们的代码可以在https://github.com/rayhan-ahmed91/FusionSegNet上找到。

原文链接

Auth-Graph：生成式人工智能授权的属性屏蔽后门，用于按需可授权图学习

原标题：Auth-Graph: GenAI-empowered attribute-masked backdoor for on-demand authorizable graph learning

作者：Xiao Yang；Gaolei Li；Kai Zhou；Yuni Lai；Jianhua Li

期刊：Information Fusion

出版时间：2025/12/01

摘要：由于能够融合非欧几里德节点边缘信息，图学习（GL）在包括web推荐、社区检测和分子分类的应用程序中得到了广泛的利用。当前的GL范式极其强调所有客户的绝对公平和公正。这限制了其在处理需要可定制模型查询（例如，访问控制和知识产权保护）的特定情况时的灵活性和适应性，其中可授权的GL模型在实现中存在不小的障碍。受生成式人工智能（GenAI）的启发，为了克服这一限制，我们提出了Auth Graph，这是第一种通过内置模型访问控制机制的可授权GL方法。具体来说，我们的Auth Graph使用生成扰动驱动后门来实现可授权访问。后门的激活仅限于正确屏蔽和扰动的输入，这会产生准确的结果，而所有其他输入都会导致GL模型产生错误的结果。此外，为了增强兼容性和支持多用户功能，屏蔽机制仅为拥有有效令牌的授权用户使用生成屏蔽器来正确操作，每个用户的令牌是唯一不同的。基准GL模型和数据集的经验结果证实，Auth Graph在促进合法用户达到标准输出（平均精度下降3.45%）的同时，有力地防止了未经授权的访问（平均精度3.68%）。

原文链接

基于句法释义的汉语模型后门攻击合成数据生成

原标题：Syntactic paraphrase-based synthetic data generation for backdoor attacks against Chinese language models

作者：Man Hu；Yatao Yang；Deng Pan；Zhongliang Guo；Luwei Xiao；Deyu Lin；Shuai Zhao

期刊：Information Fusion

出版时间：2025/12/01

摘要：语言模型（LM）在各种自然语言处理（NLP）任务中显示出显著的进步。然而，最近的研究表明，LM特别容易受到恶意后门攻击，即攻击者在遇到特定触发器时操纵模型以展示特定行为。虽然现有的研究侧重于对英语学习者的后门攻击，但汉语学习者在很大程度上仍未被探索。此外，现有的针对中国LM的后门攻击表现出有限的隐蔽性。本文研究了当前针对中文LM的后门攻击的高检测性，提出了一种基于句法释义的更隐蔽的后门攻击方法。具体来说，我们利用大语言模型（LLM）来构建一种句法解释机制，该机制将良性输入转换为具有预定义句法结构的中毒样本。随后，我们利用这些中毒样本的句法结构作为触发器，在各种攻击策略中创建更隐秘和鲁棒的后门攻击。在三个主要的NLP任务上使用各种中文PLM和LLM进行的大量实验表明，我们的方法可以实现类似的攻击性能（几乎100%的成功率）。此外，与传统的字符级后门攻击相比，该方法生成的中毒样本显示出更低的复杂度和更少的语法错误。此外，我们的方法对两种最先进的后门防御机制表现出强大的抵抗力。

原文链接

用于非接触旋转机械故障诊断的可信多模态特征增强融合网络

原标题：Trustworthy multimodal feature-enhanced fusion network for non-contact rotating machinery fault diagnosis

作者：Wanming Ying；Lunyong Li；Yongbo Li；Teng Wang；Jinde Zheng；Ke Feng

期刊：Information Fusion

出版时间：2025/12/01

摘要：多模态信息融合和非接触传感技术在复杂机械设备的故障诊断中发挥着至关重要的作用，在交通运输、制造业和航空航天等行业得到了广泛的应用。然而，在低质量数据条件或显著噪声干扰下动态评估每个模态的可靠性仍然是一项重大挑战。为了解决这个问题，本文提出了一种可信的多模态特征增强融合网络（TMFEFN）框架，以提高多模态融合学习的可靠性，并改进深度敏感故障特征的提取。首先，提出了一种双分支特征提取模块，用于从声学和红外热像数据中捕获局部和全局特征。其次，设计了一个增强的频率通道注意网络模块来细化单峰特征并构造组合伪视图。同时，建立了比较聚类损失，以增强语义空间中每个样本的不同模态特征之间的一致性。最后，引入基于Dirichlet分布的可信特征融合模块来测量每个模态对诊断结果的贡献，确保不同样本之间的模态特征的可靠融合。在通过非接触传感技术获得的真实变速箱和飞机发动机转子数据集上，验证了所提出的TMFEFN方法的有效性和可靠性。实验结果表明，TMFEFN在诊断准确性和噪声鲁棒性方面优于五种最先进的多模态融合方法，同时还为多模态融合诊断结果的可信度提供了更可靠的评估。

原文链接

ModiFedCat：一种基于多模态精馏的联邦催化框架

原标题：ModiFedCat: A multi-modal distillation based federated catalytic framework

作者：Dongdong Li；Zhenqiang Weng；Zhengji Xuan；Zhe Wang

期刊：Information Fusion

出版时间：2025/12/01

摘要：联合学习系统中多模态数据的集成在严格客户端隔离约束下平衡隐私保护和有效的跨模态相关学习方面面临着重大挑战。我们提出了ModiFedCat，这是一种新的课程引导的多模态联合蒸馏框架，它将分层知识传输与自适应训练调度相结合，以增强客户端模型性能，同时维护严格的数据隐私。我们的方法在特征提取和输出层计算多模态知识提取损失，确保在整个训练过程中局部模型与全局模型一致地对齐。此外，我们引入了一种独特的催化剂策略，该策略动态地调度蒸馏损失的集成。通过在不进行蒸馏的情况下对全局模型进行初始训练，我们确定其引入的最佳时间，从而在局部模型稳定后最大限度地提高知识转移的有效性。在三个基准数据集AV-MNIST、MM-IMDB和MIMIC-III上的实验结果表明，ModiFedCat优于现有的多模态联合学习方法。该框架在维护客户端数据隐私的同时，显著提高了多模态模型的融合能力。该方法平衡了局部自适应和全局知识集成，使其成为多模式联合学习场景的健壮解决方案。

原文链接

基于自适应3D注意的记忆关联引导无监督异常检测

原标题：Memory association guided unsupervised anomaly detection with adaptive 3D attention

作者：Xu Liu；Chunlei Wu；Huan Zhang；Leiquan Wang

期刊：Information Fusion

出版时间：2025/12/01

摘要：最近，无监督异常检测在各种异常检测任务中取得了重大进展，包括多正态类异常检测和工业缺陷检测。然而，现有的方法往往构造简单的特征空间，难以将与重建信息交织在一起的丰富异常信息进行解缠。为了保证图像特征空间的正常性，我们提出了一种基于记忆关联模块的生成器来激活深度交互式记忆特征空间，从而增强正常特征信息的表示。此外，我们构建了一个特征模拟网络，该网络利用深度特征渐进融合块从重建图像中捕获多尺度信息，并随后校正存储特征空间输出的向量。考虑到现有方法在识别缺陷图像中的边缘信息和模糊区域方面面临的挑战，我们提出了一种自适应3D注意模块，并将其集成到整体异常检测网络架构中，以增强网络识别图像中难以检测缺陷区域的能力。

原文链接

基于心电图和超声图像融合的多节段心肌状态评估算法

原标题：Multi-section myocardial status evaluation algorithm based on electrocardiogram and ultrasound image fusion

作者：Mingjun Tian；Minjuan Zheng；Shi Qiu；Hongbing Lu

期刊：Information Fusion

出版时间：2025/12/01

摘要：心脏是人体的重要器官，心肌是必不可少的组成部分。心肌微循环状态与心脏功能直接相关，因此对其研究具有重要意义。目前，心肌分析主要依赖医生的主观评估，缺乏定量指标和有效的成像技术。为了便于实时观察心脏状况，我们提出了一种基于心电图和超声图像融合的多节段心肌状态评估算法。1）使用心电图作为后续分析的基础，在时间透视图中对齐多段超声图像。2）引入了一种融合深度和浅层特征的心肌分割模型，利用多尺度来获取更多的信息，实现心肌的精确提取。3）基于医学诊断标准构建靶心图，引入定量指标进行评价，通过颜色映射直观地显示结果。我们收集了411个临床组的成像数据集。两名专业放射科医生使用盲法标记心肌区域，他们对心脏传导状态的定性评估是金标准。实验表明：1）该算法有效地分割了心肌，实现了94%的面积重叠度量（AOM），比EUnet模型提高了13%。2）心肌状态评估算法产生了可接受的结果，直接帮助84%的病例进行诊断，从而提高了医生检测的准确性。

原文链接

遥感图像语义分割的双域解耦融合网络

原标题：Dual-domain decoupled fusion network for semantic segmentation of remote sensing images

作者：Xin Li；Feng Xu；Jue Zhang；Anzhu Yu；Xin Lyu；Hongmin Gao；Jun Zhou

期刊：Information Fusion

出版时间：2025/12/01

摘要：由于空间结构的复杂性、对象尺度的多样性和土地覆盖模式的异质性，遥感图像的语义分割是一项具有挑战性的任务。传统方法通常难以有效地平衡细粒度边界细节和全局上下文理解，特别是对于高分辨率图像。本文提出了一种新的双域解耦融合网络DDFNet来解决这些挑战。DDFNet通过动态解耦和融合策略集成空间和频域特征。具体来说，我们引入了一个双域解耦特征融合（DDFF）模块，该模块选择性地组合来自两个域的高频和低频分量，使模型能够捕获局部纹理和全局语义。为了进一步提高分割精度，我们设计了一个高阶几何先验生成（HGPG）模块，该模块利用梯度和曲率信息来提高边界精度并保持几何一致性。在三个基准数据集（ISPRS Vaihingen、ISPRS Potsdam和LoveDA）上的广泛实验表明，DDFNet实现了最先进的性能。烧蚀研究验证了DDFF和HGPG模块的贡献，效率分析表明DDFNet对不同的计算约束具有很强的适应性。

原文链接