结合六幅原论文图和数值算例，解释 DVD-Quant 的权重网格优化、激活旋转与缩放补偿、动态位宽切换，并核对主实验、模块消融及效率收益。
Research · Engineering · AI
Ideas in motion.
论文精读、开发实践与每日技术信号。Curated for curious builders
Recent blog posts
P4Q 冻结量化后的 CLIP 编码器，通过可学习文本提示、图像端 QAdapter 和教师蒸馏修复图文对齐。结合原论文五幅图，解读方法、实验、混合精度设置及跨域泛化边界。
D4C 从高斯噪声合成 CLIP 量化所需的校准图片，通过文本语义引导、前景与背景对比及随机扰动改善样本质量。本文结合原文四幅图，解释生成目标、两阶段量化流程、零样本分类结果，以及混合精度和部署收益的边界。
多中心 rs-fMRI 不能把原始连接矩阵传来传去，欧氏平均还会把 SPD 矩阵「吹肿」。BrainRiem 在 Log-Euclidean 切空间里学每类 4 个脑原型，只把匿名原型送到目标医院。ABIDE 15 站点 LOSO 平均 71.4%，REST-meta-MDD 23 站点 70.2%；重识别 Rank-1 从 100% 降到 3.8%。
Explore the collection
All blog posts
水电工程文档里同一个特征量会写多遍、多方案、多单位。TEIE-RAG 把可信 RAG 拆成稳健、隐私、公平、可解释、安全、可问责六维：层次路径分块、难负样本微调检索、自适应 few-shot，再把支持和冲突原文钉回每个数字。8 份文档自适应 few-shot 平均 93.10%，人工植入错误识别 92.31%。
CLIP 类增量学习中被忽视的模态不对称遗忘：文本分支有概念级语义锚点所以稳，视觉分支没有所以高层 Fisher 信息激增、旧类 CLS 漂移。VAST 用跨层自相似注意力造视觉锚点（VRRM），再用矩阵联合熵做结构蒸馏，9 个增量设定全部 SOTA，且不需要任何回放数据。
医学图像的域偏移被拆成风格偏移（奇异值）与内容偏移（秩一矩阵），StyCona 对两者分别做混合增强：风格增强管 ASD，内容增强管 DSC。心脏 MRI 双向迁移 73.39 / 81.59，眼底四目标域平均 DSC 73.16。
红外小目标在下采样中途就被背景吃掉。PHFNet 在 U-Net 每一级并行 CNN 与线性 Transformer，LCLA 用缩放+门控做局部补偿，BMRA 再校准融合特征。SIRST / NUDT-SIRST / IRSTD-1K 上 IoU 80.12 / 96.70 / 71.39。
真实 SAR 没有干净图，相干斑还空间相关。GLCNet 用小波-shuffle 把斑点打散，全局支路去相关、局部支路保细节，DGM 按区域把门。Sentinel-1 上 PSNR 18.96 / SSIM 0.6889，下游地物分类 mIoU 从 46.1 拉到 73.6。
DCRM-ViT 把「医学适配不伤通用能力」做成硬约束：冻结 ViT 骨干，用域路由器按样本估计医学/自然概率，超网络 PSN 现场合成低秩调制参数，经 RMB 门控注入 Q/V 投影。仅 3.3M 可训练参数，微调 8 个数据集全胜、分割 6 个数据集全胜，推理零更新。
TGC-Net 把「CLIP 迁移到医学分割」拆成结构、语义、对齐三个鸿沟，用 SSE、DATE、VLCM 三个轻量模块逐一校准，冻结 CLIP 主干只训 10.3M 参数，在 7 个数据集、4 种模态上全面刷新 SOTA。
PIMamba 把扩散型物理先验同时写进 Mamba 的状态转移矩阵与损失函数：隐藏状态演化由扩散算子决定，光谱与空间两个分支分别施加反应–扩散方程残差损失，DPA 机制动态平衡两者权重。在四个公开高光谱数据集、每类 5 个标注样本的设定下，OA 较 MambaHSI 提升 3.21–5.66 个百分点，参数量为其 10%–13%。
MCD-CLIP 不重训整个 CLIP，而是用对齐的视觉 Prompt、共享/私有 Adapter 与图文分数融合，让正位和侧位胸片在少量可训练参数下共同完成疾病诊断。