Tag · 5 篇
动态路由
YOLO-Master：基于专用Transformer的MOE加速增强实时检测
YOLO-Master: MOE-Accelerated with Specialized Transformers for Enhanced Real-time Detection
将稀疏混合专家（MoE）与动态路由引入YOLO框架，实现按场景复杂度自适应分配计算资源，为实时目标检测提供可复用的高效计算范式。
按需路由：DSNet 实现高效渐进式点云去噪
Routing on Demand: DSNet for Efficient Progressive Point Cloud Denoising
把「按需路由」引入点云渐进去噪：用基于法向相似性的噪声判别器为每个图像块（patch）选择去噪模块，并用路径选择性迭代实现跨阶段跳连，可直接迁移到其他迭代式点云/几何处理流程中以减少冗余计算并缓解过平滑。
MoDES：通过动态专家跳过加速混合专家多模态大语言模型
MoDES: Accelerating Mixture-of-Experts Multimodal Large Language Models via Dynamic Expert Skipping
MoDES 提供了一种免训练的专家跳过框架，可直接用于加速基于 MoE 的多模态大语言模型（如 Qwen3-VL-MoE）的视觉语言推理，通过全局调制局部门控和双模态阈值化，在跳过 88% 专家时仍保持甚至提升精度，并显著减少预填充和解码时间，为视觉研究者部署高效 MLLM 提供了可复用的技术手段。
MapRoute：通过语义路由实现精确概念擦除的映射器
MapRoute:Precise-Concept Erasing Mappers via Semantic Routing
在冻结的文本编码器之后插入轻量线性映射模块（Mappers），依据文本嵌入与目标概念嵌入的余弦相似度动态激活 top-K 模块，为扩散模型的概念擦除提供了一种免全模型微调、可插拔的干预手段，可直接复用于个性化生成中的敏感概念抑制与版权合规。
ALLNet：面向退化图像的多任务密集预测
ALLNet: Multi-task Dense Prediction for Degraded Images
把 MoE 动态路由用于退化特征增强，并与任务特定特征做双向协同精炼，为在恶劣成像条件下做多任务密集预测（深度、语义分割等）提供了可复用的「复原-任务联合」框架。