ICR: Iterative Convex Refinement for Sparse Signal Recovery Using Spike and Slab Priors
The Pennsylvania State University（宾夕法尼亚州立大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
在这封信中，我们解决稀疏信号恢复使用尖峰和板先验。特别是，我们专注于一个贝叶斯框架，稀疏性是通过概率先验重建系数。由尖峰和厚板先验最大化产生的优化已知是硬非凸问题，并且现有的解决方案涉及简化假设和/或松弛。我们提出了一种称为迭代凸优化（ICR）的方法，旨在直接解决上述优化问题，从而在稀疏结构中实现更大的通用性。本质上，ICR解决了一系列凸优化问题，使得解决方案序列收敛到原始硬优化问题的次优解。我们提出了我们的算法的两个版本：a。不受约束的版本，以及b.）具有对稀疏系数的非负性约束，这在某些现实问题中可能是需要的。实验验证是在合成数据和现实世界的图像恢复问题，这说明了ICR的优点超过国家的最先进的替代品。
2015-02-16 cs.CV math.OC stat.ML
Recursive Non-Autoregressive Graph-to-Graph Transformer for Dependency Parsing with Iterative Refinement
Idiap Research Institute（伊迪亚普研究所）；EPFL（洛桑联邦理工学院）
我们提出了递归的非自回归图到图的Transformer架构（RNGTr）的迭代细化的任意图形通过递归应用的非自回归图到图的Transformer，并将其应用到语法依存句法分析。我们使用经过BERT预训练的细化模型，在多个依赖语料库上展示了RNGTr的功能和有效性。我们还介绍了语法Transformer（SynTr），一个类似于我们的细化模型的非递归解析器。RNGTr可以提高各种初始解析器对来自通用词典树库、英语和中文Penn树库以及德语CoNLL 2009语料库的13种语言的准确性，甚至比SynTr实现的新的最先进的结果更好，显著提高了所有测试语料库的最先进水平。
2020-11-10 cs.CL cs.LG
Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss
SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS、大学）
本研究提出基于最优传输理论的条件细化方法，通过理论分析和实验验证，有效缓解条件不一致问题并提升图像生成稳定性。
2026-02-02 cs.CV cs.LG eess.IV
Align-Refine: Non-Autoregressive Speech Recognition via Iterative Realignment
Stanford University（斯坦福大学）；Amazon AWS AI（亚马逊AWS人工智能）
非自回归模型大大提高了解码速度超过典型的序列到序列模型，但遭受性能下降。填充和迭代细化模型通过编辑非自回归模型的输出来弥补这一差距，但它们可以进行的编辑受到限制。我们提出迭代重新对齐，其中细化发生在潜在对齐而不是输出序列空间上。我们证明了这一点，在语音识别与Align-Refine，一个端到端的转换器为基础的模型，细化连接时间分类（CTC）的路线，允许长度变化的插入和删除。Align-Refine的性能优于Imputer和Mask-CTC，在WSJ上以1/14的实时因子匹配自回归基线，并在没有LM的情况下获得了9.0%的LibriSpeech测试-其他WER。我们的模型是强大的，即使在一个迭代与浅解码器。
2020-10-24 cs.CL cs.LG cs.SD
When Latent Geometry Is Not Enough: Draft-Conditioned Latent Refinement for Non-Autoregressive Text Generation
Technical Report v1, May 2026（技术报告v1，2026年5月）
本文提出通过草稿条件潜在细化模型提升非自回归文本生成效果，发现潜在几何本身不足以保证生成质量，需结合解码器可读性与结构保持。
2026-05-15 cs.CL cs.LG
Iterative Neural Autoregressive Distribution Estimator (NADE-k)
Aalto University（阿尔托大学）；Université de Montréal（蒙特利尔大学）
神经自回归密度估计器（NADE）的训练可以看作是对数据中的缺失值进行概率推断的一步。我们提出了一个新的模型，扩展此推理方案的多个步骤，认为它是更容易学习，以提高重建$k$步骤，而不是学习重建在一个单一的推理步骤。所提出的模型是深度学习的无监督构建块，结合了NADE和多预测训练的理想特性：（1）其测试可能性可以通过分析计算，（2）很容易从中生成独立样本，（3）它使用的推理引擎是Boltzmann机的变分推断的超集。建议NADE-k是竞争力的国家的最先进的密度估计的两个数据集上测试。
2014-12-06 cs.LG stat.ML
Tiny Autoregressive Recursive Models
University of Cambridge（剑桥大学）
本文提出自回归TRM，评估其在小型自回归任务上的表现，发现两步细化基线表现强劲，但完整架构未见显著性能提升。
2026-03-09 cs.LG
ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling
University of Southern California, USA（美国南加州大学）；Carnegie Mellon University, USA（美国卡内基梅隆大学）
提出ANCHOR模型，将增量语音质量评估重构为多分辨率自回归任务，通过双分辨率令牌和分辨率感知层次实现分块到整句的粗到细细化，在部分输入下显著降低误差，并揭示感知质量的时域积累机制。
2026-06-08 cs.LG cs.SD eess.AS
WaveFit: An Iterative and Non-autoregressive Neural Vocoder based on Fixed-Point Iteration
Google Research（谷歌研究院）；Tokyo University of Agriculture and Technology（东京农工大学）
去噪扩散概率模型（DDPM）和生成对抗网络（GANs）是用于神经声码器的流行生成模型。DDPM和GANs可以分别由迭代去噪框架和对抗训练来表征。本文提出了一种快速、高质量的神经声码器\textit{WaveFit}，它将GANs的本质集成到基于定点迭代的类DDPM迭代框架中。WaveFit迭代地对输入信号进行去噪，并训练深度神经网络（DNN），以最小化从所有迭代的中间输出计算的对抗损失。主观（并排）听力测试显示，人类自然语音与WaveFit五次迭代合成的语音之间的自然度没有统计学显著差异。此外，WaveFit的推理速度比WaveRNN快240倍。音频演示可在\url{google.github.io/df-conformer/wavefit/}上获得。
2022-10-03 cs.LG cs.SD eess.AS
Deliberation of Streaming RNN-Transducer by Non-autoregressive Decoding
Google, Inc.（谷歌公司）
我们建议考虑流RNN-T模型与先前提出的Align-Refine非自回归解码方法及其改进版本的假设对齐。该方法执行几个细化步骤，其中每个步骤共享一个Transformer解码器，该解码器关注文本特征（从对齐中提取）和音频特征，并输出完整的更新对齐。Transformer解码器用CTC损失来训练，这有助于并行贪心解码，并且执行全上下文注意以捕获标签依赖性。我们通过引入级联编码器来改进Align-Refine，该编码器在细化之前捕获更多的音频上下文，并且对齐增强强制学习标签依赖性。我们表明，在流RNN-T模型的假设对齐的条件下，我们的方法获得了比第一遍RNN-T更准确的识别结果，只有少量的模型参数。
2021-12-01 cs.CL cs.LG eess.AS
ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction
Huawei Technologies Co., Ltd（华为技术有限公司）；Shanghai Jiao Tong University（上海交通大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
ToolACE-MT通过非自回归生成方法高效构建高质量多轮代理对话，解决传统自回归方法效率低下的问题。
2026-02-13 cs.AI cs.CL cs.LG
Reflection-Window Decoding: Text Generation with Selective Refinement
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对自回归解码缺乏修正机制的问题，提出反射窗口解码方法，通过滑动反射窗口和暂停准则实现生成与修正交替进行，在效率与最优性之间取得平衡。
2025-06-01 cs.AI cs.CL cs.LG
Iterative Refinement of the Approximate Posterior for Directed Belief Networks
University of New Mexico（新墨西哥大学）；Mind Research Network（思维研究网络）；Courant Institute & Center for Data Science, New York University（纽约大学库朗研究所与数据科学中心）；University of Montreal（蒙特利尔大学）；Carnegie Melon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
依赖于识别网络来近似有向图模型的后验的变分方法比以前的方法提供更好的推理和学习。利用这种方法的能力和灵活性的最新进展已经扩大了可以训练的模型类型。然而，作为后验的建议，识别网络的容量是有限的，这可能会限制生成模型的代表性，并增加Monte Carlo估计的方差。为了解决这些问题，我们引入了一个迭代的细化过程，用于提高识别网络的近似后验，并表明使用细化后验进行训练与最先进的方法相比具有竞争力。细化的优势在增加有效样本量方面进一步明显，这意味着梯度估计的方差较低。
2018-02-20 cs.LG stat.ML
AbbIE: Autoregressive Block-Based Iterative Encoder for Efficient Sequence Modeling
University of Cambridge（剑桥大学）；Meta
提出自回归块式迭代编码器（AbbIE），一种递归泛化的仅编码器Transformer，以更优困惑度实现测试时动态计算扩展，并向上泛化至任意迭代长度，在零样本上下文学习和语言建模上分别提升最高12%和5%。
2025-08-07 cs.LG
Sentence Embeddings in NLI with Iterative Refinement Encoders
University of Helsinki（赫尔辛基大学）
句子级表示对于各种NLP任务是必要的。递归神经网络已被证明在学习分布式表示方面非常有效，并且可以在自然语言推理任务上进行有效训练。我们建立在这样一个模型之上，并提出了一个BiLSTM和最大池化层的层次结构，该层次结构实现了迭代细化策略，并在SciTail数据集上产生了最先进的结果，以及SNLI和MultiNLI的强结果。我们可以证明，以这种方式学习的句子嵌入可以用于各种各样的迁移学习任务，在10个SentEval句子嵌入评估任务中有7个优于InferSent，在9个SentEval评估任务中有8个优于SkipThought。此外，我们的模型在最近发表的10个SentEval探测任务中的8个中击败了InferSent模型，这些探测任务旨在评估句子嵌入捕捉句子的一些重要语言属性的能力。
2019-06-03 cs.CL cs.LG
ToolACE-R: Model-aware Iterative Training and Adaptive Refinement for Tool Learning
ToolACE-R通过基于模型的迭代训练和自适应细化，提升工具学习的效率和性能。
2026-01-10 cs.AI cs.CL cs.LG
FlowRefiner: Flow Matching-Based Iterative Refinement for 3D Turbulent Flow Simulation
University of Alabama（阿拉巴马大学）；University of Pittsburgh（匹兹堡大学）
本文提出FlowRefiner方法，通过确定性ODE修正替代随机去噪，统一回归速度场目标，引入解耦的sigma调度，实现小噪声下的稳定精炼，实验表明在复杂多尺度湍流中取得最佳自回归预测精度和物理一致性。
2026-04-25 cs.LG physics.flu-dyn
IFR-Net: Iterative Feature Refinement Network for Compressed Sensing MRI
Nanchang University（南昌大学）；Medical AI Research Center, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院医学人工智能研究中心）
为了改善压缩感知MRI（CS-MRI）方法在高加速因子下的精细结构损失，我们提出了一种迭代特征细化模型（IFR-CS），配备固定变换，以恢复有意义的结构和细节。然而，建议IFR-CS仍然有一些局限性，如超参数的选择，一个漫长的重建时间，和固定的稀疏化变换。为了缓解这些问题，我们展开迭代功能细化程序IFR-CS监督模型驱动的网络，称为IFR-Net。通过引入训练数据对，IFR-CS中的正则化参数和最大特征细化算子都变得可训练。此外，受卷积神经网络（CNN）强大的表示能力的启发，在稀疏促进去噪模块中探索了基于CNN的反转块，以推广稀疏实施算子。在模拟和活体MR数据集上的大量实验表明，该网络具有很强的捕获图像细节的能力，并能很好地保留结构信息，重建速度快。
2019-09-25 cs.LG eess.IV stat.ML
TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation
School of Computing, Utah State University（计算学院，犹他州立大学）
TIMED提出统一生成框架，结合扩散模型、自回归监督网络和对抗判别器，并引入MMD损失，以生成更真实、时间连贯的多元时间序列。
2025-09-23 cs.CV cs.LG
GENESIS-V2: Inferring Unordered Object Representations without Iterative Refinement
Google DeepMind（谷歌DeepMind）；Applied AI Lab, University of Oxford（牛津大学应用人工智能实验室）
对象表示的无监督学习的进展已经在用于无监督对象分割和可解释的以对象为中心的场景生成的广泛方法的发展中达到高潮。然而，这些方法仅限于具有有限视觉复杂度的模拟和真实世界数据集。此外，对象表示通常使用不能很好地扩展到大图像的RNN或迭代细化来推断，这避免了对图像中的对象施加不自然的排序，但需要对固定数量的对象表示进行先验初始化。与现有的范例相比，这项工作提出了一种基于嵌入的方法，其中嵌入的像素被聚集在一个可微的方式使用一个随机的棒断裂过程。类似于迭代细化，这种聚类过程也导致随机排序的对象表示，但不需要初始化一个固定数量的集群先验。这被用来开发一个新的模型GENESIS-v2，它可以在不使用RNN或迭代细化的情况下推断出可变数量的对象表示。我们表明，与最近的基线相比，GENESIS-v2在已建立的合成数据集以及更复杂的真实世界数据集上的无监督图像分割和以对象为中心的场景生成方面表现强劲。
2022-01-25 cs.CV cs.LG stat.ML
AVATAR: Adversarial Autoencoders with Autoregressive Refinement for Time Series Generation
Utah State University（犹他州立大学）
AVATAR框架将对抗自编码器与自回归学习结合，通过监督损失、分布损失和联合训练机制，同时学习时间序列的概率分布与时间条件依赖，在多个数据集上显著提升生成数据的质量和实用性。
2025-01-03 cs.AI cs.LG
REFINEPPO: Learning Continuous Control Policies by Iterative Action Refinement
Northeastern University（东北大学）
本文提出REFINEPPO，通过迭代动作细化机制让策略逐步改进动作，结合PPO算法，在14个基准任务上达到或超越标准PPO，并加快收敛。
2026-09-21 cs.LG
Iterative Atom Refinement: A Monotonicity Principle for Dictionary Learning
Stanford University（斯坦福大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Pennsylvania State University（宾夕法尼亚州立大学）；University of California, Merced（加州大学默塞德分校）
本文提出迭代原子细化（IAR）算法，通过迭代选择强相关观测并平均更新方向，借助单调性原理证明三步内可恢复字典原子，实验验证了理论。
2026-09-22 cs.LG math.PR stat.ML
Iterative Augmentation with Summarization Refinement (IASR) Evaluation for Unstructured Survey data Modeling and Analysis
University of Toledo（托莱多大学）；George Mason University（乔治梅森大学）
本文提出用于LLM文本增强的原则性评估框架，包含可扩展性分析和迭代增强与摘要精炼（IASR），在真实主题建模任务中使主题粒度增加400%并消除重叠，验证了其有效性。
2025-07-16 cs.CL cs.LG
Iterative Refinement Strategy for Automated Data Labeling: Facial Landmark Diagnosis in Medical Imaging
The University of Melbourne（墨尔本大学）
针对医学影像面部关键点诊断中的自动标注难题，本文提出结合反馈机制与先进算法的迭代优化策略，以减少人工干预并提升标签质量及深度学习性能。
2024-04-08 cs.AI cs.CV cs.LG
IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts
University of Toronto（多伦多大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；New York University（纽约大学）
针对LLM智能体单步优化机器学习流水线导致优化不稳定且收敛慢的问题，提出迭代细化策略并实现端到端框架IMPROVE，通过逐步更新组件显著提升了目标分类性能。
2025-09-16 cs.CV cs.LG
WaveGrad 2: Iterative Refinement for Text-to-Speech Synthesis
Google Brain（谷歌大脑）
介绍了一种用于文本转语音合成的非自回归生成模型WaveGrad 2。WaveGrad 2被训练以估计给定音素序列的波形的对数条件密度的梯度。该模型采用输入音素序列，并通过迭代细化过程，生成音频波形。这与原始WaveGrad声码器形成对比，原始WaveGrad声码器以由单独模型生成的梅尔频谱图特征为条件。迭代细化过程从高斯噪声开始，并且通过一系列细化步骤（例如，50步），逐步恢复音频序列。WaveGrad 2提供了一种自然的方式，通过调整细化步骤的数量，在推理速度和样本质量之间进行权衡。实验表明，该模型能够产生高保真的音频，接近最先进的神经文语转换系统的性能。我们还报告了不同模型配置的各种消融研究。音频样本可在https://wavegrad.github.io/v2上获得。
2021-06-19 cs.LG cs.SD eess.AS
Evolutionary Guided Decoding: Iterative Value Refinement for LLMs
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Soochow University（苏州大学）；Zhejiang University（浙江大学）；Fudan University（复旦大学）
研究发现引导解码中值函数不准确源于分布差距，提出迭代值细化框架，用值探索提供训练信号，迭代自我细化利用改进值函数生成高质量数据，实验证明该框架能有效对齐语言模型并降低计算成本。
2026-07-07 cs.AI cs.CL cs.LG
Multi-scale Autoregressive Models are Laplacian, Discrete, and Latent Diffusion Models in Disguise
University of Cambridge（剑桥大学）
本文将多尺度自回归模型重新诠释为拉普拉斯、离散和潜在扩散模型，通过分析其设计选择揭示其效率与质量的权衡，并展示其在不同任务中的应用。
2026-02-16 cs.LG
Reward-Guided Iterative Refinement in Diffusion Models at Test-Time with Applications to Protein and DNA Design
Princeton University（普林斯顿大学）
针对扩散模型推理阶段的下游奖励函数优化问题，提出受进化算法启发的迭代优化框架，通过加噪与奖励引导去噪的迭代过程修正误差，在蛋白质和DNA设计中实现更优性能。
2025-02-20 cs.AI cs.LG cs.NE
PRISM: Iterative Cross-Modal Posterior Refinement for Dynamic Text-Attributed Graphs
College of Artificial Intelligence（人工智能学院）
PRISM通过迭代跨模态后验细化方法，提升动态文本属性图的表示学习能力，有效捕捉节点语义与交互行为的动态依赖关系。
2026-05-07 cs.LG
Projected Autoregression: Autoregressive Language Generation in Continuous State Space
IBM Research（IBM研究院）
本文提出投影自回归方法，通过连续预测和离散投影实现语言生成，展示连续状态空间在生成文本结构和动态方面的独特优势。
2026-04-06 cs.AI cs.CL cs.LG
Iterative Flow Matching: Path Correction and Gradual Refinement for Enhanced Generative Modeling
The University of British Columbia（不列颠哥伦比亚大学）；University of Cambridge（剑桥大学）
本研究针对图像生成模型易产生幻觉的问题，提出可集成于各类生成建模技术的迭代流匹配方法，通过路径校正与渐进式优化提升图像合成的性能与鲁棒性。
2026-08-20 cs.AI cs.CV cs.LG
Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
University of Verona（维罗纳大学）
本研究提出迭代精炼过程（IRP），通过循环移除误导性数据点提升工业异常检测精度，在KSDD2和MVTec AD数据集上表现优于传统模型，有效应对稀疏与噪声数据挑战。
2025-03-03 cs.CV cs.LG
IterefinE: Iterative KG Refinement Embeddings using Symbolic Knowledge
从文本源中提取的知识图（Knowledge Graph，KG）往往带有噪声，导致下游应用任务（如基于KG的问答）的性能不佳。虽然最近的许多活动都集中在通过使用嵌入来推断新事实来解决KG的稀疏性，但通过KG精化任务来清除KG中的噪声的问题并没有得到积极的研究。大多数成功的KG细化技术利用推理规则和本体推理。除了少数例外，嵌入不利用本体信息，并且它们在KG细化任务中的表现还没有得到很好的理解。在本文中，我们提出了一个KG细化框架称为IterefinE迭代结合两种技术-一个使用本体信息和推理规则，PSL-KGI，和KG嵌入，如ComplEx和ConvE不。因此，IterefinE不仅能够利用本体信息来提高预测的质量，而且还能够利用KG嵌入的能力（隐式地）执行更长的推理链。IterefinE框架在协同训练模式下运行，并导致从PSL-KGI（我们称之为TypeE-X）中细化的KG的显式类型监督嵌入。我们在一系列KG基准上的实验表明，我们产生的嵌入能够拒绝KG中的噪声事实，同时推断出更高质量的新事实，从而使整体加权F1得分提高了9%
2020-06-03 cs.AI cs.DB cs.LG
Iterative Residual Refinement for Joint Optical Flow and Occlusion Estimation
TU Darmstadt（达姆施塔特工业大学）
近年来，用于光流估计的深度学习方法取得了快速进展。许多网络的一个共同特点是，它们通过多个阶段或跨由粗到细的表示级别来细化初始流量估计。虽然导致更准确的结果，但其缺点是参数数量增加。从经典的能量最小化方法以及残差网络的启发，我们提出了一个迭代残差细化（IRR）计划的基础上的权重共享，可以结合几个骨干网络。它减少了参数的数量，提高了精度，甚至两者兼而有之。此外，我们表明，将遮挡预测和双向流量估计集成到我们的IRR方案中可以进一步提高准确性。我们的完整网络在多个标准数据集上实现了光流和遮挡估计的最新结果。
2019-04-10 cs.CV cs.LG
Iterative Refinement Neural Operators are Learned Fixed-Point Solvers: A Principled Approach to Spectral Bias Mitigation
Dartmouth College（达特茅斯学院）；CUHK Shenzhen（香港大学深圳分校）；Lawrence Berkeley National Lab（伯克利国家实验室）
提出迭代精化神经算子（IRNO），通过固定点迭代应用学习精化模块，结合渐进频谱损失，有效缓解神经算子的频谱偏差，在湍流和活性物质等物理系统中显著降低高频误差。
2026-05-26 cs.AI cs.LG
Do Not Imitate, Reinforce: Iterative Classification via Belief Refinement
本文提出RIC方法，通过强化学习替代传统模仿目标，实现迭代分类，提升预测校准性和计算分配能力。
2026-04-23 cs.LG
Image Super-Resolution via Iterative Refinement
Google Research（谷歌研究院）
我们提出了SR 3，一种通过重复细化实现图像超分辨率的方法。SR 3将去噪扩散概率模型适应于条件图像生成，并通过随机去噪过程执行超分辨率。推理从纯高斯噪声开始，并使用在各种噪声水平下进行去噪训练的U-Net模型迭代地细化噪声输出。SR 3在不同放大倍数的超分辨率任务中表现出强大的性能，包括人脸和自然图像。我们在CelebA-HQ上对标准的8倍人脸超分辨率任务进行了人类评估，并与SOTA GAN方法进行了比较。SR 3实现了接近50%的愚弄率，这表明照片般逼真的输出，而GANs的愚弄率不超过34%。我们进一步展示了SR 3在级联图像生成中的有效性，其中生成模型与超分辨率模型链接在一起，在ImageNet上产生了11.3的竞争性FID分数。
2021-06-30 cs.CV cs.LG eess.IV
Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation
University of California, Berkeley（加州大学伯克利分校）；Princeton University（普林斯顿大学）
迭代细化--从随机猜测开始，然后迭代地改进猜测--是表示学习的一个有用范例，因为它提供了一种方法来打破数据的同样合理的解释之间的对称性。该属性使得能够应用这样的方法来推断实体集合的表示，诸如物理场景中的对象，在结构上类似于潜在空间中的聚类算法。然而，大多数先前的作品通过展开的细化过程来区分，这可能使优化具有挑战性。我们观察到，这种方法可以通过隐函数定理微分，并开发一种隐式微分方法，通过解耦向前和向后传递来提高训练的稳定性和易处理性。这种连接使我们能够应用优化隐式层的进步，不仅可以改善SLATE中槽注意模块的优化，这是一种用于学习实体表示的最先进方法，而且可以在反向传播中以恒定的空间和时间复杂度实现，并且只需增加一行代码。
2023-01-01 cs.AI cs.CV cs.LG
Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement
KAIST（韩国科学技术院）
本文提出了一种无需外部验证器的扩散模型推理时间扩展方法Iterative Partial Refinement，通过在混合噪声条件下迭代部分细化生成更一致的样本，在MNIST Sudoku任务中提升了有效解率。
2026-05-19 cs.AI cs.LG
HAINAN: Fast and Accurate Transducer for Hybrid-Autoregressive ASR
NVIDIA Corp.（英伟达公司）
本文提出HAINAN架构，通过随机掩码预测器训练同时支持自回归、非自回归和半自回归三种推理模式，在保持与CTC和TDT相当效率的同时显著提升语音识别准确率。
2025-05-05 cs.LG
Exploring Synthesizable Chemical Space with Iterative Pathway Refinements
NVIDIA；KAIST（韩国科学技术院）
ReaSyn通过迭代路径细化方法，有效探索可合成化学空间，提升分子生成的覆盖性和多样性。
2026-01-10 cs.LG
Closed-Loop Transformers: Autoregressive Modeling as Iterative Latent Equilibrium
University of Tartu（塔尔图大学）；S Holding OÜ（3S控股公司）
本文提出均衡变换器（EqT），通过迭代细化潜在表示实现自洽均衡，解决自回归模型中错误传播问题，提升长序列推理和多步规划能力。
2025-11-26 cs.CV cs.LG
Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection
University of Verona（维罗纳大学）
本文提出利用元学习MAML的适应能力结合四分位距剔除方案的迭代细化过程，识别并剔除噪声训练数据，从而提升工业检测中异常检测模型在噪声环境及清晰数据集下的鲁棒性与性能。
2025-03-03 cs.CV cs.LG
Towards Accurate Human Motion Prediction via Iterative Refinement
University of Illinois at Urbana, Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出FreqMRN框架，结合运动注意力与迭代细化，在姿态和频率空间间转换，利用多损失监督，显著提升短期和长期人体运动预测精度与鲁棒性。
2023-05-08 cs.CV cs.LG
Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement
KAIST AI（韩国科学技术院人工智能研究所）；Seoul National University（首尔国立大学）；University of California, Berkeley（加州大学伯克利分校）；KRAFTON
本文提出IterRef方法，通过奖励引导的加噪-去噪迭代精炼离散扩散中间状态，在MTM框架下证明收敛性，并在低计算预算下显著提升文本和图像的奖励引导生成质量。
2025-11-04 cs.AI cs.LG
Learning to Refine: Spectral-Decoupled Iterative Refinement Framework for Precipitation Nowcasting
National University of Singapore（新加坡国立大学）
提出频谱解耦迭代细化框架（SDIR），通过双路径设计（SFG-Former和FR-Refiner）和物理一致功率谱密度损失，在确定性框架中实现降水临近预报的渐进频率解耦细化，消除模糊和幻觉，在空间精度和频谱保真度上超越现有方法。
2026-06-01 cs.AI cs.LG eess.IV
PROflow: An iterative refinement model for PROTAC-induced structure prediction
Peking University（北京大学）；Massachusetts Institute of Technology（麻省理工学院）；Tsinghua University（清华大学）
针对PROTAC诱导结构预测中晶体结构不足的问题，研究提出新型伪数据生成方案，构建迭代优化模型PROflow，在对接性能与速度上优于现有方法，可支撑大规模筛选且预测结构属性与降解活性显著相关。
2024-04-10 cs.AI cs.LG q-bio.BM
Iterative Grasp Pose Refinement: A Deep Reinforcement Learning Approach for 2D Vision
University of Tehran（德黑兰大学）
本研究提出结合关键点表征与DQN的强化学习框架，通过迭代优化抓取位姿，在Dex-Net数据集300个物体上对几何判定不可抓取物体实现100%成功率，且可实现仿真到真实的迁移，为接触丰富的操作任务提供解决方案。
2026-08-19 cs.AI cs.LG cs.RO
Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling
Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息研究院）；Huatai Securities Co., Ltd（华泰证券股份有限公司）
针对金融数据低信噪比导致交易信号误判的问题，提出融合局部感知注意力与迭代优化标注的LARA框架，在三类真实金融市场实验中表现优于现有机器学习方法，能更可靠地捕捉交易机会。
2024-07-10 cs.AI cs.CE cs.LG
