原文链接：https://blog.csdn.net/qq_43622216/article/details/144417919

个人收集精力有限，欢迎各位评论或者私信告知SNN相关论文研究！

目录

说明

这篇博客主要用于记录2025年在一些顶会顶刊（AAAI、CVPR等）上发表的SNN相关的论文，会附上相关论文的链接及简单介绍，正在更新中…
更新SNN相关论文、动态信息，欢迎浏览讨论！

AAAI 2025

• 论文1: Efficient 3D Recognition with Event-driven Spike Sparse Convolution

  • 由中科院自动化所（李国齐老师团队）、电子科技大学、香港理工大学、时识科技、慧脑智芯等研究人员发表于AAAI 2025。
  • 提出了Spike Voxel Coding (SVC)将点云编码为脉冲序列，提出了Spike Sparse Convolution (SSC) block提取3D点云特征，设计了efficient 3D SNN backbone (E-3DSNN)进行点云分类。
    Spike Voxel Coding (SVC)：将点云数据均匀划分为多个non-overlapping voxel grids，然后使用多个连续的稀疏卷积核脉冲神经元得到脉冲序列。
    Spike Sparse Convolution (SSC)：和Vanilla Spike Convolution (VSC)相比仅在卷积的中心有脉冲输入时进行计算，使用一个二元的selector来控制计算。VSC则对所有脉冲都会进行计算。能够通过在神经形态芯片上仅修改地址映射函数来实现SSC。

• 论文2: Spike2Former: Efficient Spiking Transformer for High-performance Image Segmentation

  • 由中科院自动化所（李国齐老师团队）、北京大学等研究人员发表于AAAI 2025。

• 论文3: CREST: An Efficient Conjointly-trained Spike-driven Framework for Event-based Object Detection Exploiting Spatiotemporal Dynamics

  • 由电子科技大学研究人员发表于AAAI 2025。
  • 使用Few-Spikes neuron (FSN)，表明FSN和ReLU具有相似性。在训练时使用surrogate neural network with discrete level activation values (DL-Net)计算梯度并更新对应的参数。

• 论文4: FSTA-SNN:Frequency-based Spatial-Temporal Attention Module for Spiking Neural Networks

  • 由浙江大学-伊利诺伊大学香槟分校、浙江大学、大连理工大学等研究人员发表于AAAI 2025。
  • 指出SNN中的浅层倾向于学习垂直的特征，而深层逐渐学习水平特征；在跨时间步长学习到的特征并没有很大差异。
  • 提出了Frequency-based Spatial-Temporal Attention (FSTA) 模块，通过抑制冗余脉冲特征提升SNN的特征学习能力。
  • 在同一层内不同时间步长的相同频率分布上共享增强模块；减少浅层网络中特征学习的冗余；扩展深度网络的特征学习能力；利用时间注意力调节振幅在时间步长的变化。
  • 指出使用全局平均池化相等于使用2D DCT的一个特例。

• 论文5: Adaptive Calibration: A Unified Conversion Framework of Spiking Neural Networks

  • 由香港科技大学许人镜老师课题组、美国西北大学等研究人员发表于AAAI 2025（oral）。
  • Training-Free的ANN-to-SNN conversion同时提升了accuracy, energy efficiency和training cost，支持ResNet, VGG, ViT等多种模型，并支持静态和神经形态数据集的分类, 目标检测, 语义分割, 3D点云分类和3D部分分割等多种任务。

• 论文6: Towards Accurate Binary Spiking Neural Networks: Learning with Adaptive Gradient Modulation Mechanism

  • 由电子科技大学（杨阳、张马路老师）、诺桑比亚大学等研究人员发表于AAAI 2025。
  • 指出：BSNN面临着frequent weight sign flipping problem，并且weight sign flipping的频率与梯度的均值和方差正相关。
  • 提出了Adaptive Gradient Modulation Mechanism(AGMM)，在训练过程对BN层输出计算逐时间步长的特征均值并使用可学习的系数和Sigmoid函数得到缩放因子，对特征进行自适应加权。

• 论文7: Spiking Point Transformer for Point Cloud Classification

  • 由中科大、浙江大学、西北工业大学等研究人员发表于AAAI 2025。
  • 提出了Spiking Point Transformer (SPT)用于点云分类，包括Queue-Driven Sampling Direct Encoding (Q-SDE)以及Hybrid Dynamics Integrate-and-Fire(HD-IF) Neuron，混合了IF、LIF、EIF和PLIF。
  • Q-SDT通过先进先出的队列方式保留点云数据中的有价值信息，在多个时间步中逐步覆盖原始点云的不同部分，而非像直接编码那样将所有数据全部重复编码。

• 论文8: SpikingYOLOX: Improved YOLOX Object Detection with Fast Fourier Convolution and Spiking Neural Networks

  • 由大连理工大学等研究人员发表于AAAI 2025。

• 论文9: Noise-Injected Spiking Graph Convolution for Energy-Efficient 3D Point Cloud Denoising

  • 由南京航空航天大学、安徽大学等研究人员发表于AAAI 2025。
  • 面向3D点云去噪，提出了noise-injected spiking graph convolutional networks，构造了noise-injected spiking neuron，设计了noise-injected spikinggraph convolution，并提出了两个SNN-based denoising network。
  • Noise-injected Integrate-and-Fire spiking neuron：向LIF神经元充电过程中添加高斯噪声。

• 论文10: Advancing Spiking Neural Networks Towards Multiscale Spatiotemporal Interaction Learning

  • 由辽宁工程技术大学、电子科技大学等研究人员发表于AAAI 2025。
  • 设计了Spiking Multiscale Attention (SMA) module，并提出了Attention ZoneOut (AZO)利用时空注意力的权重进行正则化。

IJCAI 2025

• 论文1: Adaptive Gradient Learning for Spiking Neural Networks by Exploiting Membrane Potential Dynamics
  • 由浙江工业大学、浙江大学团队发表于IJCAI 2025。
  • 针对膜电势在训练过程中逐渐偏离代理梯度的有效范围问题，提出了MPD-AGL自适应地调节代理梯度。
  • 指出训练过程中tdBN的仿射变换参数会影响归一化后输入电流的分布，而非达到其原始论文中的目标。
  • 膜电势分布方差增大表明需要扩大梯度覆盖范围，反之则要减小范围。

ICLR 2025

• 论文1: Rethinking Spiking Neural Networks from an Ensemble Learning Perspective
  • 由电子科技大学左琳老师团队发表于ICLR 2025。
  • 将多时间步长的SNN视为一个集成，其中的每个时间步长是集成中的一个成员。
  • 指出跨时间步长的膜电势差异以及导致的输出差异（过度差异）会负面影响SNN的整体性能。
  • 提出membrane potential smoothing，使用一个可学习的平滑系数对神经元的充电前膜电势进行平滑，从而促进跨时间步长膜电势的一致性。
  • 提出temporally adjacent subnetwork guidance，对相邻时间步长的SNN输出进行蒸馏，促进输出的一致性。
• 论文2: Quantized Spike-driven Transformer
  • 由电子科技大学、中科院自动化所等研究人员发表于ICLR 2025。
  • 直接对spike-driven Transformer v2进行量化后性能大幅退化，指出这是由于量化后的注意力信息呈双峰分布（注意力层退化），spike information distortion (SID) problem。
  • 提出了information-enhanced LIF (IE-LIF) neuron:和fine-grained distillation (FGD)来提升量化后SNN的性能。
  • IE-LIF：训练时产生多比特脉冲，推理时将多比特折叠至多个时间步长中。并且对IE-LIF的膜电势进行修正，促使其更像高斯分布。
  • FGD：对量化后的SNN和对应的ANN Transformer进行蒸馏。
• 论文3: DeepTAGE: Deep Temporal-Aligned Gradient Enhancement for Optimizing Spiking Neural Networks
  • 由多模态信息超智能安全北京市重点实验室、中国科学院大学人工智能学院、上海理工大学信息科学与技术学院等研究人员发表于ICLR 2025。
  • 指出，随着时间步长增大，膜电势分布会逐渐远离阈值，造成梯度不充分。
  • 通过计算第t个时间步长和第1个时间步长的膜电势偏离程度对代理梯度中的膜电势及阈值进行scale，促进远离阈值膜电势的优化。
  • 在SNN中添加多个辅助分类器，逐时间步长地计算交叉熵损失促进梯度传播。
• 论文4: QP-SNN: Quantized and Pruned Spiking Neural Networks
  • 由电子科技大学（杨阳、张马路老师）、诺桑比亚大学、辽宁工业大学等研究人员发表于ICLR 2025。
  • 指出：SNN中使用均匀量化会由于膜电势分布居中，浪费掉很多比特带宽。提出了weight rescaling strategy提升SNN的量化性能，使用一个scale系数对权重进行缩放，促使其分布更宽从而有效利用比特宽度。
  • 对于结构化（逐通道的）剪枝，对脉冲发射率使用奇异值分解将其分离为重要的和不重要的部分，将不重要的部分剪枝。
• 论文5: Improving the Sparse Structure Learning of Spiking Neural Networks from the View of Compression Efficiency
  • 由大连理工大学、浙江大学等研究人员发表于ICLR 2025。
  • 提出了一个two-stage sparse learning framework。第一阶段根据PQ index自适应决定appropriate rewiring ratio，第二阶段基于自适应的比例进行dynamic sparse structure learning。
• 论文6: Spiking Vision Transformer with Saccadic Attention
  • 由电子科技大学（杨阳、张马路老师）、诺桑比亚大学、辽宁工业大学等研究人员发表于ICLR 2025。
  • 提出了Saccadic Spiking Self-Attention (SSSA)以及SNN-based Vision Transformer (SNN-ViT)。
• 论文7: Improving the Sparse Structure Learning of Spiking Neural Networks from the View of Compression Efficiency
  • 由西安交通大学、浙江大学、大连理工大学等研究人员发表于ICLR 2025。

ICML 2025

• 论文1: SpikeVideoFormer: An Efficient Spike-Driven Video Transformer with Hamming Attention and $\mathcal{O}(T)$ Complexity

  • 由中科院深圳先进技术研究院、自动化所等研究人员发表于ICML 2025。

• 论文2: ReverB-SNN: Reversing Bit of the Weight and Activation for Spiking Neural Networks

  • 由中国航天科工研究人员发表于ICML 2025。
  • 使用二元权重和实值（膜电势达到阈值后输出膜电势）脉冲，以及可学习的参数对权重进行幅度加权。训练结束后使用重参数化将可学习权重幅度融合至实值脉冲中。

• 论文3: TS-SNN: Temporal Shift Module for Spiking Neural Networks

  • 由浙江大学、大连理工大学等研究人员发表于ICML 2025。
  • 设计了Temporal Shift模块，在时间维度对脉冲特征进行shift后和原始特征进行加权向后传递。

• 论文4: TTFSFormer: A TTFS-based Lossless Conversion of Spiking Transformer

  • 由北京大学研究人员发表于ICML 2025。

• 论文5: Differential Coding for Training-Free ANN-to-SNN Conversion

  • 由北京大学、鹏城实验室、中科院深圳先进技术研究院等研究人员发表于ICML 2025。

• 论文6: Efficient Parallel Training Methods for Spiking Neural Networks with Constant Time Complexity

  • 由中科院微电子所、深圳先进技术研究院、腾讯、南洋理工大学等研究人员发表于ICML 2025。
  • 提出了Fixed-point Parallel Training (FPT)，假设SNN在k次迭代达到均衡态，则近似计算后面时间步长的膜电势和脉冲输出。

• 论文7: Hybrid Spiking Vision Transformer for Object Detection with Event Cameras

  • 由大连理工大学、西安交通大学、浙江大学等研究人员发表于ICML 2025。

• 论文8: Training High Performance Spiking Neural Network by Temporal Model Calibration

  • 由浙江大学研究人员发表于ICML 2025。
  • 指出已有的SNN中temporal logit gradients缺少散度/异质性，会导致过拟合而限制了SNN的性能。
  • 校准的ANN模型定义：一个模型是完美校准的当且仅当对每一个样本的置信度都等于其预测精度。
  • 提出了Temporal Model Calibration (TMC)，对SNN的不同时间步长输出置信度进行优化。

• 论文9: Temporal Misalignment in ANN-SNN Conversion and its Mitigation via Probabilistic Spiking Neurons

  • 由穆罕默德·本·扎耶德人工智能大学、澳门城市大学数据、吉林大学等研究人员发表于ICML 2025。

• 论文10: Self-cross Feature based Spiking Neural Networks for Efficient Few-shot Learning

  • 由大连理工大学、西安交通大学、浙江大学等研究人员发表于ICML 2025。

• 论文11: Faster and Stronger: When ANN-SNN Conversion Meets Parallel Spiking Calculation

  • 由北京大学等研究人员发表于ICML 2025。

• 论文12: Time to Spike? Understanding the Representational Power of Spiking Neural Networks in Discrete Time

  • 由慕尼黑大学、德国航空航天中心、特罗姆瑟大学等研究人员发表于ICML 2025。

• 论文13: SpikF: Spiking Fourier Network for Efficient Long-term Prediction

  • 由清华大学研究人员发表于ICML 2025。

• 论文14: Sorbet: A Neuromorphic Hardware-Compatible Transformer-Based Spiking Language Model

  • 由新加坡国立大学研究人员发表于ICML 2025。
  • 提出了Sorbet，合并了shifting-based softmax (PTsoftmax)和Bit Shifting PowerNorm (BSPN)，利用知识蒸馏和量化进行边缘端部署。

• 论文15: Efficient ANN-SNN Conversion with Error Compensation Learning

  • 由大连理工大学、西安交通大学、浙江大学、广东省智能科学技术研究院等研究人员发表于ICML 2025。

• 论文16: Delay-DSGN: A Dynamic Spiking Graph Neural Network with Delay Mechanisms for Evolving Graph

  • 由山西大学研究人员发表于ICML 2025。

• 论文17: Efficient Logit-based Knowledge Distillation of Deep Spiking Neural Networks for Full-Range Timestep Deployment

  • 由浙江大学研究人员发表于ICML 2025。
  • 采用逐时间步长的知识蒸馏以及对SNN的平均输出对各个时间步长的输出进行蒸馏。

• 论文18: BSO: Binary Spiking Online Optimization Algorithm

  • 由电子科技大学、诺森比亚大学等研究人员发表于ICML 2025。

ICCV 2025

• 论文1: Efficient Spiking Point Mamba for Point Cloud Analysis
  • 由中科大、浙江大学等研究人员发表于ICCV 2025。
  • 提出了Spiking Point Mamba (SPM)，引入了Hierarchical Dynamic Encoding (HDE)、Spiking Mamba Block (SMB)以及非对称的SNN-ANN架构。
• 论文2: ClearSight: Human Vision-Inspired Solutions for Event-Based Motion Deblurring
  • 由香港科技大学（广州）研究人员发表于ICCV 2025。
• 论文3: : Enhanced Information Flow in Spiking Neural Networks with High Hardware Compatibility
  • 由中科院自动化所研究人员发表于ICCV 2025。
  • 指出LIF的时序依赖相关的脉冲转换会导致信息损失，以及现有的SNN架构未充分利用现有的GPU，受到单比特脉冲存储和孤立的权重脉冲操作的限制，限制了计算效率。
  • 提出了SpikePack以降低信息损失并保留reset、leakage等关键特征并提升效率。

CVPR 2025

• 论文1: Towards Effective and Sparse Adversarial Attack on Spiking Neural Networks via Breaking Invisible Surrogate Gradients

  • 由北京大学、中科院微电子研究所等研究人员发表于CVPR 2025。

• 论文2: Temporal Separation with Entropy Regularization for Knowledge Distillation in Spiking Neural Networks

  • 由浙江大学、大连理工大学等研究人员发表于CVPR 2025。
  • Temporal Separation:在每个时间步长内将SNN输出和ANN教师进行蒸馏。
  • Entropy Regularization：计算每个时间步长SNN输出的熵进行正则化。

• 论文3: STAA-SNN: Spatial-Temporal Attention Aggregator for Spiking Neural Networks

  • 由浙江大学、大连理工大学、武汉理工大学等研究人员发表于CVPR 2025。
  • 提出了Spatial-Temporal Attention Aggregator SNN (STAA-SNN) framework以及time-step random dropout strategy。
  • 对神经元输入和前一时刻的残余膜电势使用可学习的位置编码进行增强，然后使用Global Context (GC) Block作为注意力机制进行过滤，最终使用Step Attention (SA)。
  • Time Step Random Dropout (TSRD)：在特定时间步长以一定的概率随机drop所提出的增强模块。

• 论文4: Spiking Transformer:Introducing Accurate Addition-Only Spiking Self-Attention for Transformer

  • 由中国航天科工研究人员发表于CVPR 2025。
  • 提出了Accurate Addition-Only Spiking Self-Attention (A2OS2A)用于脉冲Transformer架构，使用二元的Query、全精度的Key和三元的Value矩阵。

• 论文5: Rethinking Spiking Self-Attention Mechanism: Implementing a-XNOR Similarity Calculation in Spiking Transformers

  • 由电子科技大学研究人员发表于CVPR 2025。
  • 指出由于非脉冲的存在，脉冲SSA中Q和K的点乘无法计算二元脉冲序列间的相似性。
  • 提出用于SNN的$\alpha$-XNOR similarity calculation，使用同或（XNOR）操作捕捉一致的脉冲或非脉冲对，并对非脉冲对赋予(0,1)之间的权重$\alpha$，并为该函数定义平滑的反向传播梯度。

• 论文6: VISTREAM: Improving Computation Efficiency of Visual Streaming Perception via Law-of-Charge-Conservation Inspired Spiking Neural Network

  • 由上海交通大学等研究人员发表于CVPR 2025。
  • 提出了VISTREAM，将SNN用于Visual streaming perception (VSP)中的一部分，使用差分编码而非直接对所有帧进行编码，并指出这和直接编码等价。
  • 指出邻近帧之间的像素差异（L1范数）一般比像素幅度更小，且像素差异会随着FPS增大而降低。

ACM MM 2025

NeurIPS 2025

• 论文1: Synergy Between the Strong and the Weak: Spiking Neural Networks are Inherently Self-Distillers
  • 由电子科技大学研究人员发表于NeurIPS 2025。
  • 从时间维度解构SNN，指出利用时间维度的子模型进行自蒸馏学习而无需额外教师模型。
  • 对每个时间步长的输出以最大置信度判定强弱子模型，提出Strong2Weak和Weak2Strong两种自蒸馏方式，无缝兼容集成蒸馏、同时蒸馏和级联蒸馏方式。
    
• 论文2: S^2NN: Sub-bit Spiking Neural Networks
  • 由电子科技大学研究人员发表于NeurIPS 2025。
  • 利用sub bit方法构造了Sub-bit Spiking Neural Networks (S2NNs)，从二元kernel map中采样一部分子集，将全精度权重映射为距离最近的子集，进一步降低开销。
  • 指出距离映射过程中对outlier很敏感，且基线模型遭受着严重的outlier，提出了outlier-aware sub-bit weight quantization（OS-Quant）消除outlier的影响。根据四分位数判定正常权重的范围，其余权重视为outlier，根据每个outlier权重邻近的权重计算正则化系数对其进行scale。
  • 使用membrane potential-based distillation，对教师和学生模型的膜电势计算Gram矩阵后进行特征蒸馏进一步提升性能。
• 论文3: Spiking Neural Networks Need High Frequency Information
  • 由香港科技大学研究人员发表于NeurIPS 2025。
  • 指出SNN 和 ANN 之间的性能差距并非源于二元脉冲激活造成的信息丢失，而是源于脉冲神经元固有的低通滤波特性导致其特征表示退化。
  • 通过分析脉冲神经元充电过程，发现IF/LIF神经元本质上是一阶无限脉冲响应低通滤波器。
  • 提出Max-Former和Max-ResNet从实验上证明高频信息对SNN的重要性。
• 论文4: Adaptive Surrogate Gradients for Sequential Reinforcement Learning in Spiking Neural Networks
  • 由代尔夫特理工大学、哈佛大学等研究人员发表于NeurIPS 2025。
• 论文5: Bipolar Self-attention for Spiking Transformers
  • 由电子科技大学、香港中文大学（深圳）等研究人员发表于NeurIPS 2025。
• 论文6: Toward Relative Positional Encoding in Spiking Transformers
  • 由复旦大学、微软亚研院等研究人员发表于NeurIPS 2025。
• 论文7: PCA++: How Uniformity Induces Robustness to Background Noise in Contrastive Learning
  • 由麦吉尔大学、多伦多大学等研究人员发表于NeurIPS 2025。
• 论文8: High Dynamic Range Imaging with Time-Encoding Spike Camera
  • 由北京大学、上海市无线电设备研究所、中国科学院大学等研究人员发表于NeurIPS 2025。
• 论文9 Spike-timing-dependent Hebbian learning as noisy gradient descent
  • 由University of Twente、Humboldt-Universität zu Berlin等研究人员发表于NeurIPS 2025。
• 论文10 Spike-RetinexFormer: Rethinking Low-light Image Enhancement with Spiking Neural Networks
  • 由浙江大学研究人员发表于NeurIPS 2025。
• 论文11 SPACE: SPike-Aware Consistency Enhancement for Test-Time Adaptation in Spiking Neural Networks
  • 由香港城市大学研究人员发表于NeurIPS 2025。
• 论文12 MI-TRQR: Mutual Information-Based Temporal Redundancy Quantification and Reduction for Energy-Efficient Spiking Neural Networks
  • 由西安电子科技大学、中科院自动化所等研究人员发表于NeurIPS 2025。
• 论文13 Spik-NeRF: Spiking Neural Networks for Neural Radiance Fields
  • 由中国人民解放军军事航天部队航天工程大学、北京大学、中国航天科工集团公司智能科技研究院等研究人员发表于NeurIPS 2025。
• 论文14 Activity Pruning for Efficient Spiking Neural Networks
  • 由北京大学研究人员发表于NeurIPS 2025。
• 论文15 Multiplication-Free Parallelizable Spiking Neurons with Efficient Spatio-Temporal Dynamics
  • 由鹏城实验室、中国科学院深圳先进技术研究院、北京大学等研究人员发表于NeurIPS 2025。
• 论文16 SpikingVTG: A Spiking Detection Transformer for Video Temporal Grounding
  • 由宾夕法尼亚州立大学、SRI国际计算机科学实验室等研究人员发表于NeurIPS 2025。
• 论文17 $S^2$M-Former: Spiking Symmetric Mixing Branchformer for Brain Auditory Attention Detection
  • 由哈尔滨工业大学、鹏城实验室、北京大学等研究人员发表于NeurIPS 2025。
• 论文18 Local-Global Coupling Spiking Graph Transformer for Brain Disorders Diagnosis from Two Perspectives
  • 由人机混合增强智能国家重点实验室、国家视觉信息与应用工程技术研究中心、西安交通大学等研究人员发表于NeurIPS 2025。
• 论文19 A Scalable, Causal, and Energy Efficient Framework for Neural Decoding with Spiking Neural Networks
  • 由宾夕法尼亚大学等研究人员发表于NeurIPS 2025。
• 论文20 Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks
  • 由郑州大学、武汉大学、哈尔滨工业大学、大连海事大学等研究人员发表于NeurIPS 2025。
• 论文21 Adaptive Fission: Post-training Encoding for Low-latency Spike Neural Networks
  • 由清华大学、北京千觉科技有限公司、福建师范大学等研究人员发表于NeurIPS 2025。
• 论文22 Fully Spiking Neural Networks for Unified Frame-Event Object Tracking
  • 由国防科技大学研究人员发表于NeurIPS 2025。
• 论文23 Enhanced Self-Distillation Framework for Efficient Spiking Neural Network Training
  • 由浙江大学研究人员发表于NeurIPS 2025。
• 论文24 Learning the Plasticity: Plasticity-Driven Learning Framework in Spiking Neural Networks
  • 由中科院自动化所等研究人员发表于NeurIPS 2025。
• 论文25 HetSyn: Versatile Timescale Integration in Spiking Neural Networks via Heterogeneous Synapses
  • 由天津大学、天津师范大学等研究人员发表于NeurIPS 2025。
• 论文26 Unveiling the Spatial-temporal Effective Receptive Fields of Spiking Neural Networks
  • 由电子科技大学、香港中文大学（深圳）等研究人员发表于NeurIPS 2025。
• 论文27 Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control
  • 由北京大学研究人员发表于NeurIPS 2025。

ICASSP 2025

• 论文1: DA-LIF: Dual Adaptive Leaky Integrate-and-Fire Model for Deep Spiking Neural Networks

  • 由浙江大学研究人员发表于ICASSP 2025。

• 论文2: Schoenberg Kernel Loss for Spiking Neural Network Training

  • 由佛罗里达大学研究人员发表于ICASSP 2025。

• 论文3: Spiking Transformer with Spatial-Temporal Spiking Self-Attention

  • 由北京大学研究人员发表于ICASSP 2025。

• 论文4: SNNPTrack: Spiking Neural Network Based Prompt for High-Accuracy RGBE Tracking

  • 由西安电子科技大学研究人员发表于ICASSP 2025。

• 论文5: Time-independent Spiking Neuron via Membrane Potential Estimation for Efficient Spiking Neural Networks

  • 由云南大学、北京理工大学等研究人员发表于ICASSP 2025。

• 论文6: Mixed Spiking NeRF: Towards a More Efficient Neural Radiance Fields

  • 由南方科技大学研究人员发表于ICASSP 2025。

• 论文7: Memory-Free and Parallel Computation for Quantized Spiking Neural Networks

  • 由电子科技大学研究人员发表于ICASSP 2025。

• 论文8: ECSNN: Spiking Neural Networks for Efficient Exposure Correction in Endoscopy Imaging

  • 由中国科学院、中山大学等研究人员发表于ICASSP 2025。

• 论文9: SPTU-Lite: An Efficient Auxiliary Diagnostic Approach Combining Spiking Neural Networks And Large Kernel Extractors For ECG Signals

  • 由北京理工大学、北京遥感装备研究所等研究人员发表于ICASSP 2025。

• 论文10: Two-Stream Spiking Neural Network for Event-based Action Recognition

  • 由华为云、新加坡国立大学、浙江大学等研究人员发表于ICASSP 2025。

• 论文11: Spiking Generative Models Based on Variational Autoencoder and Adversarial Training

  • 由广东省/珠海市IRADS重点实验室、北京师范大学、华侨大学等研究人员发表于ICASSP 2025。

• 论文12: TFS: Revisiting Temporal Language Grounding from Frequency Spiking Perspective

  • 由中国科学院大学、国防科技大学等研究人员发表于ICASSP 2025。

• 论文13: Dynamic SpikFormer: Low-Latency & Energy-Efficient Spiking Neural Networks with Dynamic Time Steps for Vision Transformers

  • 由凯斯西储大学、南加州大学等研究人员发表于ICASSP 2025。

• 论文14: Robust and Efficient Adversarial Defense in SNNs via Image Purification and Joint Detection

  • 由中国科学技术大学研究人员发表于ICASSP 2025。

• 论文15: Optimization of Chirality Variation in Carbon Nanotube Field Effect Transistor Spiking Neurons

  • 由路易斯安那大学拉斐特分校、密西西比大学、阿苏特大学等研究人员发表于ICASSP 2025。

• 论文16: Fully Spiking Neural Network for Legged Robots

  • 由纽约大学、杜克大学、香港科技大学（广州）等研究人员发表于ICASSP 2025。

  • 论文17: SpikingPoint: Rethinking Point as Spike for Efficient 3D Point Cloud Analysis

  • 由北极大学研究人员发表于ICASSP 2025。

本文出自于CSDN-lan人啊，转载请注明！