原文链接：https://blog.csdn.net/qq_43622216/article/details/157738900

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2026年在人工智能领域顶会顶刊（ICML、NeurIPS、ICLR、CVPR、ECCV、AAAI、IJCAI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 2026【共29篇】

• 论文1: MPD-SGR: Robust Spiking Neural Networks with Membrane Potential Distribution-Driven Surrogate Gradient Regularization

  • 由浙江大学研究人员发表于AAAI 2026。

• 论文2: A Closer Look at Knowledge Distillation in Spiking Neural Network Training

  • 由合肥工业大学等研究人员发表于AAAI 2026。
  • 提出了Activation Map Distillation (SAMD)。

• 论文3: Exploring the Potentials of Spiking Neural Networks for Image Deraining

  • 由英国杜伦大学等研究人员发表于AAAI 2026。
  • 指出：在图像去雨任务中，LIF神经元固有地强调高密度、高频的雨信息。
  • 神经生理学表明腹侧视觉通路中下颞叶皮层（IT皮层）的神经元通过整合跨越空间扩展感受野的刺激来识别复杂物体特征。
  • 提出了Vision-LIF（V-LIF），将输入以patch为单位合并至时间维度，使得低强度像素位置的神经元能够受到邻近区域的影响而促进发放。采用整数发放机制并进行正则化提升训练稳定性，应用时间注意力、时间压缩及通道压缩方法。
  • 提出了Spiking Residual Block (SDEM)，以脉冲神经元解耦输入特征中的低频和高频组件。

• 论文4: Temporal Dynamics Enhancer for Directly Trained Spiking Object Detectors

  • 由中科院自动化所等研究人员发表于AAAI 2026。
  • 提出了Temporal Dynamics Enhancer(TDE)。
  • Spiking Encoder (SE)：直接编码时在后面的时间步长对输入和前一个时刻的编码特征一起进行卷积操作，然后送到LIF神经元产生脉冲。
  • Attention Gating Module (AGM)：使用注意力机制对膜电势进行关注，然后用于SE部分控制前一个时刻的特征和当前时刻输入的权重。

• 论文5: I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks

  • 由电子科技大学研究人员发表于AAAI 2026。
  • 提出I2E利用高度并行化的卷积算法模拟微扫视眼动将静态图像转换为事件流。
  • Intensity Map Generation：将RGB图像转换为HSV颜色空间的单通道intensity map。
  • Event Generation via Spatio-Temporal Convolution：计算强度图略有偏移后的版本之间的差异，来模拟微扫视眼动（即微小的、无意识的扫视动作）的效果，。向八个方向分别通过2D卷积将其shift一个像素点进行移动模拟intensity change，并在训练期间通过随机增强提升鲁棒性。
  • Adaptive Event Firing：根据变化阈值产生二元事件流，使用动态阈值。

• 论文6: Spikingformer: A Key Foundation Model for Spiking Neural Networks

  • 由北京大学深研院等研究人员发表于AAAI 2026。
  • 提出了Spikingformer架构。

• 论文7: TDSNNs: Competitive Topographic Deep Spiking Neural Networks for Visual Cortex Modeling

  • 由香港科技大学（广州）研究人员发表于AAAI 2026。

• 论文8: DS-ATGO: Dual-Stage Synergistic Learning via Forward Adaptive Threshold and Backward Gradient Optimization for Spiking Neural Networks

  • 由浙江工业大学研究人员发表于AAAI 2026。
  • 指出代理梯度训练SNN时膜电势随时间步长会逐渐偏离发射阈值，进一步导致脉冲发射不平衡以及梯度消失。
  • 在训练期间根据膜电势分布自适应调节发射阈值，并对应调整代理梯度。

• 论文9: Stabilizing Spiking Neurons Through Biologically Inspired Polarization

  • 由悉尼科技大学等研究人员发表于AAAI 2026。
  • 提出了polarization-aware spiking architecture (POLARA)，通过前向传播过程中的五个阶段（膜电势decay、随机amplification、脉冲activation、不应期inhibition和自适应thresholding）建模极化周期中的去极化、复极化和超极化。

• 论文10: Activation-wise Propagation: A One-Timestep Strategy for Spiking Neural Networks

  • 由西湖大学等研究人员发表于AAAI 2026。
  • 提出了Activation-wise Membrane Potential Propagation (AMP2)，实现单时间步长的状态输出，并且提出了新的残差连接方式。

• 论文11: SpikingIR: A Novel Converted Spiking Neural Network for Efficient Image Restoration

  • 由厦门大学等研究人员发表于AAAI 2026。

• 论文12: Optimization Method for Surrogate Function in Spiking Neural Networks Based on Membrane Potential Distribution

  • 由西安电子科技大学研究人员发表于AAAI 2026。
  • 针对不稳定的代理梯度训练问题，提出membrane potential-guided surrogate optimization(MPO) framework。
  • 促使sigmoid代理梯度函数中的β参数和膜电势的标准差对齐，通过L1正则化损失实现。
  • 鉴于一个神经元的膜电势是由众多弱相关输入的累积效应形成的，所以其分布大致呈正态分布（under mild conditions），将梯度稳定性与归一化膜电势和标准高斯分布间的分布相似性联系起来。因此通过KL散度促进normalized 膜电势分布近似高斯噪声。
  • 通过dynamic adjustment strategy自适应rescale代理梯度，实时评估膜电势占有效梯度的范围并进行调整。

• 论文13: Parallel Training Time-to-First-Spike Spiking Neural Networks

  • 由北京大学深研院等研究人员发表于AAAI 2026。

• 论文14: HardF-SNN: Hardware-Friendly Quantization for Spiking Neural Networks with Efficient Integer-Arithmetic-Only Inference

  • 由电子科技大学等研究人员发表于AAAI 2026。
  • 先通过hared-scale quantization和BN folding模拟整数推理构建baseline模型，然后提出proportional shared-scale quantization进行优化。

• 论文15: SpikCommander: A High-performance Spiking Transformer with Multi-view Learning for Efficient Speech Command Recognition

  • 由哈尔滨工业大学等研究人员发表于AAAI 2026。
  • 提出SpikCommander用于语音识别。

• 论文16: Timestep-Compressed Attack on Spiking Neural Networks through Timestep-Level Backpropagation

  • 由Korea Advanced Institute of Science and Technology (KAIST)等研究人员发表于AAAI 2026。

• 论文17: Firing Bits Where It Matters: Spiking-Guided Just Recognizable Distortion Modeling for Machine-Centric Video Coding

  • 由深圳大学等研究人员发表于AAAI 2026。

• 论文18: LAS: Loss-less ANN-SNN Conversion for Fully Spike-Driven Large Language Models

  • 由四川大学研究人员发表于AAAI 2026。

• 论文19: Training-Free ANN-to-SNN Conversion for High-Performance Spiking Transformer

  • 由电子科技大学等研究人员发表于AAAI 2026。

• 论文20: S³: Spiking Neurons as an Isolating Segmenter for Brain Signal Decoding

  • 由浙江大学等研究人员发表于AAAI 2026。

• 论文21: Spiking Heterogeneous Graph Attention Networks

  • 由湖南工业大学等研究人员发表于AAAI 2026。

• 论文22: Oligodendrocyte-Driven Spiking Neural Model

  • 由西北农林科技大学等研究人员发表于AAAI 2026。
  • 提出了oligodendrocyte-spiking neuron (Oli-N) model，并进一步提出了Oli-inspired spiking neural network (Oli-SNN)，提升脉冲多样性及对weak spike的敏感性。

• 论文23: HLML-SNN：Fast Continual Learning in Spiking Neural Networks Achieved via Hebbian Learning-Driven Meta Learning

  • 由太原工业大学研究人员发表于AAAI 2026。

• 论文24: Pseudo-Spiking Neurons: A Noise-Based Training Framework for Heterogeneous-Latency Spiking Neural Networks

  • 由北京航空航天大学等研究人员发表于AAAI 2026。
  • 提出Pseudo-Spiking Neuron (PseudoSN)，通过对单步激活值进行噪声模拟脉冲发射率的quantization误差和clipping误差，其中时间步长是可学习的参数来软化噪声，从而实现异质性时间步长。
  • 利用单步PesudoSN训练后，将其转换为标准的IF神经元进行微调校准，主要调节BN层的参数。
  • 额外对模型整体的功耗和延迟计算损失，进行约束。

• 论文25: Spatial-Frequency Spiking Neural Network for Underwater Object Detection

  • 由大连理工大学 伦敦大学学院等研究人员发表于AAAI 2026

• 论文26: SFedHIFI: Fire Rate-Based Heterogeneous Information Fusion for Spiking Federated Learning

  • 由西南财经大学等研究人员发表于AAAI 2026。

• 论文27: Dynamic Weight Adaptation in Spiking Neural Networks Inspired by Biological Homeostasis

  • 由大连理工大学等研究人员发表于AAAI 2026。
  • 基于Bienenstock, Cooper, and Munro (BCM) theory，提出DynamicWeight Adaptation Mechanism (DWAM)，动态调节SNN中的权重约束脉冲活动，提升SNN的内稳态。

• 论文28: GT-SNT: A Linear-Time Transformer for Large-Scale Graphs via Spiking Node Tokenization

  • 由中山大学等研究人员发表于AAAI 2026。

• 论文29: Bi-Spectrum Distillation: Addressing Spectral Mismatch in ANN-SNN Knowledge Transfer

  • 由北京航空航天大学等研究人员发表于AAAI 2026。
  • 指出SNN固有的低通滤波特性难以学习ANN教师的高频细节，提出Bi-Spectrum Distillation (BSD)在特征和logits层面缓解蒸馏问题。
  • Spectral Residual Distillation (SRD)：对学生SNN特征进行时间平均后通过1*1卷积和FFT转换为频域，采用一系列元素级复数运算并结合 modReLU 非线性函数进行处理学习得到谱残差信息（其中使用逐通道的可学习参数），并将其和原始频域信息相加后通过逆向FFT转化至空间域和ANN特征进行蒸馏。
  • Spectral Semantic Distillation：将学生SNN和ANN输出logits按照大小递减顺序排列，将其在频域mask掉一半后再转换为空间域通过MSE进行蒸馏

ICLR 2026【共32篇】

• 论文1: Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks

  • 由南洋理工大学等研究人员发表于ICLR 2026。

• 论文2: TP-Spikformer: Token Pruned Spiking Transformer

  • 由电子科技大学等研究人员发表于ICLR 2026。
  • 提出TP-Spikformer进行token剪枝。
  • heuristic spatiotemporal information-retaining criterion（IRToP）：在空间维度评估每个token和其邻居的差异性，平均临近窗口内的得分；在时间维度评估token相对于其上一时刻的变化，两个归一化分数相加评估token的重要性。
  • information-retaining token pruning framework（IR-Arc）：推理时仅对每个block的重要token进行处理，不重要的token最后再填充上。

• 论文3: Difference Predictive Coding for Training Spiking Neural Networks

  • 由Tampere University研究人员发表于ICLR 2026。
  • 提出Difference Predictive Coding (DiffPC)，利用SNN进行Predictive coding。

• 论文4: Biologically Plausible Learning via Bidirectional Spike-Based Distillation

  • 由复旦大学等研究人员发表于ICLR 2026。
  • 提出了Bidirectional Spike-Based Distillation(BSD)

• 论文5: Towards Lossless Memory-efficient Training of Spiking Neural Networks via Gradient Checkpointing and Spike Compression

  • 由北京大学等研究人员发表于ICLR 2026。
  • 指出由于SNN多时间步长的原因，SNN中的内部状态和每层的输入脉冲是BPTT训练期间内存消耗的主要来源。
  • 使用逐层的梯度检查点消除内部状态存储，并在保存输入脉冲前进行无损压缩（默认使用bit representation）以降低SNN训练期间内存开销。进一步在high-cost layers中插入额外的时空检查点降低peak memory。
  • 会招致额外的训练时间开销，使用时需考虑memory-time的均衡。

• 论文6: Spiking Discrepancy Transformer for Point Cloud Analysis

  • 由北京大学等研究人员发表于ICLR 2026。
  • 提出了Spiking Discrepancy Attention Mechanism (SDAM)，包含Spiking Element Discrepancy Attention评估局部几何关联和Spiking Intensity Discrepancy Attention描述结构化模式。
  • 提出了Spatially-Aware Spiking Neuron (SASN)，进而构建了Spiking Discrepancy Transformer用于点云处理。

• 论文7: Otters: An Energy-Efficient Spiking Transformer via Optical Time-to-First-Spike Encoding

  • 由新加坡国立大学等研究人员发表于ICLR 2026。

• 论文8: SAFA-SNN: Sparsity-Aware On-Device Few-Shot Class-Incremental Learning with Fast-Adaptive Structure of Spiking Neural Network

  • 由南通大学等研究人员发表于ICLR 2026。

• 论文9: Spike-based Digital Brain: a novel fundamental model for brain activity analysis

  • 由浙江大学等研究人员发表于ICLR 2026。

• 论文10: SpikeStereoNet: A Brain-Inspired Framework for Stereo Depth Estimation from Spike Streams

  • 由北京大学等研究人员发表于ICLR 2026。

• 论文11: Advancing Spatiotemporal Representations in Spiking Neural Networks via Parametric Invertible Transformation

  • 由香港理工大学研究人员发表于ICLR 2026。
  • 提出了Parametric Invertible Transformation (PIT)，对脉冲神经元进行逐层逐时间步的矩阵转换提升表征能力。转换矩阵为对角矩阵，其元素由膜电势分布计算得出。
  • 此外，在代理梯度反向传播时对梯度进行修正，类似于正则化。

• 论文12: SpikePingpong: Spike Vision-based Fast-Slow Pingpong Robot System

  • 由北京大学等研究人员发表于ICLR 2026。

• 论文13: Cannistraci-Hebb Training on Ultra-Sparse Spiking Neural Networks

  • 由清华大学等研究人员发表于ICLR 2026。

• 论文14: Fractional-Order Spiking Neural Network

  • 由中国科学技术大学等研究人员发表于ICLR 2026。

• 论文15: Robust Spiking Neural Networks Against Adversarial Attacks

  • 由电子科技大学等研究人员发表于ICLR 2026。

• 论文16: Breaking Gradient Temporal Collinearity for Robust Spiking Neural Networks

  • 由University of Exeter研究人员发表于ICLR 2026。

• 论文17: Robustify Spiking Neural Networks via Dominant Singular Deflation under Heterogeneous Training Vulnerability

  • 由University of Exeter研究人员发表于ICLR 2026。

• 论文18: CaRe-BN: Precise Moving Statistics for Stabilizing Spiking Neural Networks in Reinforcement Learning

  • 由北京大学研究人员发表于ICLR 2026。

• 论文19: A Brain-Inspired Gating Mechanism Unlocks Robust Computation in Spiking Neural Networks

  • 由天津大学研究人员发表于ICLR 2026。

• 论文20: SMixer: Rethinking Efficient-Training and Event-Driven SNNs

  • 由北京大学等研究人员发表于ICLR 2026。
  • 提出Dynamic Spatial-Temporal Spiking Pruning (DSTSP)对Spiking-token Mixer（SMixer）进行冗余脉冲特征剪枝。
  • 以Spike Intensity Value (SIV)评估脉冲特征重要性，Dynamic Spiking Spatial Pruning (DSSP)累加跨通道每个token位置的脉冲数量，Dynamic Spiking Temporal Pruning (DSTP)评估每个时间步所有token的脉冲数量。

• 论文21: Neural Dynamics Self-Attention for Spiking Transformers

  • 由电子科技大学等研究人员发表于ICLR 2026。
  • 发现普通的自注意力（VSA）只关注局部的稀疏pattern，而SSA由于缺少softmax而关注全局，所以导致缺少局部建模能力导致其和ANN VSA的性能gap，同时导致了不必要的推理时内存占用。
  • 向SSA中引入LRF，提出了Local Receptive Field SSA (LRF-SSA)，为空间邻居分配更高的权重以增强局部性，建模局部关系并维持低熵性质。
  • 进一步提出LRF-Dyn，在标准化的自注意力聚集和脉冲神经元的充电-放电-重置过程间建立近似对应关系，消除显式的注意力矩阵存储。

• 论文22: Random Spiking Neural Networks are Stable and Spectrally Simple

  • 由Ludwig-Maximilians-Universität München等研究人员发表于ICLR 2026。

• 论文23: Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks

  • 由微软亚研院、北京大学等研究人员发表于ICLR 2026。
  • 提出online pseudo-zeroth-order (OPZO) training，通过具有noise injection和direct top-down signal的单次前向传播训练SNN。

• 论文24: Beyond Linear Processing: Dendritic Bilinear Integration in Spiking Neural Networks

  • 由上海交通大学研究人员发表于ICLR 2026。
  • 指出LIF神经元假设对输入电流线性相加，而最近研究表明生物神经元能够对输入进行非线性整合并执行XOR等操作。
  • 提出了Dendritic LIF (DLIF)模型，借鉴神经生理学合并了双线性树突集成规则，并通过理论表明在单神经元级别，DLIF能够捕捉输入关联以执行非线性分类任务；在网络级别，DLIF神经元能够保留并传播关联结构。通过对称的双线性系数矩阵K来实现：
    

• 论文25: 3DSMT: A Hybrid Spiking Mamba-Transformer for Point Cloud Analysis

  • 由安徽大学等研究人员发表于ICLR 2026。

• 论文26: Training Deep Normalization-Free Spiking Neural Networks with Lateral Inhibition

  • 由北京大学研究人员发表于ICLR 2026。
  • 提出了一个normalization-free learning framework，通过刺激性神经元（LIF）和抑制性神经元（LIF变体）的交互替代BN层，平衡SNN的生物可信性和性能。
  • 同一层中异质性神经元的抑制信号会正则化刺激性脉冲神经元群。由于生物树突和胞体抑制的差异，将这种正则化分解为减性抑制（E-I balance）和除性抑制（gain control）。
  • 通过EI-Init进行刺激性和抑制性神经元的初始化，通过EI-Prop解耦E-I circuit的反向传播稳定训练。

• 论文27: Distribution-Aware Multi-Granularity Phase Coding: Towards Lower Conversion Error for Spike-Driven Large Language Models

  • 由吉林大学等研究人员发表于ICLR 2026。

• 论文28: PredNext: Explicit Cross-View Temporal Prediction for Unsupervised Learning in Spiking Neural Networks

  • 由北京大学研究人员发表于ICLR 2026。
  • 指出现有的SNN无监督学习方法仅使用浅层架构或是依赖局部可塑性规则，限制了long-range时间依赖建模能力和时序特征一致性。
  • 提出了PredNext，通过future representation prediction在无监督训练中显式建模时序关联。先对两个视角的特征分别通过next-timestep prediction head和next-clip prediction head得到预测信息，然后进行跨视角对齐。

• 论文29: Pretraining with Re-parametrized Self-Attention: Unlocking Generalizationin SNN-Based Neural Decoding Across Time, Brains, and Tasks

  • 由浙江大学等研究人员发表于ICLR 2026。

• 论文30: Many Eyes, One Mind: Temporal Multi-Perspective and Progressive Distillation for Spiking Neural Networks

  • 由Monash University等研究人员发表于ICLR 2026。
  • 指出Temporal-Wise Distillation (TWD)不应该在每个时间步长均使用相同的ANN教师输出进行蒸馏，这样未考虑SNN的时序diversity特性。
  • 提出MEOM(Many Eyes, One Mind)产生diverse temporal-wise supervision。
  • Temporal Multi-Perspective Distillation (TMPD)：每个时间步长对ANN教师的特征图施加time-indexed mask，和原始特征图一起通过分类器产生扰动后的教师logits，然后和逐步的SNN输出进行蒸馏。
  • Temporal Progressive Distillation (TPD)：促使到时间步长t时刻的累加输出喻t+1时刻的预测对齐，从而提升证据累积效果，维持在低时间步长推理时的性能。

• 论文31: A Unified Total Variation Framework for Membrane Potential Perturbation Dynamic

  • 由济南大学等研究人员发表于ICLR 2026。

• 论文32: Robust Selective Activation with Randomized Temporal K-Winner-Take-All in Spiking Neural Networks for Continual Learning

  • 由西安交通大学等研究人员发表于ICLR 2026。

CVPR 2026

• 论文1: SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking

  • 由同济大学等研究人员发表于CVPR 2026。

• 论文2: Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks

  • 由电子科技大学研究人员发表于CVPR 2026。

  • 指出SNN中大量的冗余脉冲会对核心目标语义造成干扰，从而影响表征性能。

  • 指出在SNN的多时间步长脉冲图中使用极简的AND比特操作能够提取稳定脉冲（Stable Spike）表征，将其视为更精准的目标语义。
    

  • 对Stable Spike施加Amplitude-Aware Spike Noise产生额外的噪声输出，并促使噪声输出和原始输出的一致性，同时在脉冲图层面促使原始脉冲图接近Stable Spike脉冲图，从而在训练期间优化SNN的语义表征。

• 论文3: Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks

  • 由中科院自动化所研究人员发表于CVPR 2026。

• 论文4: Reconstructing Spiking Neural Networks Using a Single Neuron with Autapses

  • 由电子科技大学研究人员发表于CVPR 2026。
  • 提出time-delayed autapse SNN (TDA-SNN)，向LIF神经元中引入延迟d，即产生的输出脉冲会在d步之后返回给其树突当作输入。基于此可构建Reservoir Computing、MLP和Convolutional Structure。
  • 提出spatiotempora prototype Learning，将分类目标中的one-hot标签改为由类别和多时间步长共同定义的类别原型标签。

• 论文5: Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval

  • 由北京大学研究人员发表于CVPR 2026。

• 论文6: PSLIF: A Primary-Supplementary LIF Neuron for Spiking Neural Networks

  • 由西安电子科技大学等研究人员发表于CVPR 2026 Findings。
  • 提出了Primary-Supplementary Leaky Integrate-and-Fire (PSLIF) Neuron通过生物启发的协作处理利用荣誉膜电势提升信息保留能力并缓解梯度消失。
  • Primary神经元为普通的LIF神经元，Supplementary神经元基于Primary的输出以及膜电势和阈值之差计算额外的浮点值系数，二者的输出之和作为最终的输出。

IJCAI 2026

ICML 2026

ECCV 2026

ACM MM 2026

本文出自于CSDN-lan人啊，转载请注明！