博文

MIR高被引Top10文章集锦 (2024-2025年)

已有 99 次阅读 2026-3-4 09:03 |个人分类:好文推荐|系统分类:论文交流

新新标签.jpg

自2022年出版以来，在主编的悉心引领、编委会的鼎力支持，以及广大作者与读者的信任下，MIR期刊稿源质量稳步提升，国际影响力持续攀升！过去两年间刊发论文的质量再上新阶，单篇最高被引达292次，单篇最高下载量突破3万次，且呈持续上涨态势。现整理推出2024~2025年MIR高被引TOP10文章，敬请品读，后续将发布高下载量TOP10文章榜单，欢迎持续关注！另，文末提供相应文章纸刊免费邮寄服务，欢迎感兴趣的老师同学们登记领取。

01 引用量：292次

Deep Industrial Image Anomaly Detection: A Survey

Jiaqi Liu, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng & Yaochu Jin

https://link.springer.com/article/10.1007/s11633-023-1459-z

中文导读：

金耀初团队&郑锋团队 | 综述: 深度工业图像异常检测

02 引用量：193次

Segment Anything Is Not Always Perfect: An Investigation of SAM on Different Real-world Applications

Wei Ji, Jingjing Li, Qi Bi, Tingwei Liu, Wenbo Li & Li Cheng

https://link.springer.com/article/10.1007/s11633-023-1385-0

中文导读：

前沿观点 | Segment Anything并非一直完美: SAM模型在不同真实场景中的应用调查

03 引用量：169次

DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models

Cheng Lu, Yuhao Zhou, Fan Bao, Jianfei Chen, Chongxuan Li & Jun Zhu

https://link.springer.com/article/10.1007/s11633-025-1562-4

中文导读：

清华大学朱军团队 | DPM-Solver++：用于扩散概率模型引导采样的快速求解器

04 引用量：80次

A Survey of Synthetic Data Augmentation Methods in Machine Vision

Alhassan Mumuni, Fuseini Mumuni & Nana Kobina Gerrar

https://link.springer.com/article/10.1007/s11633-022-1411-7

当期目录：

AI最前沿 | 大语言模型，无人系统，统一分类与拒识...

05 引用量：69次

A Comprehensive Survey on Trustworthy Graph Neural Networks: Privacy, Robustness, Fairness, and Explainability

Enyan Dai, Tianxiang Zhao, Huaisheng Zhu, Junjie Xu, Zhimeng Guo, Hui Liu, Jiliang Tang & Suhang Wang

https://link.springer.com/article/10.1007/s11633-024-1510-8

中文导读：

可信图神经网络的全面综述：隐私性、鲁棒性、公平性和可解释性

06 引用量：40次

Vision Transformers with Hierarchical Attention

Yun Liu, Yu-Huan Wu, Guolei Sun, Le Zhang, Ajad Chhatkuli & Luc Van Gool

https://link.springer.com/article/10.1007/s11633-024-1393-8

中文导读：

专题好文 | Luc Van Gool团队: 基于分层注意力的视觉Transformer

07 引用量：40次

Fully 1 × 1 Convolutional Network for Lightweight Image Super-resolution

Gang Wu, Junjun Jiang, Kui Jiang & Xianming Liu

https://link.springer.com/article/10.1007/s11633-024-1501-9

中文导读：

哈工大江俊君团队 | SCNet：利用全1X1卷积实现轻量图像超分辨率

08 引用量：37次

Multimodal Fusion of Brain Imaging Data: Methods and Applications

Na Luo, Weiyang Shi, Zhengyi Yang, Ming Song & Tianzi Jiang

https://link.springer.com/article/10.1007/s11633-023-1442-8

中文导读：

欧洲科学院院士蒋田仔团队 | 脑成像数据的多模态融合: 方法与应用

09 引用量：33次

Automation and Orchestration of Zero Trust Architecture: Potential Solutions and Challenges

Yang Cao, Shiva Raj Pokhrel, Ye Zhu, Robin Doss & Gang Li

https://link.springer.com/article/10.1007/s11633-023-1456-2

中文导读：

精选综述 | 零信任架构的自动化和编排: 潜在解决方案与挑战

10 引用量：33次

Assessing and Understanding Creativity in Large Language Models

Yunpu Zhao, Rui Zhang, Wenyi Li & Ling Li

https://link.springer.com/article/10.1007/s11633-025-1546-4

中文导读：

精选好文 | 大语言模型创造力的评估与理解

* 以上引用数据基于Springer主页统计，统计截止时间为2026年3月2日。

纸刊免费寄送

Machine Intelligence Research

MIR为所有读者提供免费寄送纸刊服务，如您对本篇文章感兴趣，请点击下方链接填写收件地址，编辑部将尽快为您免费寄送纸版全文！

说明：如遇特殊原因无法寄达的，将推迟邮寄时间，咨询电话010-82544737

收件信息登记：

https://lcn76mgd97vz.feishu.cn/share/base/form/shrcnsQ6cmRjqoxPF5WDowSBFVr

关于Machine Intelligence Research

Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区；2025年发布的最新影响因子达8.7，继续跻身JCR Q1区，最佳排名进入全球第6名；2025年一举进入中国科学院期刊分区表计算机科学二区。

▼往期目录▼

2026年第1期 | 自我中心视觉、基于图的推荐系统、智能结肠镜检查、多模态大语言模型......

2025年第6期 | 大语言模型、自动驾驶、医学图像分割……

2025年第5期 | 生成式模型、疾病诊断、步态识别、行人再识别......

2025年第4期 | 特约专题: 具身智能

2025年第3期 | 大语言模型、医学图像分割、图像阴影去除、写作风格变化检测......

2025年第2期 | 常识知识获取、图因子分解机、横向联邦学习、分层强化学习...

2025年第1期 | 机器视觉、机器人、神经网络、反事实学习、小样本信息网络...

2024年第6期 | 图神经网络，卷积神经网络，生物识别技术...

2024年第5期 | 大语言模型，无人系统，统一分类与拒识...

2024年第4期 | 特约专题: 多模态表征学习

2024年第3期 | 分布式深度强化学习，知识图谱，推荐系统，3D视觉，联邦学习...