[ #PhaSR：讓陰影無所遁形]

傳統陰影去除假設光源單純，但現實世界多光源、環境光、室內燈的顏色偏移全部混在一起，直接把幾何跟語意融合只會出一堆奇怪的偽影。PhaSR 分兩個階段解這個問題。第一階段是 PAN（Physically Aligned Normalization），完全無模型、不需要訓練，基於 Retinex 理論把輸入的色偏先修掉，讓網路專心處理紋理跟陰影結構，實驗上能把 shadowed 與 non-shadowed 區域的殘差誤差降低高達 26.4%。前人運用 Retinex 理論的來做影像處理的不少，但是用在純AI推論並結合在 Restoration領域，也算是少有的創新。第二階段是 GSRA（Geometric-Semantic Rectification Attention），核心想法是直接用幾何注意力減掉語意注意力裡的噪音，在均勻光照區域抑制幾何噪音，在真正的邊緣保留精準度。結果在 Ambient6K 上直接超越所有擴散模型（PSNR 28.44 / SSIM 0.942），推論速度 87.9ms、 55.6G FLOPs，跟 StableShadowDiffusion 的 3000ms / 500G+ 更輕巧，更有效。如果簡單講一句話就是又快又好。

恭喜交大的研究助理 家銘、碩一生錦慧；成大敏求的 宇凡、數據所的 語柔。

[ #ReflexSplit：同時還原透射層跟反射層]

大多數方法把反射當雜訊直接去掉，但 SIRS（Single Image Reflection Separation）要求兩層都要還原，難度完全不一樣。現實的混合模型是 I = T + R + Φ(T,R)，非線性交互讓兩層糾纏在一起，網路越深越會把透射跟反射搞混，出現 ghosting。

ReflexSplit 用雙流架構（Transmission + Reflection 各自獨立跑），中間透過 LFSB 交互：先讓兩個 stream 互看對方理解共同的退化特徵，再強迫彼此分離。核心創新是 Differential Dual-Dimensional Attention，直接把反射流的注意力圖從透射流中減去，在架構層面強制執行分離而不是靠網路自己去學。搭配 CrGF 解決 upsampling 的梯度不穩定，以及特製的學習策略，整個訓練穩很多。最後在 Real20 拿到 SSIM 0.846、Nature 0.854，參數量 174M，比 SOTA對手 RDNet 的 266.4M 少了 35%。 這個除了視覺效果很好，數據上也明顯比目前SOTA好上一個等級。

恭喜交大的研究助理 家銘、碩一生錦慧；成大敏求的 宇凡、數據所的 語柔。

[ #ELSA：FP32 長序列注意力，終於不用二選一｜CVPR 2026 Findings Workshop]

ELSA 要解決的問題很明確：醫學影像、高光譜遙測、以及最近跟藥物開發合作以及化工合作都需要高精度的計算，這類科學計算講究精準度，如果用FP16/BF16，雖然快，但越大型模型累積誤差越大。現有 FP32 的標準注意力 O(N²) 記憶體長序列直接 OOM，還有現在的 memory-efficient 解法（ME-SDPA）雖然省記憶體，但計算是 sequential 的，慢到讓人崩潰。而且影片、高解析度相片或資料，往往需要超長Token, 除了 Token compression (資訊還會不見呢), 還有沒有其他解法? 於是我們從根本下手，重新思考，ELSA 把 softmax 注意力的累加過程重新 formulate 成 prefix-scan 問題，用兩層掃描架構（intra-block + inter-block）把平行深度從 O(N) 壓到 O(log N)，完整保留 exact softmax semantics，不換 operator、不需要 retraining、不依賴 Tensor Core，從 Jetson TX2、 A100、CPU、AMD RX 9060XT 都能跑。值得一提 ELSA 也已在專利審查中。目前結果在16K tokens底下， FP32 throughput 3.4x 快於 ME-SDPA、VRAM 少 37%、65K token 仍有 12% 優勢，drop-in 換上去 ImageNet Top-1 誤差 ±0.1%，等於沒有損失。FP16是打不贏 Flash Attention系列的，但是實測結果速度也在 5%以內差距，Token越長，差距越小。

恭喜交大的研究助理 廖涴婷、博一生 馬欣蒂、研究助理 李家銘。

———————-

科普：Findings Workshop 是什麼：這是 CVPR 2026 的新機制，由 Area Chair 從沒進主會但有實質貢獻的論文中額外推薦，今年有 1,717 篇（約全部投稿的 10%）入選，也還不錯啦，畢竟ELSA真的是工程之作。

感謝每一位共同作者，以及每一個深夜還在跑實驗的同學們

#CVPR2026 #ComputerVision #DeepLearning #ACVLab #NYCU #陽明交通大學 #NCKU #EfficientAI