Dalian Maritime University

古籍页面常同时出现纸张老化、水渍变形、虫洞与霉斑，而以往公开的修复基准规模有限、退化多为孤立叠加，难以支撑监督式修复。AncBench 以 100,379 对像素对齐的干净—退化图像，把化学、物理、生物三类退化按先后顺序耦合生成；在此数据上训练的 AncRestore 先估计整页与局部的退化表征，再按退化特征动态选择并分配视觉先验。在 AncBench 测试集上，AncRestore 取得 26.70 dB PSNR、0.9191 SSIM 与 0.1346 LPIPS，字符识别准确率 89.58%。

古籍页面常同时出现纸张老化、水渍变形、虫洞与霉斑，而以往公开的修复基准规模有限、退化多为孤立叠加，难以支撑监督式修复。AncBench 以 100,379 对像素对齐的干净—退化图像，把化学、物理、生物三类退化按先后顺序耦合生成；在此数据上训练的 AncRestore 先估计整页与局部的退化表征，再按退化特征动态选择并分配视觉先验。在 AncBench 测试集上，AncRestore 取得 26.70 dB PSNR、0.9191 SSIM 与 0.1346 LPIPS，字符识别准确率 89.58%。

作者提出 CircuitGate，一个面向与反相图（AIG）的功能感知表示学习框架：它显式编码带极性的全局主输入（PI）支撑、用支撑重叠感知的重汇聚门控调制扇入更新，并加入逻辑启发的布尔约束；在 ForgeEDA、EPFL 与 ITC'99 上，等价门识别与信号概率预测的 MAE 均优于所比较的 GNN 与电路专用方法，ForgeEDA 上相对次优方法分别降低 21.7% 与 13.8%，并在 ForgeEDA 到 OpenABC 的零样本迁移中取得最低等价门 MAE。

作者提出 CircuitGate，一个面向与反相图（AIG）的功能感知表示学习框架：它显式编码带极性的全局主输入（PI）支撑、用支撑重叠感知的重汇聚门控调制扇入更新，并加入逻辑启发的布尔约束；在 ForgeEDA、EPFL 与 ITC'99 上，等价门识别与信号概率预测的 MAE 均优于所比较的 GNN 与电路专用方法，ForgeEDA 上相对次优方法分别降低 21.7% 与 13.8%，并在 ForgeEDA 到 OpenABC 的零样本迁移中取得最低等价门 MAE。

该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。

该工作提出 MITE，将生物医学命名实体识别重构为结构到结构的生成任务，把同一训练实例转写为 Python、C++、Java 等多种编程语言格式以提供结构多样的监督信号，无需外部生物医学知识或额外标注，并在推理时用实体级投票聚合不同代码格式的预测；在六个常用 BioNER 数据集上，MITE 稳定优于代表性 BERT 类与 LLM 类基线，并表现出较强的跨数据集泛化能力，消融与参数分析进一步验证了各组件的作用与稳健性。