HongguoTrending:微短剧平台趋势视频与话题的纵向多模态档案数据集发布
HongguoTrending 是首个连接微短剧系列与其平台可见性的纵向多模态数据集,包含中国最大微短剧平台 Hongguo 七个热门榜单的小时级快照。该档案通过两阶段异步管道收集了 63,200 个排名条目、元数据及观众互动指标,揭示了网页与移动端榜单的差异化流转率及内容特征。数据可通过 RESTful API 访问,旨在支持算法把关机制、流行度动态及多模态数字文化的实证研究。
HongguoTrending 是首个连接微短剧系列与其平台可见性的纵向多模态数据集,包含中国最大微短剧平台 Hongguo 七个热门榜单的小时级快照。该档案通过两阶段异步管道收集了 63,200 个排名条目、元数据及观众互动指标,揭示了网页与移动端榜单的差异化流转率及内容特征。数据可通过 RESTful API 访问,旨在支持算法把关机制、流行度动态及多模态数字文化的实证研究。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
针对视觉语言模型在遮挡导致的部分可观测性问题上深度歧义难解、性能随规模下降的瓶颈,本文提出 VLM-as-perceiver 范式,将 VLM 角色限定为局部感知,由外部求解器负责跨视图证据融合与规划生成。
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
该研究提出一种神经网络引导的热启动框架,在保留原始变分公式前提下加速锥形束计算机断层扫描(CBCT)重建。实验基于 SynthRAD2025 挑战赛的骨盆 CT 图像显示,该方法将重建时间减少超过三倍,同时保持相当的图像质量。论文已提交至 IEEE ISBI 2027,代码与权重暂未开放。
RouteDiff 提出一种感知状态的扩散框架,通过保真度细化路由、超图状态调节及估计锚定重入机制优化图像恢复。该方法在 Mayo 2020/2016 数据集上分别达到 40.95 dB PSNR 和 95.13% SSIM,并在下游分割任务中取得 80.92% Dice 系数。论文已提交至 Knowledge-Based Systems,代码与权重暂未开放。
现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。
ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。
arXiv 论文《ReVision: Selective Intrinsic Reasoning for Tool-Augmented, Reasoning-Intensive VQA》提出一种无需训练的测试时方法,允许多模态大语言模型在调用外部工具(如搜索、代码执行)的同时,选择性地进行无工具的图像重审与证据整合。
论文提出 Cross-Input Relative Policy Optimization (CrossRPO) 方法,利用仅在小区域有差异的对比集训练视觉智能体,使其在回答超高分辨率图像问题时基于证据而非常识。
FaceJev 是一种基于多模态大语言模型的伪造检测新方法,通过共享图像编码回答面部八个部位的异常概率问题,无需生成文本解释即可直接判定。该方法利用包含约 160k 图像的 PartForensics 数据集及 FS-GRPO 优化策略进行监督训练。在未见过的操作类型上,FaceJev 比最强基线高出 7.25 个百分点的准确率。
该论文研究了视觉语言模型(VLM)在描述图像时决定观察顺序的内部规划机制,将其分解为绑定头、进度信号生成、选择步骤和注视头四个部分。研究通过在 Qwen3-VL 模型上进行合成视觉检索任务的因果修补验证了各组件的有效性,并证实该机制在不同输入格式、自然照片及语言中均成立,且存在于从 2B 到 32B 的所有模型规模中。
Wildfire-SSR 是一种结合卫星图像与街景全景的地理定位感知多模态框架,旨在进行结构级的野火脆弱性评估。该研究利用视觉语言模型从事件前的街景中提取建筑属性并转换为结构化文本,通过解耦交叉注意力融合解码器将其与卫星影像空间对齐,同时使用冻结的 DINOv3 编码器捕捉高空视觉上下文。
针对自回归模型在长视频生成中主体与背景随时间漂移的问题,该方法利用初始帧作为外观参考,构建教师网络通过注意力掩码强制新帧各区域关注初始帧对应区域,并将此行为蒸馏至学生模型的独立注意力路径。
针对实时交互系统需兼顾自然回应与避免误报的需求,本文提出 BLIP-Live 框架,统一了数据、指标、工具链及训练范式。研究构建了包含人类标注的 BLIP-Live-780K 数据集以定义主动行为,并提出了 PAUC-F 指标来衡量早期有用响应同时抑制过度触发。
论文指出视觉语言模型在跨图像匹配点或物体时常失败,即便答案隐含在隐藏状态中。研究在 Qwen3-VL、InternVL3.5 和 Gemma-3 等模型上验证了两种失效机制:一是携带比较信息的注意力头未将答案读出,二是语义对应存在于视觉 token 但未传递至输出层。
推荐理由:研究发现跨图像比较失败源于特定注意力头未读出答案,通过重分布注意力或微调查询键投影即可修复。
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
论文介绍 ReSpaceBench 基准,包含 590 个合成与真实家庭场景及 3244 个问题,用于评测智能体在跨会话访问中的持久化空间理解能力。评估显示最强零样本模型整体准确率为 50.5%,远低于人类标注者的 90.1%;代理框架未带来额外提升。作者提供了 RS-30K 合成训练集,微调 Qwen3-VL-8B 可将准确率从 35.5% 提升至 60.4%。
该系统在现有 CPU 工业机上运行,无需 GPU,通过三分类检测器实时分析采摘蓝莓的成熟度。田间测试显示,系统对整箱可见蓝莓的整体成熟果实比例估算为 90.22%,与人工标注的 90.97% 相比,单图误差均值为 0.935 个百分点,皮尔逊相关系数达 0.967。所有现场事件均在每侧 14 秒的装箱间隔内处理完毕,为机械采摘过程中的选择性量化提供了实用手段。
针对权重分解方法因矩阵替换引入开销导致延迟降低困难的挑战,本文提出平衡双权重分解(BTWF)方法。该方法在共享基元设置下利用孪生层结构减少推理时间,并通过因子分量平衡与块贡献平衡优化性能。实验表明,BTWF 在六个模型九个基准测试中相比最先进方法提升 2-6%,无需昂贵的微调即可实现效率与性能的平衡。
针对多模态大模型在处理超高分辨率(UHR)遥感场景时,全局概览易丢失小物体细节而详细裁剪又消耗大量上下文的矛盾,该研究提出将检查的裁剪压缩为连续视觉潜变量序列作为紧凑记忆。
针对基于 CLIP 的分类增量学习(CIL)任务,现有方法仅利用全局表示而忽视了局部特征。本文提出 PACE 方法,通过识别关键视觉 patch 和文本 token 并进行跨模态融合来挖掘被忽视的局部表征。
针对机载激光扫描点云中电力线的分割与识别问题,研究对比了基于迁移学习的 Point-SAM 方法与规则法,并推导了用于三维悬链线的 RANSAC 数学公式。在法国 LiDAR HD 项目新发布的 PowLiDFR 数据集上验证显示,无监督迁移学习优于规则分割,且 RANSAC 算法在拟合悬链线形状方面表现更佳。该成果共 8 页含 10 幅图,已获 VISAPP 2027 录用并公开提供数据集下载。
该研究在四个公开数据集上对 75 名测试对象进行了受控评估,发现基于质量的加权融合使心率平均绝对误差较均等平均降低 10.9%、较预选最佳方法降低 15.6%,且与事后最优法无统计差异。然而呼吸率指标无法识别更准确的估计,加权反而增加误差,30 秒窗口虽改善估计但未提升融合效果。
MS-HVED 框架通过物理感知域随机化与高斯后验融合,在尼日利亚队列的盲审中于 210 对对比里以 187 次胜出监督基线。该模型在所有输入下整体质量评分达 5.93(基线 4.49),且即便缺少轴状或冠状面输入仍保持显著优势(p<.001)。代码已公开,研究涵盖计算机视觉与医学影像超分任务。
研究利用包含 9,000 张虚构肖像的 BALPORTRAITS 数据集,在广告选角框架下评估了 16 种视觉语言模型(VLM)的职业、品牌及金融产品关联偏见。结果显示多数成对群体差异具有统计显著性,证明单一场景或属性审计不足以全面检测隐性面部关联偏差。该工作已获 WACV 2027 接收,旨在建立更严格的控制协议以评估此类隐含偏见。
针对长视频理解中感知与推理上下文负担过重的问题,本文提出 VideoNexus 框架,将详细视频感知从证据驱动的规划与推理中解耦。该框架由规划器控制检查位置、分辨率及采样密度,感知子智能体在独立上下文中处理原生音视频并返回紧凑的时间锚定证据。
推荐理由:该框架通过分离感知与规划,在降低推理上下文负担的同时提升了长视频理解准确率。
针对 3D Gaussian Splatting 现有分割方法依赖渲染视图导致被遮挡或低贡献 Gaussians 监督不足的问题,提出 VODA 插件式监督目标。
推荐理由:提出 VODA 监督目标,利用局部深度结构直接监督被遮挡或贡献度低的 Gaussians,在 Removal-3D 基准上提升体积分割效果。
论文介绍 WeVisForensics,这是一个由主调查代理协调多个自进化法医子代理的框架,用于检测视觉和音频线索中的伪造痕迹。该方法采用双时间尺度策略优化,结合新构建的 ForenCue-30K 数据集进行监督与强化学习训练。实验显示该框架在跨域基准测试中平均检测准确率达 95.2%,比最强基线高出 9.0%。材料为 arXiv 预印本,未提及同行评审状态或具体部署情况。
论文介绍 ALIVE,一个支持主动监控、流式任务协调和反馈寻求交互的交互式流式视频模型。研究构建了包含 28.8 万样本的监督微调数据集(ALIVE-SFT-288K)和 3000 样本的强化学习数据集(ALIVE-RL-3K),采用对比监督微调与行为对齐信用分配强化学习进行两阶段训练,并提出了 FSI-Bench 评测基准。
推荐理由:提出 ALIVE 交互式流式视频模型,结合对比监督微调与行为对齐信用分配强化学习,在多项基准及新评测中表现领先。
针对机器视觉质检应用中的数据稀疏与信任问题,研究通过集成法评估基于合成数据训练的模型不确定性。实验表明,在仿真到现实域偏移下预测不确定性增加,但性能下降主要由系统性偏差主导而非集成结果。该发现有助于有效利用合成数据并强调部署深度学习质检方案时的风险评估重要性。
作者提出一种名为标量积变换(SPT)的方法,将图像块的向量嵌入转换为点反射对称性的分数。该方法受梯度乘积变换启发但使用向量嵌入而非灰度梯度,无需针对对称性检测进行特定训练步骤,可直接利用任意预训练的块嵌入模型进行测试。
A2A-UAV 是一个多模态空对空数据集,旨在解决低空空域非合作无人机的可靠检测与识别问题。该数据集由搭载 RGB-热成像云台、全景相机、RF 频谱分析仪和毫米波雷达的无人机平台采集,包含 15 架目标无人机(涵盖 13 种商用型号)在昼夜条件下记录的 105,294 个时间对齐样本及人工标注的 209,539 个边界框。
研究提出利用基于物理的模拟器生成配对图像,对比 U-Net、pix2pix 等五种方法以修正牙科全景片中的患者定位错误。结果显示所有方法均提升了图像相似度并降低了几何误差,其中 U-Net 及两种感知误差模型表现优于 pix2pix 和条件扩散模型。该工作已提交 ISBI 会议评审,旨在减少因定位失误导致的重复检查。
论文提出了 Déjà-Events,一种仅使用事件相机输入即可预测深度、相机位姿和点云的多视图 3D 感知模型。该方法通过蒸馏自一个冻结的 RGB 教师模型(Déjà View),利用事件数据的稀疏特性引入自适应门控机制,在无需深度或位姿真值的情况下训练仅需约 1% 参数量的学生网络。
AnachroBench 提出针对特定时代与国家的视觉场景历史一致性控制判别基准,填补现有评测空白。该基准包含来自八个国家、跨越 19 世纪末至 20 世纪初的 1,600 张图像对,每对由原始历史图与无缝插入现代物体的错位版本组成。研究揭示了模型在“插入物体感知”与“时代 - 国家一致性判断”之间存在显著差距,为评估此类行为提供了定向工具。
PLECTA 提出一种确定性算法,仅利用标记纤维中心线的二值图像即可在交叉点和信号间隙处精准分割独立纤维。该方法将决策建模为带未配对惩罚的最大权重部分匹配问题,无需训练数据或手动标注。在合成场景及独立生成的测试中,PLECTA 在所有密度下均比三种现有替代方案更准确地解析纤维身份。
针对3D高斯泼溅(3DGS)在新视角合成中缺乏真实图像导致无法直接测量渲染误差的问题,本文提出 QuantileGS 框架。该方法通过冻结模型计算 RGB 均方绝对误差,学习预测误差的分位数场,并利用保留集进行尺度归一化 conformal 校准。
该系统结合 ETH-XGaze 与九点校准及 RTMPose 特征修正,单用户实验在 12 个屏幕目标上平均误差为 204.24 像素。相比 xgaze-js 和 gaze_tracker,误差分别降低 35.83% 和 57.69%,且所有目标均产出有效估计。鉴于仅涉及一名参与者,后续需扩大样本与姿态范围验证可行性。