PP-CPCANet 提出协方差自由框架以解决小样本域泛化问题
PP-CPCANet 通过流形全局正交基联合优化网络参数,解决了传统 CPCANet 在小批量训练中因协方差估计秩亏导致的局限。该模型在四个域泛化基准测试中实现了最先进性能并保持训练稳定。论文已撤回并整合至更新版本 arXiv:2605.05136。
PP-CPCANet 通过流形全局正交基联合优化网络参数,解决了传统 CPCANet 在小批量训练中因协方差估计秩亏导致的局限。该模型在四个域泛化基准测试中实现了最先进性能并保持训练稳定。论文已撤回并整合至更新版本 arXiv:2605.05136。
该论文回顾了第二届 LoViF 2026 挑战赛,旨在推进涵盖模糊、低光照、雾霾、雨雪等多种退化条件的统一图像复原技术。比赛吸引了 158 名注册参与者,最终有 20 个团队的结果被成功复现并纳入排名。报告对提交的解决方案进行了综合分析,揭示了有效的策略设计,并为未来真实世界低级视觉研究建立了更新的基准。
RFMSR 提出将源分布设为以低质量潜变量为中心的 Gaussian,使流从输入图像而非纯噪声开始以保留结构先验。该方法结合单步输出监督损失与条件流匹配损失,无需蒸馏即可实现任意步数的高质生成。实验显示其效果可与最先进方法竞争,代码已开源。
针对零样本工业缺陷检测模型在边缘端量化后性能下降的问题,本文提出 EdgeZSAD 框架及其核心方法 Value-Range Quantization(VRQ)。
人类与现代视觉模型在分类准确率相近时,其错误方向存在系统性差异,揭示了仅靠准确率无法察觉的归纳偏置。研究通过自然图像分类任务下 12 种扰动类型匹配的人机响应,量化混淆矩阵不对称性并关联信息 - 误差权衡几何特征(斜率 beta、曲率 kappa 及效率 AUC)。结果显示人类呈现广泛但微弱的不对称,而深度模型则表现为稀疏且强烈的方向性坍缩。
针对多模态大模型处理长视频序列成本高昂的问题,本文提出 Q-Gate,一种免训练的插件式框架,将关键帧选择视为动态模态路由问题。该方法解耦检索为视觉定位、全局匹配和上下文对齐三个轻量级专家流,并利用 LLM 的上下文推理机制评估查询意图,动态分配权重以激活必要模态并抑制无关模态。
论文指出 Vision Transformers(如 DINOv2)存在独立于语义内容的位置偏差与伪影,导致在无优选方向的领域(如材料科学截面图)难以进行零样本适配。研究通过线性探测验证了该偏差的普遍性,并证明通过微调模型采用 ALiBi 相对位置编码可消除这种偏差,同时保留良好的通用语义特征,使其成功应用于复杂显微图像的 trainable segmentation。
该论文提出了 Free-GVC 框架,将视频编码重构为由视频扩散先验引导的潜在轨迹压缩。方法在 GOP 层面运行,通过自适应质量控制模块动态构建在线率感知代理模型以预测最佳扩散步,并利用跨 GOP 对齐模块建立帧重叠与潜在融合来消除闪烁、增强时序连贯性。实验显示该方法在 DISTS 指标上平均降低 93.29% BD-Rate,用户研究证实其在极低码率下具有更优的感知质量与时序一致性。
针对颈椎骨折诊断难题,该研究提出利用 YOLOv8 定位与 DenseNet121-Unet 分割生成的二维掩膜反投影替代全量三维分割。在 RSNA 2022 数据集上,该方法获得的椎体级和患者级 AUPRC 分别为 75.64% 和 92.00%,性能提升无统计学显著性且优于部分基线。结果表明,基于二维投影的掩膜近似是颈椎骨折识别中可行的三维分割替代方案。
Teleo-Spatial Intelligence(TSI)通过整合物理动力学与动作目标,揭示了视觉语言模型在开放世界环境中存在显著的意图推理差距。基于包含 11,328 个真实视频及 8,000 例基准数据的 EscherVerse 资源评估显示,最强专有模型整体准确率仅为 57.26%,远低于人类首判平均 90.62% 的水平。
论文提出了 BusterX++,这是一个用于联合图像和视频检测的可解释推理多模态大语言模型(MLLM)。作者构建了 GenBuster-Bench++ 基准数据集,包含平衡的图像和视频样本。实验表明,在统一的图像 - 视频设置下,主要由稀疏结果奖励驱动的单一阶段纯强化学习策略优于强力的微调加强化学习基线,且纯 RL 在整个训练过程中保持了更高的策略熵度。
该研究评估了拓扑数据分析(TDA)在 firn 冰层图像分类中的性能,旨在解决传统卷积神经网络因训练数据有限而过度拟合方向相关特征的缺陷。实验对比了子水平集与距离变换两类拓扑特征及持久曲线,发现单一方法无法在所有类别中占据主导,需在准确率、通用性与可解释性之间权衡。论文为 arXiv 预印本版本 v2,代码与权重未提及开放许可。
该研究提出基于网格的子图拼接方法,将二维非特征 SLAM 问题转化为非线性最小二乘形式以同时优化全局地图和局部子帧。利用雅可比矩阵增量独立于全局占用值的特性,作者设计了仅姿态更新的 Gauss-Newton 算法,显著降低了大规模环境下的计算成本。仿真及公开激光雷达数据集的评估证实,该方法在效率、精度及解决超大规模场景能力上均优于最先进方法。
该工作首次展示无参考图像质量评估模型可作为自然图像先验用于真实世界图像增强。方法在预训练的微分双射扩散过程中于扩散潜空间执行梯度上升,而非原始像素域。不同模型带来不同的增强输出,提供了比较它们在感知优化场景下优缺点的新计算手段。
EventSpikeSeg 提出一种结合驻留电容内存与共享模拟处理的混合信号架构,在 GF180MCU 工艺下实现事件相机脉冲分割。该架构在 DSEC 数据集上软件检查点达到 27.976% 平均交并比,但硬件准确率、全网络物理运行及系统能效尚未验证。研究详细表征了 22 个模块家族与 74 个工作点,揭示了存储复制与服务调度作为扩展约束。
TetraCoder 是一种单分辨率无哈希的自适应四面体编码,通过连接显式四面体空间编码器与隐式有向距离场(SDF),构建连续分段仿射混合空间。该方法在图像与点云拟合、三维新视图合成及重建等任务上优于最先进方法,并支持快速四面体光线追踪与几何外观编辑。
该方法利用变分自编码器构建潜空间,结合低维姿态参数与身体表面位移引导网络预测,引入局部梯度直方图损失缓解过平滑问题。在准静态生产级资产上评估显示,系统能实时生成锐利真实的褶皱、平滑的大尺度垂坠及时间连贯性,显著改善艺术家交互摆姿工作流。论文已接受至 SCA 2026 会议,代码与数据许可状态待原文补充。
论文提出 D2ToF 框架,利用蒸馏扩散策略和多元引导机制,将低分辨率单光子 LiDAR 波形(8x8)一步重建为高分辨率深度图(128x128),推理耗时约 83 毫秒。实验结果显示该方法优于现有基线,解决了极差输入上采样问题。
推荐理由:提出 D2ToF 一步扩散框架,实现单光子 LiDAR 波形到高分辨率深度图的超分辨率重建。
DiffusionSSD 提出一种算法架构协同设计框架,通过双阶段扩散降低计算成本并借助 cUFS+LPDDR-PIM 将编解码卸载至数据侧。实验显示该方案在保持感知质量的同时,计算开销最高减少 92.7%,相比 NPU+DRAM 及 SmartSSD 等近数据处理架构,编码吞吐量分别提升 2.32 倍和 2.91 倍。
该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。
推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。
LightTAR 通过联合提取编码器层的目标感知特征,以少量计算成本提升所有表格模型的预测性能。该方法在 MulTaBench 数据集上平均改善预测效果,仅轻微增加运行时间且无需修改现有编码管道或学习器架构。代码与论文已公开,适用于结合数值、文本和图像的多模态表格学习任务。
该综述分析了 41 项研究,发现直接回归是主流管线(23 项),混合 CNN-注意力架构正在兴起,但研究仍集中于 X 射线到 CT 配准。结论指出缺乏逐例不确定性估计和时序建模是临床就绪的关键缺口,并讨论了状态空间模型及基础模型的整合机会。
针对视觉系统从分类器向 VLM 及 LVLM 演进中存在的攻击面问题,本文提出一种互补的鲁棒性指标 Structural Gradient Alignment (SGA)。
该论文提出 BAL 框架,通过潜空间中的双向自回归预测(前向与后向)来捕捉人体动作的自然时序结构,以替代依赖人工假设的现有方法。实验在大规模数据集上验证了其在动作描述、预测和插值任务上的有效性,优于多数基线。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。
蒸馏扩散模型虽降低采样延迟但导致样本多样性严重坍缩。本文探究发现学生模型将激活方差集中到更少的方向,且该现象位于去噪初始步骤的中间层。为此提出 ReDiverse 方法:训练时通过轻量适配器微调回归教师特征方差,推理时无训练机制沿预计算的主成分方向引导激活。在图像和视频蒸馏基准测试中,该方法在保持生成质量的同时一致恢复了样本多样性,并得到用户研究支持。
研究利用概念归纳技术揭示卷积神经网络在农业图像分类中依赖背景主导区域的上下文偏差。分析涵盖五种数据集、四种架构及三个网络深度,验证了边缘与纹理特征的有效性,发现中等偏差的甘蔗数据集神经元特征验证率最高(40.5%)。该工作表明行为上下文依赖性与隐藏神经元的语义可解释性捕捉了 CNN 行为的不同侧面,可作为基于补丁的偏差检测补充。
该论文提出一种名为 PLUM 的无需训练的检测分数,通过池化检测框内的骨干网络层特征并计算其与已知类别的距离,实现对分布外目标的可靠识别。在 PASCAL-VOC 和 BDD100K 基准上,该方法在不依赖外部模型的情况下取得了最高的 AUROC 指标(分别为 91.5/94.5 和 95.1/97.5)。材料为预印本版本,代码与论文链接已提供。
针对屏幕历史作为可搜索视觉记忆的需求,本文提出了 StreamEmbed 系统,通过空间 Token 剪枝与时间 KV 缓存复用技术,利用截图间的像素冗余实现增量视觉嵌入。实验显示该系统在 M2 Pro GPU 上将编码速度提升最高 3.7 倍,相比 OCR 索引在同等延迟下 Recall@10 提升 6.3 个点,且仅需 0.13 GB RAM 即可存储模拟一年的截图数据。
针对扩散起草器主要关注纯文本任务而忽视多模态起草的局限,本文引入基于 KL 散度的 Token 级视觉依赖度指标,发现视觉依赖度高时接受率显著下降。为此提出 MMFlash 框架,自适应地提升起草器预测较差的视觉依赖 token 权重,并在长视频输入下采用稀疏注意力减少冗余计算。
AR-Classroom 项目在 Meta Quest 3 头显上实现了针对乐高飞机的无标记六自由度(6DoF)追踪。
该论文评估了 73 种手工设计、学习型、视觉 - 语言及通用图像质量指标在水下场景中对齐人类偏好的程度,发现没有任何一种指标能始终匹配人类判断。研究通过四项基准(四组已发表意见评分集与一项新配对比较研究)测试指标一致性,并验证了简单编辑和对抗扰动是否会导致指标分数虚高、生成噪声累积时分数下降不足等问题。
研究团队在 Agilex 5 FPGA 上构建了计算自定义 3.69 亿参数混合门控 DeltaNet 模型完整层的硬件瓦片,并通过页式管理解决 6.2 MiB 状态仅存于 0.87 MiB 片上内存的问题。
针对多模态大语言模型在持续学习新能力时面临的灾难性遗忘与参数冗余问题,本文提出 CoPre-MoE 架构。该方法首先为每个任务学习专用混合专家以捕获特定能力,随后通过评估功能重叠将重叠专家整合至固定容量的通用专家池中,并将剩余任务特定专家分解为共享投影基和紧凑的任务特定核心存入私有专家池。
本文探索神经图像水印模型的适应性,提出一种框架使编码器 - 解码器水印架构具备模块化和可升级性,支持多种水印风格而无需重新训练整个模型。该方法通过在组件上附加紧凑的参数高效适配器并在多域残差对齐损失下微调来实现适应,同时通过秘密损失项保持比特精度。
MaskSCD 将语义变化检测重构为双时相标签对图像的掩码分类任务,通过共享掩码与双时相特征融合确保变化图与语义图一致。该方法在 SECOND、Landsat-SCD 和 Hi-UCD 三个数据集上均取得最佳分离 Kappa 及 F1 分数,平均分离 Kappa 比最强竞品高出约 5 分且消除了近 30% 的矛盾变化像素。
DIRT 方法提出一种无需训练和优化的实时新视角合成(NVS)方案,利用主动传感器获取的稀疏点几何在屏幕空间完成深度缓冲,并通过频率感知的双带混合策略融合投影后的观测数据。该方法适用于手持 RGB-D、车载 LiDAR 及热成像等异构传感器,且在低光条件下表现良好,实验显示其在实时重建场景中优于以往方法,同时在传统 NVS 基准上保持竞争力。
该论文提出了 MemCAM 框架,旨在解决弱监督视频语义分割(WS-VSS)中利用外部先验(如光流)不稳定且昂贵的问题。MemCAM 通过特征空间自监督直接学习时空跨注意力机制,引入 CAM 传播算法合成监督信号,并利用预测图与传播图的一致性约束来稳定训练。
Jaeyoo Park 和 Bohyung Han 提出 Structural Self-Teaching (SST) 框架,利用扩散模型内部理解路径的注意力图提取短语级掩码,将其转化为训练时的结构监督信号以解决组合提示下的对象缺失与空间错误问题。该方法通过短语局部对比对齐和结构支架机制,在不需外部标注且无推理成本的情况下,在多个统一多模态模型上实现了优于 LoRA 微调的组合生成保真度。
论文 DeepBA 提出一种图神经网络架构,用于从任意数量视图的二维匹配中恢复相机位姿、内参和场景结构。该方法将传统光束法平差的非线性最小二乘求解过程转化为可学习的迭代优化,支持冷启动且无需逐场景归一化。模型包含 2.04M 参数,在重建质量和位姿指标上优于先前的学习型 SfM 方法,并在视图数量增加时计算效率超越经典方法。
本文提出了 Lens 系统,一种无需针对特定类别训练检测器的语义搜索方案。该方法利用冻结的自监督视觉 Transformer(DINOv3)提取特征,通过投影消除位置偏差并中心化,结合余弦相似度进行实时检索。系统支持跨数千图块的实时范围搜索与场景级检索,并在 DFC2020 测试集上实现了优于基线的性能,单次点击响应时间为 6 至 10 毫秒。