SCAR:通过候选重排序连接粗粒度检索与细粒度定位
该论文针对自然语言点云定位任务中检索顺序决定最终输出坐标的问题,提出 SCAR 方法。该方法将每个单元 - 细粒度坐标对视为定位假设,利用骨干网络实际细粒度点的空间支持进行证据读出,并结合中心支持、语义存在度等构建 23 维表示训练共享评分器。
推荐理由:提出 SCAR 方法,通过空间一致性重排序解决自然语言点云定位中检索顺序决定最终输出的问题。
该论文针对自然语言点云定位任务中检索顺序决定最终输出坐标的问题,提出 SCAR 方法。该方法将每个单元 - 细粒度坐标对视为定位假设,利用骨干网络实际细粒度点的空间支持进行证据读出,并结合中心支持、语义存在度等构建 23 维表示训练共享评分器。
推荐理由:提出 SCAR 方法,通过空间一致性重排序解决自然语言点云定位中检索顺序决定最终输出的问题。
SemRAG 提出一种无需构建词汇字典的语义引导句子级检索增强框架,通过 SLT 引导模板定位模块抑制无关动作干扰。实验表明该方法在回译与运动准确性指标下均优于基线,显著提升了长难句的手语生成语义一致性与运动质量。
Pocket SDR-NPU 开源项目将 Raspberry Pi 5 与 AX8850 NPU 或 ROCK 5C 内置 NPU 结合,通过分解离散傅里叶变换实现并行代码搜索。相比优化后的 CPU 方案,短码获取速度提升 3.0-3.8 倍,90% 通道锁定时间从 66 秒降至 26 秒,实时处理通道数由约 175 增至约 230。
针对现实部署中缺乏新场景文本标注的问题,本文提出了 STaG 框架,实现了无需目标域人类标注的无监督领域自适应文本检索。该方法通过风格无关文本对齐解耦身份语义与机器生成风格,并利用异构图记忆对齐学习跨域不变视觉特征,在三个基准测试上达到了最先进性能。
该论文提出 ALoMa 方法,利用 LoMa 关键点描述符在图像及图像对层面进行仿射对应关系(AC)估计,通过联合学习完整的 4-DoF 变换矩阵替代单独估计分量。实验表明该方法在多视图几何下游任务中表现一致优于现有方案。材料为预印本论文,代码已开源。
推荐理由:提出 ALoMa 方法,联合学习仿射变换矩阵以增强多视图几何求解的鲁棒性。
针对历史文档手写文本识别因标注数据稀缺和领域偏移而面临的挑战,本文提出 DRA-HTR 无监督生成域适应框架。该方案结合源域预训练与目标域视觉特征适应,通过生成目标风格源样本进行任务特定训练;并引入 DRAL-HTR 集成大语言模型进行后 HTR 校正以补充语言适应。
推荐理由:提出 DRA-HTR 无监督生成域适应框架,在七个数据集上建立手写文本识别领域适应新最先进并提升鲁棒性。
研究利用 CubiCasa5K 和 ScanNet 真实布局,评估 Qwen3.5-27B 和 Gemma-4-31B-it 能否提供物体位置的空间分布先验。结果显示模型虽能关联物体与房间类型,但在物体靠墙性及生成布局几何一致性上不及基于真实布局的先验。结论支持将 LLM 用于约束坐标书写及后续几何校验,而非直接替代真实布局作为放置先验来源。
KnowVis 提出双视图评估框架,诊断文生图模型的世界知识 grounding 缺陷。该协议结合技能树与通用基准,利用结构化 MLLM 评测器验证原子知识与开放表达,在 NeurIPS 2026 E&D Track 接收并开源代码库以支持可扩展诊断。
论文提出免训练的 EcoVGGT 推理框架,利用固定关键帧集(Pinned Key Set)替代内容选择机制,实现长视频三维重建的恒定成本处理。实验显示该方法在 ScanNet 1000 帧视频上将速度提升 13.8 倍,并在 VGGT 模型上通过微调对齐模块将成功率从 70% 提升至 82%,同时支持单 GPU 处理 4000 帧及在线流式重建。
推荐理由:提出免训练推理框架 EcoVGGT,通过固定关键帧实现长视频三维重建的高效流式处理。
该论文提出 Saliency-Weighted Asymmetric Merging (SWAM) 框架,通过引入显著性感知机制扩展了双部软匹配方法,利用余弦相似度配对并施加最大显著性惩罚,结合非对称指数加权聚合以增强显著 token 的贡献。
现有文生图幻觉基准多基于扩散模型,难以诊断视觉自回归(VAR)模型的局限。本文提出 InfiHall-Bench 基准,包含由五种基础技能系统构建的 411 条提示词,平均每条覆盖 4.05 个标注技能,用于评估不同视觉要求组合下的幻觉。
MELD(Multi-level Embedding-space Latent Diffusion)利用无标签目标数据,通过四级 PointNet++特征层扩散去噪器将哥伦比亚圣玛尔塔内华达山脉 Teyuna 与 Miraflores 两地区的古梯田检测 F1 值分别从 0.397/0.557 提升至 0.459/0.594。
该研究针对扩散模型训练图像记忆区域的隐私与版权风险,指出基于对角线的对比检测方法存在歧义且依赖参考图或早期检查点。作者提出利用雅可比矩阵行和(JaRS)区分记忆化与局部平均,并引入图像级检测分数形成 JaRS+ 方法。
针对V2X协作感知中基于简单空间形变导致语义错位及对位置噪声敏感的问题,本文提出插件式模块RSSA。该模块通过语义变换块校正语义不一致,利用概率空间采样进行空间形变以增强鲁棒性,并引入相对变换增强策略辅助训练。实验表明,该方法在清洁与含噪位置配置下均大幅优于最先进方法。论文已获NeurIPS 2026接收。
针对现有基于代理的图像修复方法缺乏对策略有效性边界显式识别的问题,本文提出 RecurIR 框架。该框架引入假设发现机制以识别条件依赖规则,设计由规则证伪驱动的任务演化机制生成针对性退化变体并验证规则适用性边界,进而开发变化条件感知的策略修订机制来调整工具选择、执行顺序及操作强度。
Grounded Chinese Grammatical Error Correction (G-CGEC) 提出从图像到定位编辑的新任务,并构建包含 K-12 手写试卷的 G-CGEC-Eval 基准。评测显示顶级专有模型在单步设置下表现不佳,而基于错误类型的多智能体工作流取得最佳性能。研究指出语言错误发现与字符级配准仍是主要瓶颈,需加强视觉感知与语言推理融合。
MacroGS 提出一种前馈解码器,通过为每个宏像素预测单一共享高斯集而非每视图独立生成,解决了传统方法冗余编码场景结构且基元数量随视图数线性增长的问题。该方法利用视差依赖替换和角度条件外观实现跨视图复用,在无需几何监督下预测的视差与底层场景几何强相关。实验显示其集成于多种光场编码器时提升重建质量,速度较最先进隐式解码器快约 2-10 倍、较逐视图高斯基线快 10-18 倍。
nnAEU 是一种基于卷积神经网络的轻量化自编码器,通过剪枝完全移除 UNMamba(2025) 中的 Mamba 组件。该模型参数量少于 UNMamba 的 10 倍且远低于其他 Transformer 及 GAN 方法,同时在解混精度上超越它们。完整可复现代码已开源,相关论文为 arXiv:2611.17956v1 预印本版本。
针对专用任务标注数据稀缺问题,该研究提出一种无监督域适应流水线,通过预训练专家模型、利用未标记目标数据进行域适配及风格对齐来缩小分布差距。该方法在 DAGECC 竞赛 Track 2 的 Safran-MNIST-DLS 数据集上以 76.17% Macro F1 分数确立新最先进水平,并在 READ 2018 各子集无需标签下取得竞争性结果。代码已公开,推理阶段无额外计算开销。
arXiv 论文《Token2Tile》提出了一种无需训练的稀疏注意力算子,旨在解决视频扩散 Transformer 中注意力机制的二次计算成本瓶颈。该方法结合每查询评分与残差、在线低秩空间及 Tile 执行策略,将选中的 Key 打包至 GPU 核以加速推理。
推荐理由:该工作提出了一种无需训练的稀疏注意力算子,在视频扩散模型上实现了显著加速且精度损失极小。
Vessel2Brain 提出一种边缘感知的多尺度条件流匹配框架,仅凭稀疏血管标签图即可合成逼真的全量 3D 脑部 MRI 体积。该方法通过辅助速度预测与边界强调目标,在两个公开配对数据集上实现了优于最先进生成模型的构建精度、结构一致性与分布真实性。研究代码及权重尚未开放,论文状态为 arXiv 预印本(arXiv:2611.17919)。
针对自监督联合嵌入预测架构(JEPA)在医疗影像中鲁棒性不足的问题,研究测试了四种基于 JEPA 的胸片编码器。实验显示,在边界攻击等扰动下,I-JEPA 编码器的余弦相似度降至 0.33,AUROC 下降 0.12。通过对抗微调将嵌入一致性提升至 0.97 以上,而仅用干净数据训练的向量量化方法则导致性能进一步恶化。
Rabeya Noor 等人发现主流深度估计模型(如 Depth Anything V2)在数字变焦下会错误地认为场景变近,因为这类模型过度依赖物体大小而非焦距信息。研究通过无标签测试量化了误差,并证明利用真实相机参数或移除‘模糊即变焦’捷径的自洽性微调可显著修正该问题,使深度估计对缩放因子不敏感。
针对视觉语言模型(VLM)在指代歧义场景下过度自信的问题,作者提出 AmbiSteer 框架。该框架利用线性分类器预测输入歧义度并据此调整 steering 方向,结合提示词技术将多模型处理得当的输入比例从平均 59.0% 提升至 77.0%。研究基于 arXiv 预印本发布,旨在为降低不确定多模态设置下的模型过度自信提供轻量级方案。
针对现有方法依赖点云导致定位与分类受限的问题,本文提出 See and Detect 框架,利用多视图图像作为主要证据生成 3D 框和语义标签。通过单图候选发现、多视图共识框融合及质量评估提升定位鲁棒性,并引入上下文感知语义学习增强分类精度。实验表明该方法在 ScanNet 和 ARKitScenes 数据集上达到最先进性能,运行速度比此前 SOTA 方法快超过 500 倍。
该方法主张在行为分类前重构动物与物体的三维几何,使二维至三维逆问题的模糊性显式化并具备可修正潜力。研究先在模拟互动的老鼠数据上验证策略,随后扩展至真实视频场景进行演示。论文共 8 页含 9 张图和 1 个表格,收录于 GFaI Future Tech Days Tagungsband 2026 会议论文集。
该研究引入一种降低变异的退化过程,将多样图像收缩至共享原型同时保持中间状态的可识别性。通过关联初始噪声潜变量并施加扰动以解决反向过程的一对多歧义,该方法在推理阶段允许提前终止并实现可控的速度 - 变化权衡。论文已提交至 CDEL-ECCVW 2026 会议论文集,代码与权重开放许可情况待项目页确认。
针对长文档问答中模型即使检索到充分证据仍可能回答错误的问题,论文提出了 DoubleTake 框架。该方法无需训练,利用初始阅读生成的候选答案与证据记录指导二次检索,通过规划器生成事实性问题、验证器基于源图像盲答以及推理器整合观察结果来解决原始问题。
推荐理由:DoubleTake 框架在冻结 Qwen3-VL-8B-Instruct 骨干上,通过二次聚焦验证显著提升了长文档问答的准确率。
针对现有视频语言模型仅检索静态属性而忽略动态信息的局限,本文提出 V-JEPA-LM 架构。研究证明动态信息存在于预测编码器的子空间中,并通过像素变换构建反事实监督数据,使语言模型在单阶段训练中即可读取速度等动态特征。
推荐理由:该文提出利用反事实监督让语言模型读取视频编码器中未被利用的动态信息,在单阶段训练中于多项基准测试中超越现有开源模型。
针对边缘设备需求上升但现有轻量级方法精度不足的现状,本文提出无需引入额外数据集或参数的三阶段训练策略 Signal Scaffolding。该方法应用于自设计的轻量化网络 ReForgeDepth,在 KITTI 和 Cityscapes 数据集上实现了精度与效率的最优平衡,并能在边缘设备上实时运行。研究结果表明,通过优化训练方式即可进一步挖掘轻量级模型的潜在能力。
该研究提出通过学习少量共享提示词来适应冻结的视觉基础模型,并首次从理论上量化了特征空间传输的成本。研究发现,由于共享提示词与图像内容竞争注意力,仅靠线性插值往往无法沿最短路径移动;二次贝塞尔曲线路径能显著减少额外动作成本,在 VTAB-1k 数据集上提升了无标签分布偏移下的中间精度和在线准确率。论文给出了可解析的注意力模型分析,揭示了内容归一化对可达性的阈值效应,并提供了项目页面链接供复现。
SceneAgent 是一个多智能体框架,通过维护规范化的场景上下文与后端适配器,实现了构建流程及经验在不同游戏引擎间的复用。该框架在包含 69 个室内外提示词的 GameSceneBench 基准测试中,相比五个基线获得 78.2%-89.4% 的人为调整偏好得分。消融实验表明可复用技能与多智能体协议主要提升了提示词对齐度与场景完整性,且部署至第二引擎时保留了共享协议库并替换了后端集成组件。
针对家庭与办公环境中服务机器人需基于少量观察且面对外观、环境噪声及语音内容变化进行用户识别的挑战,本研究提出了一种无需人员标签的多模态人物概念模型。该模型采用基于中国餐厅过程的非参数贝叶斯生成模型,结合 CLIP 和 CLAP 提取的视觉、声学及语言特征,并通过主成分分析(PCA)处理。
研究对 YOLO26 模型进行五阶段实验,对比确定性缩放、随机扰动及混合 LLM-CMA-ES 等策略在 MS COCO 数据集上的表现。结果显示增加 CMA-ES 预算虽提升开发增益至 +0.28 个百分点,但混合 LLM 方法未展现统计显著优势(p=0.612),且无法实现跨子集的持续迁移或可测量的模型增益。
该论文提出了 Q-GAS,一种结合多分辨率显式 3D 特征网格、紧凑 SwiGLU 风格二次门(QG)解码器及误差感知无预测采样的坐标可查询视频表征方法。
针对基于流的生成模型依赖人工设定预测目标(如速度或噪声)的问题,本文提出 AnisoFlow 框架,引入可学习的各向异性缩放机制替代固定目标。该方法在保持网络架构与损失函数不变的前提下,通过闭式映射恢复速度场,显著降低预测误差。实验显示,AnisoFlow 在 ImageNet 256x256 数据集上将 FID 分数从 1.90 提升至 1.55,并在低精度推理下有效消除图像块接缝伪影。
针对工业设计中品牌图像等隐性约束难以满足的问题,该研究提出一种结合品牌调研与自我增强循环的重设计生成框架。在涵盖汽车、摩托车等五类产品的 50 项任务中,该方法相比 Naive T2I 及 IP-Adapter/IT-Blender 基线,显著提升了创意性与品牌可识别性的平衡效果。
arXiv 发布论文 VACO,针对单张 RGB 图像进行密集手部接触估计任务,提出顶点对齐解码器以解决传统直接预测器中顶点无锚定导致的接触涂抹问题。该方法通过 MANO 顶点采样局部特征,联合训练重建与接触预测,无需辅助重建器即可在推理时预测位置。
推荐理由:该预印本提出顶点对齐解码器解决单图密集手部接触估计难题,在五项基准上刷新 SOTA 并提升下游交互重建效果。
针对稀疏图像导致的过拟合问题,该方法提出基于谱系家族的阶段式丢弃策略与平衡稠密化机制。在 LLFF、MipNeRF360 及 Blender 数据集上的实验表明,该框架实现了具有竞争力的稀疏视角重建效果。相关代码与数据暂未开放,论文处于 arXiv 预印本状态。
论文 HarmonyText 针对自然语言引导的无掩码场景文本编辑任务,提出区域解耦优化(RDO)和级联高频纹理引导(CHFTG),以解决伪监督不可靠、生成过度平滑及缺乏无真值评估的问题。作者构建了包含 25K 配对数据的高质量数据集 STE25K,并引入基于颜色分布差异和谐mony 评估模型的无真值评测协议。实验表明该方法在文本编辑精度、背景保真度、色彩一致性和感知和谐度上优于现有方法。