FoveaDet:面向目标检测的软硬件协同设计的注视 CNN-Transformer 架构
论文提出 FoveaDet 框架,通过软件端动态识别显著区域预测注视点并结合 ViT 激进剪枝丢弃无关背景数据,配合优化插值与选择算法;在标准 GPU 上相比稠密基线减少 65.4% 至 92.2% 浮点运算量并加速推理 4.76 倍且 mAP 损失可忽略。
论文提出 FoveaDet 框架,通过软件端动态识别显著区域预测注视点并结合 ViT 激进剪枝丢弃无关背景数据,配合优化插值与选择算法;在标准 GPU 上相比稠密基线减少 65.4% 至 92.2% 浮点运算量并加速推理 4.76 倍且 mAP 损失可忽略。
RipBench 是一个统一基准,支持在海滩安全场景下对海啸流进行多任务评估。该基准涵盖 $304$ 个视频(含 $51,011$ 帧标注数据),在相同数据集上实现了从分类到实例分割的多级视觉抽象对比。
针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。
推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。
MAGIC 将大多模态模型(LMMs)的幻觉检测定义为生成答案 token 时视觉与语言模态注意力权重的分布失衡问题。该方法利用各层各头的基尼系数量化注意力集中度,训练逻辑回归分类器并在三种医学影像模态上评估了两个 LMMs。实验显示,MAGIC 在检测临床不可验证输出方面表现优于或等同于当代基线方法。
该论文提出了 SCR-Mamba 方法,旨在解决基于 Mamba 的视频三维人体姿态估计中缺乏直接利用骨骼关系及全分辨率计算开销高的问题。核心创新包括骨骼条件状态建模(SCSM),通过骨连接和左右对称性生成骨架上下文以指导状态信息的读写传播;以及跨尺度增量细化(CSIR),通过内容自适应聚合构建多尺度运动表示,并利用粗粒度建模产生的增量逐步细化保留的单帧特征。
该论文针对体层 CT 超分辨率任务中合成配对数据缺失真实采集效应的痛点,提出了 Physically-anchored Implicit Network (PIN)。
FloCOS 提出一种基于条件流匹配的框架,将前向占用集表示为随时间变化的半空间凸多边形并集,以解决现有方法覆盖不足或过于保守的问题。在 Waymo Open Motion Dataset 上的评估显示,该方法生成了高覆盖率且更紧凑的集合,交互完成率优于基线。真实车辆实验进一步证实了其在交互式场景中支持无碰撞规划的能力。
本文介绍 FOMO,一种基于 Transformer 的端到端可训练架构,用于零样本模型驱动的目标检测。该方法通过双向注意力机制融合潜在令牌、多视图 CAD 模板和图像特征,生成对象感知特征与条件查询,进而解码为边界框及置信度预测。
WaveFlow-UIE 提出了一种单管道小波域流模型,直接学习将退化水下小波表示转化为清晰图像。该方法在 UIEB、LSUI、UFO-120 和 EUVP 数据集上实现了质量与效率的平衡,相比强基线显著降低推理成本。实验显示,将推理步数从五步减至单步可在保持恢复质量的同时提升约 4 倍速度。
针对文本感知图像超分辨率(TAISR)中严重退化文本难以仅凭局部视觉证据恢复的问题,本文提出利用多模态大语言模型的推理能力进行修复。研究构建了 ReasonText 基准和 GTTCA 指标,发现现有模型在需推理的文本上存在系统性盲区。
针对多模态大语言模型在视觉中心任务中的表现,研究定义了视觉 token 的语义一致性与不一致性。通过移除实验发现模型高度依赖语义一致的 token。提出的语义引导训练方法结合语言建模与语义一致性最小化目标,在保持文本对齐的同时提升视觉任务性能,并在多项基准测试中达到平均最优效果。
论文提出了 SteinPnP,这是一种概率性的透视-N-点(PnP)求解器,利用非参数姿态粒子集对相机位姿后验进行建模。该方法结合 Stein 变分推断的优势,旨在解决传统方法在捕捉多模态不确定性时的不足。实验表明,SteinPnP 能在合成与真实世界基准上准确捕获复杂的多模态不确定性并保持竞争力。
ThermalSplat 是首个无需已知相机位姿、RGB 引导或场景特定训练的通用前馈高斯泼溅框架,直接利用软普查损失和边界结构损失解决热成像低纹理与发射率依赖难题。
该研究指出自动评测分数是生成器、提示分布、验证器及评分规则的共同属性而非仅由生成器决定。作者在结构计数任务上构建了验证器中心审计套件,涵盖手机、椅子等物体及三叶草叶片等子结构,在 Qwen-Image-2512 和 FLUX.2-dev 生成的 6,240 张图像上进行测试。
论文提出 IncR-3DSGG,该方法利用训练阶段的深度监督学习参数化关系预测器,仅凭带位姿的 RGB 图像在推理阶段构建度量一致的 3D 场景图。在 3RScan 数据集上,其对象召回率和谓词召回率分别达到 52.2% 和 30.8%,显著优于 MonoSSG。
arXiv 预印本论文提出一种学习运动与帧外观耦合先验的方法,将其作为生成式先验用于视频逆问题重建。该方法通过条件扩散模型学习由运动引起的外观残差分布,以此正则化基于扩散模型的图像重建过程,同时兼容现有的外观正则化技术。实验表明,在动态视频逆问题上,该方法优于光流一致性和噪声变形基线,并成功迁移至心脏 MRI 重建任务。
ChartGalaxy++是一个包含 217,195 张信息图的新数据集,核心采用场景图表示法以编码视觉元素的层级与空间关系。该数据集支持图像到场景图的预测、增强型问答及生成中的场景图保持评估三项应用。其预印本已上传至 arXiv,旨在推动图表理解与生成的前沿研究。
论文提出 CARE-Drive(Coupled Alternating Refinement for Ego-trajectories),旨在通过物理专业化与协调机制改进端到端自动驾驶中的轨迹预测质量。
推荐理由:提出 CARE-Drive 方法,通过位置与航向的物理专业化分解及交替优化,在 NAVSIM v1 上提升轨迹预测性能。
MultiPedes 数据集包含四语千万级图文对,ViSeLA 通过语义感知学习与视觉 grounded 对齐消除英语中心偏差。实验在多语及单语任务上均优于现有方法,代码与数据已开放。论文被 ACM MM 2026 录用并发表口头报告。
AcrossPlace 是一个基于 GSV-Cities 构建的溯源感知基准,包含 23 个城市共 56,726 个地点、156,800 条描述及 113,404 张目标图像。
论文 Arbor 针对合并不同层级标签数据集后出现的细粒度缺失问题,提出一种在分类器中直接建模标签粗化过程的虚拟类别与逻辑门控方法。该方法将新类视为违反假设的实体,通过训练逻辑门分配概率,证明其在群体最优时等同于 Elkan-Noto 修正,且优于事后应用该修正。
针对短视频中隐性且碎片化的有害内容难以被现有方法有效检测的问题,本文构建了包含7110个样本的DeepHarm-7K数据集,并提出了集成视觉、音频及跨模态推理的DeepHarm-VL多模态检测框架。该框架采用两轮推理策略以逐步识别表面证据并推断潜在危害,实验结果显示其在多个开源视频语言模型上均优于强基线方法。
论文 Track4D 研究了如何利用预训练的视频扩散模型(VDM)解决数据稀缺下的稠密 3D 点跟踪问题,系统评估了残差 3D 跟踪视频(RTV)和归一化坐标图视频(NCMV)两种表示方法的有效性。
DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。
Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。
推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。
该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。
推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。
针对视觉语言模型表示是否对齐人类自然描述尚不明确的问题,本文提出 GRACE 方法,在特征空间层面学习概念分解结构。该方法通过新颖的训练目标保持概念空间的几何关系,实现语义与通用概念分解。实验表明,GRACE 在多个图像和视频基准上均能产生与人类感知一致的概念分解,且以最小开销提升现有视觉语言模型的可解释性并保留大部分原始性能。
基于 SGD、STAR 和 AMI 语料库的实验表明,训练集中包含测试对话的前驱行会提升词汇分类器的延续得分却降低转换得分。该现象在两个 7B 指令微调模型及 TF-IDF 检索演示的八种组合中均呈现相反模式,而自然权重准确率仅波动 -0.05 至 +0.04。研究通过排除测试对话验证了泄露频率依赖检索管线且无需重新训练即可诊断,所有暴露均为诱导产生而非重评已发布系统。
针对跨域少样本分割中传统方法未显式评估查询与支撑标签一致性的问题,本文提出基于最优传输对应关系的骨干层选择准则 OT-BLS。该方法通过估计最优传输计划并聚合传输质量来生成评分,从而反映预测前景与背景同支撑数据的匹配程度。
GingivitisSeg 发布包含 961 张标注图像的公开基准,涵盖训练、验证和测试集划分。UPerNet 配合 ResNet50 骨干网络在标准条件下取得最高 mIoU 76.49% 及牙龈炎 IoU 54.91%,但经 Holm 校正后与 DeepLabV3+ 等基线差异无统计学显著性。数据集、基准划分及源代码已公开,目前为预印本状态并正在期刊审稿中。
MAST 提出一种免训练、输入自适应的激活引导框架,通过任务聚类与低秩局部方向聚合解决全局均值导致的跨任务干扰问题。在此基础上,MAST-PR 利用轻量级探针重加权专用方向家族,在基准上平均提升 8.09 分。该工作为多模态大模型的视觉定位提供了新的无训练优化路径。
针对数据异构导致的更新冲突问题,该研究提出统一联邦学习框架,通过独立累积下降信号与平坦度修正并融合输出,实现优化机制灵活组合。实验表明,相比仅使用更新协调策略,所评估的组合方案在平均及最差客户端准确率上均有所提升,验证了结合互补优化机制的有效性。
CineMME 是一个经约 1600 小时专家标注验证的基准,包含 975 个短片及两个关联赛道。CineMME-Grounding 提供 13554 个带时间戳语音片段与 33083 个说话人脸框用于主动说话人定位;CineMME-Reasoning 涵盖 1600 道选择题和 316 道开放题。
论文提出 MatrixSplat,一种针对现代 GPU 架构优化的 3D Gaussian Splatting (3DGS) 渲染框架。作者指出传统深度排序 Alpha 合成限制了高维特征的高效处理,因此采用顺序无关的加权累加公式将特征渲染转化为矩阵运算。
DGSR 通过构建动态语义交互图,在冻结预训练主干的前提下同时支持图像与视频生成。该方法在 12 项文本到图像评测中取得最低攻击成功率(ASR),并将文本到视频的非法帧率较最强基线降低 41.2%,有效平衡了内容安全与生成保真度。
针对高动态范围(HDR)显示普及但生成视频等素材仅存标准动态范围(SDR)的问题,本文提出将 SDR 转 HDR 的反向色调映射重构为盲后验推断任务。研究指出现有生成先验方法存在系统性亮度偏差,即“光度误差”。
该研究利用视频预训练特征结合相机估计与场景聚合,在 CO3D 数据集上对比了全局与空间相机回归配置。结果显示空间相机配置虽降低轨迹误差但深度表现不及恒值中位数深度,联合相对目标优化改善了归一化内参误差却增加了原始 Chamfer 距离。研究强调需分离组件比较以区分表征适应、对齐形状与原始重建效果,代码已开源。
针对现有自动化手术技能评估难以在不同语义等价准则间迁移的问题,本文提出了预测性准则对齐(Predictive Rubric Alignment, PRA)方法。
针对长上下文多模态智能中图像细节访问不可靠的问题,本文提出无需训练的 Visual Position Re-Anchoring (VPR) 方法。该方法通过调整缓存中的视觉键旋转相位至短上下文参考点,直接作用于现有 KV 缓存,无需提取注意力图或增加模型前向传播。
针对现有代理式视频推理框架评估标准不一、计算成本高且效果提升有限的问题,该研究提出了 SAVE(Simple Agentic Video Explorer)基线及扩展方法。
推荐理由:该研究通过受控评估发现,在长视频场景下,简单的主动探索框架比复杂代理更有效且成本更低。