Just Image Transformers with Late-Stage Pixel Refinement 提升无潜扩散生成质量
该研究在 JiT 基础上引入后期像素路径层,无需额外损失即可将 ImageNet@256 的 FID 从 2.34 降至 1.78。像素路径仅在去噪最后 20% 激活,避免了早期阶段干扰。实验证明简单卷积层能显著改善无潜扩散模型的图像生成质量。
该研究在 JiT 基础上引入后期像素路径层,无需额外损失即可将 ImageNet@256 的 FID 从 2.34 降至 1.78。像素路径仅在去噪最后 20% 激活,避免了早期阶段干扰。实验证明简单卷积层能显著改善无潜扩散模型的图像生成质量。
针对现有遥感图像超分辨率方法过度依赖相对缩放因子而忽视绝对空间分辨率先验的问题,论文提出 SpatialSR 方法。该方法利用预训练的扩散模型提取特定空间分辨率的纹理风格代码,并通过空间分辨率估计模块动态确定缩放比例及分辨率感知风格一致性约束。实验表明,SpatialSR 在常用遥感图像超分辨率数据集及下游分类、分割任务上均达到最先进水平(SOTA)。
针对眼科手术各阶段缺乏公开多模态视网膜图像刚性配准数据的问题,MICRO 数据集提供了涵盖术前、术中及术后的 1,365 对跨模态图像及标准化标注。提出的 OFS2Reg 框架摒弃传统两步骤分割后检测模式,利用频率引导的结构保持描述子构建关键点拓扑约束,实现像素级跨模态血管结构精准对齐。该研究旨在解决现有深度方法因依赖分割质量而受限的难题,为眼科手术提供关键引导。
AncBench 包含 100K 对齐的清洁 - 退化图像对,模拟老化、纹理变化及水致几何畸变等复合退化。AncRestore 利用视觉先验路由网络动态整合专家策略,在抑制复杂退化的同时保留文字结构。实验显示该方法优于其他方法,适用于文化遗产保护中的智能古籍修复。
该方法提出实例保留的分级语义报告机制,将实例选择与语义细节分离,利用 DELTA 规则权衡效用增益与错误成本。在八段手术视频共 5,641 帧测试中,DELTA 使被基线拒绝的正确部分报告保留率达 80.0%,每百帧加权正确报告产出提升 19.13 至 23.13。该研究通过固定预测与评分对比三种决策规则,明确展示了在手术动作三元组识别中效用与完整性的显式权衡。
GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。
该论文提出 PhysMoE 框架以解决具身视觉语言模型(VLM)在坐标预测任务中的离散化延迟与多接触适配难题。其核心贡献包括共享底层多模态上下文、利用视觉编码器位置嵌入将每个坐标编码为单 Token 以注入空间先验,以及采用可微符号距离场(SDF)监督来适应不规则几何形状。
该论文针对多模态归因任务中依赖成对模态作为代理监督、隐含语义对齐假设的问题,指出在存在部分语义不对齐和不可靠跨模态对应时,传统基于全局充分性压缩的信息瓶颈目标会导致后验过度收缩。作者提出 TIB 框架,通过样本级调节根据跨模态可靠性自适应调整归因强度,无需假设语义对齐。实验在受控基准和大规模数据集上验证了该方法的有效性及其对识别出的失效模式的纠正能力。
DCLDs-EIR 框架通过耦合假设细化与多模态证据获取,解决弥散性囊性肺病影像表现重叠及标注数据受限难题。该方案利用肺部渲染初始化鉴别诊断,结合临床上下文检索疾病知识图谱,形成证据采集与验证的反馈闭环。多中心评估显示其诊断准确率持续优于基线,并通过显式链接实现可追溯的鉴别诊断。
该论文提出了一种名为 TRD 的方法,通过动量混合策略将分布级和轨迹级监督结合到单次学生模型前向过程中。该方法同时作为一步生成器、无需额外网络的学生边际速度估计器以及沿教师 ODE 轨迹进行闭式时间依赖速度场监督的代理。
该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。
针对开放词汇目标检测中模型偏向基础类别导致新类别语义坍塌的问题,论文提出了 PR-OVD 框架。该方法首先进行粗粒度分区以隔离背景与类别特征,随后在各类别内进行细化以提升决策边界清晰度,并设计了受认知启发的结构提示(Structure Prompt)为新型类别提供视觉锚点。实验显示,PR-OVD 在两个基准测试中使新类别检测性能平均提升 6.5%,同时提升了分割和分类等任务效果。
AptM-GCD 提出属性证据学习机制,将属性视为局部视觉证据而非全局描述符,结合多模态提示推理提升细粒度与通用基准表现。该方法在六个数据集上达到最先进水平,且在单模态及类别不平衡设置下展现强泛化能力。论文已提交至 TPAMI,arXiv 版本为 v1,代码与数据许可状态待定。
研究在 VML-HP-ext 数据集上发现,测试时若使用训练手稿的其他页面会导致准确率虚高,从页级 97% 骤降至手稿级 54%,且模型置信度严重过拟合。针对此问题,论文提出评估协议建议并验证了软标签能显著降低与专家评估的偏差,相关代码将随论文发布。
arXiv 论文 URL-Sim 提出一种统一且受控的动态激光雷达仿真框架,旨在解决现有基于 NeRF 渲染慢及基于 3DGS 方法难以处理非刚性物体和冗余原语的问题。
针对 OKS-mAP 无法区分可见/遮挡关键点及忽略关节角误差的盲区,研究者在 COCO、CrowdPose 等四数据集上验证了新协议。实验显示聚合 mAP 高估遮挡场景性能(Delta_occ 为负),且 OneEuro 平滑可将跳变率降低 9-10%。该开源工具包补充而非替代现有指标,代码与权重已开放许可。
该论文提出 APEX 方法,利用条件移位技术在生成器内部估计分布速度场,从而移除对独立假分数网络的依赖并保留冻结参考教师等机制。在 180 秒视频评估中,APEX 在渐进式轨道的指令遵循得分(3.856)和视觉美学评分上均优于 S2-Avatar,人类评测显示其指令遵循净偏好提升 30%。相比 DMD 方法,APEX 每 GPU 峰值显存降低 4.4%,平均迭代时间缩短 9.2%。
NVIDIA DSX AI Factory Platform 新增开源组件 NVIDIA Snapshot,让初始化后的 GPU 推理任务在副本间复用。该功能解决冷启动耗时分钟级的痛点,使突发需求或副本故障时可用 GPU 即刻转化为服务容量。
针对单车视角受限导致的遮挡与检测失败问题,该研究提出一种无需传输完整特征图或密集传感器数据的高效协同感知框架。该方法通过优化通信开销,旨在解决现有方案阻碍实际部署的瓶颈,为复杂交通场景下的安全运行提供新路径。
openJiuwen推出TTSE(Two-Track Self-Evolution)框架,借鉴认知科学将Agent经验分为FACT环境事实与TIP条件式技巧双轨。
作者引入带符号校正流(Signed RF),这是一种针对带符号测度的一般化方法,旨在通过理论框架将负面信息与排除约束纳入生成建模。该方法在 ImageNet 上改善了保真度与多样性的权衡,并在反记忆化实验中降低了最近邻相似度;同时在使用 Stable Diffusion 3.5 时减少了对抗性提示诱导的裸露内容,且保留了 CLIP 和美学评分。
论文提出 Precise 方法,通过冻结干净潜在后验均值实现 SDE 一致性,解决现有采样器在强化学习中离散化噪声过大或收敛不足的问题。实验显示该方法在保持最佳域内性能的同时,将训练时间减少 13.1% 至 53.2%,并达到 PickScore、HPSv2.1 等最先进的对齐分数。材料为 NeurIPS 2026 接收的预印本版本。
MARR 提出一种针对低比特(≤4-bit)后训练量化的残差调节策略,通过为每个模块分配特定缩放系数以平衡累积误差修正与 Hessian-近似偏差。该方法在大型语言模型和视觉 Transformer 上实验,相比残差重建基线实现了高达 20.2% 的困惑度降低和 4.6% 的准确率提升。代码将在论文被接收后公开。
针对现有基于 LDM 的反问题求解器需要大量神经函数评估和反向传播导致成本高、质量下降的问题,本文提出一种统一的欧几里得 - 瓦森斯坦梯度流框架。该方法在潜在空间联合执行后验采样与提示优化,结合少步潜在文本到图像模型,实现了无需通过自编码器的低 NFE 推理。实验表明,该方法在多个经典成像反问题中达到了最先进的性能且显著降低了计算成本。论文已接受至 NeurIPS 2026。
针对特征归因中路径选择模糊的问题,研究提出通过分布级运输过程而非手工插值来定义解释路径。该方法证明固定路径下 Aumann-Shapley 线积分是唯一符合公理的规则,并最小化动能作用导出运输测地线归因原理。实验表明 Reflow 提升了跨种子稳定性,学习到的传输路径在空间一致性上表现优异且删除忠实度具有竞争力。代码已开源。
论文提出 CORP 方法,将结构化剪枝建模为表示恢复问题,利用无标签校准数据通过闭式岭回归推导补偿权重,无需梯度或微调即可移除 MLP 维度和注意力子结构。实验显示在 ImageNet 上 DeiT-Huge 模型剪枝 50% 后 Top-1 准确率仍达 83.24%,揭示了表示冗余并支持高效部署。
研究在零样本设置下,对 IAPS、Nencki 及 LAI-GAI 三个数据集的 16 个专有与开源视觉语言模型进行了基准测试。最佳模型在六类情绪任务上分类准确率达 60%--80%,连续评分相关系数大于 0.75,但存在唤醒度预测较弱等偏差。该工作已接受发表于 ACII 2026,代码与权重开放许可情况需查阅原文。
JND-Guided Light-Weight Neural Pre-Filter 提出 FJNDF-Pytorch 基准与轻量化 CNN,在 ISCAS2027 投稿中实现 SOTA 压缩效率且仅用 7.15 GFLOPs 处理 1080p 图像。该方法计算成本仅为近期轻量级网络的 14.1%,在多数据集和编码器上持续优于竞品。开源代码与复现平台已提供,论文提交至 ISCAS2027。
Runqian Wang 和 Yilun Du 提出了 Equilibrium Matching (EqM),这是一种从平衡动力学视角构建的生成建模框架。该框架摒弃了传统扩散和流模型中的非平衡、时间条件动力学,转而学习隐式能量景观的平衡梯度。
X-SiT 是首个提供人类可读预测的 inherently interpretable neural network,利用空间对应的皮层原型进行病例推理。该模型在阿尔茨海默病和额颞叶痴呆检测中达到 state-of-the-art 性能,并揭示分类错误以对齐已知疾病模式。代码与论文已作为 MICCAI 2025 预印本公开提交。
U-WNO 是一种结合小波分解、算子学习与编码器 - 解码器机制的新型模型,旨在通过时空域模式跟踪实现区域分割。该工作仅在二维超声图像上针对不同孕晚期进行了演示,但作者因不再积极 pursue 当前形式而主动撤回了预印本。
Deep Tensor Network 是一类由查询、键和值收缩构建的序列算子,利用结合律在不生成 n×n 令牌矩阵的情况下精确计算 Gram 算子。该方法在查询/键宽度为 d 时仅需 O(d²+ddᵥ) 的工作量及因果令牌的摘要状态,并推导了前缀递推关系与迹、对角及行归一化条件。研究还给出了 Hadamard 变体与矩阵指数变体的精确评估及成本分析。
针对现有方法依赖像素级监督且难以扩展的问题,本文提出 ReGFLoW 框架,仅需图像级真假标签,利用扩散重建误差作为密集空间引导注入特征与分数空间。该方法通过以伪影为中心的多实例学习,在不依赖语义亲和性或边界先验的情况下实现虚假区域定位。
针对临床 CT 与同步辐射微 CT 间存在的 32 倍分辨率差距及物理差异,本文提出一种从像素生成转向拓扑推断的新范式。该方法通过结构双重超分辨率(SDN),耦合正向物理退化与逆向结构推断约束,在低分辨率输入上确定性预测不变微观结构。模型在测试集上实现了与高分辨率参考一致的六种形态参数指标,SSIM 达 0.8,并验证了跨数据源的泛化能力,确保学习到的表征捕捉真实三维拓扑而非二维像素统计。
该论文提出 Bitemporal Mamba-Diffusion for Change Detection (BMD-CD) 框架,旨在解决遥感图像变化检测中密集注意力计算成本高及传统特征融合难以区分真实变化与外观差异的问题。
论文提出 CitySTAR,这是一个无需训练的框架,旨在解决复杂场景中从自然语言到城市级点云的 3D 定位问题。该方法将描述语义组织为跨模态约束,利用 CodeLLM 工具生成多模态证据构建场景图,并通过双超图建模目标上下文拓扑及双向验证实现结构消歧。
论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。
推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。
针对无人机图像集空间时间关联被常规分割基准割裂导致评估偏差的问题,研究基于 WeedyRice-RGBMS-DB 数据集,在固定 124 张目标采集测试集下对比了“目标保留”与“目标暴露”两种协议。实验显示 RGB+MS 模态在目标暴露后 IoU 达 0.7822±0.0269,优于完整保留时的 0.7317±0.0201,且早期融合对光谱位移更敏感。代码与支撑材料将在论文被接收后公开。
Dual-Part MLBNet 架构通过多侧编码器块与多头解码器分支,实现了心血管导管造影术中导丝、导管、血管及背景的高概率分离。模型在体模、合成人造主动脉及动物模型的造影数据上训练评估,有效区分主导背景类与前景结构并具备高整体准确率。该研究针对现有二元分割局限,满足了同时分割导管场景多种结构的快速、准确且可解释性需求。
针对线缆等可变形细长物体分割难、标注贵的痛点,作者构建了包含 3.2 万张图像的 WireSeg-32K 合成数据集及配套的实世界测试集。该数据集通过耦合 Cosserat 杆动力学与 Isaac Sim 渲染的 DeformX 共仿真管线生成,确保线缆形状具备物理合理性与接触一致性。