VOIM:一种用于 RGB-D 和单目 SLAM 的免训练开放词汇 3D 实例映射系统
该预印本提出 VOIM 系统,这是一种无需训练的开放词汇 3D 实例映射方法,能够从 RGB-D 或单目 RGB 视频构建物体及其位置的地图。系统在 ScanNet++ 数据集上取得了比最强基线高 10 个点的现成类别 mIoU,且在仅使用单目视频时表现优于配备深度和真实位姿的对比方法。研究还通过四足机器人的实地导航实验验证了所建地图在现实世界中的可用性。
该预印本提出 VOIM 系统,这是一种无需训练的开放词汇 3D 实例映射方法,能够从 RGB-D 或单目 RGB 视频构建物体及其位置的地图。系统在 ScanNet++ 数据集上取得了比最强基线高 10 个点的现成类别 mIoU,且在仅使用单目视频时表现优于配备深度和真实位姿的对比方法。研究还通过四足机器人的实地导航实验验证了所建地图在现实世界中的可用性。
论文介绍 PURGE 框架,旨在解决大视觉语言模型过度依赖对象背景虚假相关性的问题。该方法通过构建结构化数据集区分证据与干扰线索,并利用分区感知遗忘技术选择性移除虚假关联同时保留推理能力。作者在 LLaVA-1.6、Qwen3-VL/3.5 及 CLIP 等多个模型上进行了评估,结果显示该框架能显著降低幻觉和错误率,且保持整体性能稳定或提升。
在 FaceForensics++ 测试集上,多质量数据的 EfficientNet-B0 基准模型在所有压缩级别均击败 CAFRL 架构,CRF 40 时 AUC 高出 3.66。
论文介绍 Video-FLAIR 训练框架,利用强化学习让模型针对同一提示生成感知、组合及 deliberative 三种推理模式响应,并通过复合奖励信号筛选最优策略。
论文发布了 LAION-BVD(LAION - Big Video Dataset),这是一个从 CommonCrawl 收集并下载了 8000 万个视频、总时长达 1350 万小时的大规模开放视频数据集。
推荐理由:该数据集提供 1350 万小时视频及合成音视频字幕,为多模态预训练提供了大规模开放资源。
针对雷达图像稀疏且自相似的特性,研究提出一种补充航向、速度等五通道状态变量的位置图像编码方案。训练后的视觉 Transformer(ViT)在测试集上对四项内在复杂度分量的回归系数 $R^2$ 均大于 0.96。移除单架飞机的扰动实验证实模型估计变化与飞机贡献度成正比,验证了该非典型视觉输入格式用于空中交通建模的可行性。
检测交通异常并不等同于视频语言模型能解释事件、定位时间或识别成因。本文发布 TAR(Traffic Anomaly Reasoning)和 TAR-Bench,前者包含 3,670 个 CCTV 视频的 44,040 条自动标注及思维链痕迹,后者提供 80 段 YouTube 视频片段的 960 条人工标注。
arXiv 论文介绍了一种名为 MGN-AIR 的像素级图像复原框架,旨在解决传统统一策略无法应对不同区域退化类型和程度差异的问题。该方法通过学习估计像素级视觉提示词,结合文本与视觉提示提供全局与局部退化线索,引导模型在每一像素处确定观察重点及复原方式。实验涵盖去噪、去雨、去模糊、除雾、除雪和低光增强等多种任务,结果显示该方法在多基准测试中均显著优于现有方法。
论文 RefineAny3D 提出将单目 3D 目标检测中的深度误差修正转化为视觉空间对齐问题,而非数值回归。该方法利用视觉语言模型(VLM)扩展词汇表以使用动作 token 进行类别决策,并通过大规模思维链数据集监督模型基于显式视觉证据做出判断。
针对基于潜在表示的扩散 Transformer 超分辨率因压缩瓶颈导致细节与输入图像关联弱的问题,本文提出像素接地超分辨率(PGSR)框架。该方法在 VAE 压缩前提取并保留低清图像的像素证据,并通过条件侧轨迹引导和解码器侧像素接地两个阶段复用该信息以约束生成过程。实验表明,PGSR 在保持大模型冻结的前提下,有效改善了真实感与保真度的权衡,生成了更忠实于输入的视觉结果。
论文提出 UDT 架构,结合扩散 Transformer 的表现力与 U-Net 的编解码优势,利用数据自适应令牌合并进行下采样和上采样并保留 DiT 令牌维度。
该研究对比了地面测量、全信息场景核心像素及模拟人机协同三种光谱角映射(SAM)等算法在无人机可见光与近红外高光谱成像下的 PFM-1 地雷检测效果。结果显示自适应相干估计器(ACE)仅需两轮确认和九次候选检查即可验证所有区域,而 SAM 变体需数千次审查;完整审查引导策略在七个目标区验证后达到全信息场景水平。代码已开源,论文获 IEEE WHISPERS 2026 口头报告录用资格。
论文介绍 Spatial-IQ 分层诊断框架,利用 NVIDIA Isaac Sim 生成约 80,000 个堆叠 3D 结构数据集,将物体计数任务拆解为 9 个子任务并加入心理旋转探测。
论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。
推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。
该论文提出了 VideoTreeSearch (VTS) 框架,旨在解决长视频 grounded 问答中现有代理方法缺乏细粒度回溯能力导致过早收敛的问题。VTS 将任务建模为在自适应时间树上的迭代自修正搜索,构建了包含语义连贯片段的非均匀树结构,并训练智能体通过 zoom_in、zoom_out、shift 和 answer 四种离散操作进行导航。
针对在线流式视频理解中内存无限增长与冗余细节过多的挑战,本文介绍 FOLIO 免训练聚焦语义记忆系统。该系统在流式数据到达时按片段更新记忆,利用动态焦点状态结合短期视觉缓冲与围绕观测实体组织的长期语义记忆,并通过视觉证据缓存压缩周边上下文;查询时采用轻量混合检索结合结构化直接匹配与语义查询扩展。
论文提出 SpectraReward 方法,利用预训练多模态大模型(MLLM)无需额外训练即可作为图像生成强化学习的奖励模型。该方法通过单次教师强制前向传播,测量从生成图像恢复原始提示词的平均对数似然值作为奖励信号,直接复用 MLLM 的图文对齐能力而无需偏好标签或奖励模型微调。
该研究证实,多种视觉 Transformer 的内部表征分离前景与背景主要依赖可泛化的形状线索而非纹理统计。线性探针在随机替换输入图像纹理时表现鲁棒,且对周围性、凸性等形状特征具有零样本泛化能力。实验发现更大模型中形状证据更强,物体识别任务训练的模型抗纹理变化较弱,相关信息最显著出现在中间层。代码与数据已公开。
针对视觉观测受遮挡、运动模糊及噪声影响导致低质特征传播的问题,提出 RCT-AD 框架。该框架引入可靠上下文感知模块估算帧级可靠性,利用可靠性引导的时间记忆机制选择性保留可信信息;当当前观测不可靠时,对齐并整合历史高可靠性特征以构建稳定的时序 BEV 表示。
作者引入 Animation2Code 基准,包含 1,069 个网页动画视频及其对应的 HTML/CSS/JavaScript 实现,用于评估 VLM 在存在运动时的时序动态恢复能力。研究提出外观相似性与时序相似性两个指标以解耦视觉保真度与时序对齐问题。实验表明,即便经过微调与迭代优化,当前最先进 VLM 在重建时仍难以维持时序一致性。代码与数据已开源。
该论文提出平行展开近似(PRA)框架,旨在解决像素空间连续令牌自回归生成中单步误差大及训练推理差距累积的问题。方法通过生成低维中间状态并利用一步去噪像素解码器映射回像素块,在保持并行训练的同时模拟推理条件。
针对多轮视觉推理中重叠观察导致冗余编码的问题,作者提出了一个无需额外训练的自适应视觉 KV Cache 复用框架。该方法根据裁剪大小和缓存情况选择全量重编码或区域复用路径;在复用路径上,通过位置键重绑定修正注意力匹配,利用意图引导增强关键内容价值,并保留源状态以供后续检索。实验基于 Mini-o3 在五个基准设置中验证了方法在减少推理时间的同时保持了整体精度。
该论文提出 TryOnCrafter,这是首个针对相机可控视频虚拟试穿(CaM-VVT)任务的统一 DiT 框架。方法通过蒸馏高保真 2D 试穿先验到基于 3DGS 的穿衣 3D 头像,并结合 SMPL-X 序列与度量对齐的背景点云构建可渲染 4D 试穿代理。该代理作为几何锚点约束合成视频,确保在任意相机运动下保持纹理密度、物理形变一致性及结构同步,支持重定位、子弹时间等下游应用。
针对传统概念瓶颈模型灵活性不足的问题,本文提出 Multimodal Concept Bottleneck Model (MM-CBM),通过双概念瓶颈层将图像和文本嵌入对齐到可解释特征。
推荐理由:提出将概念瓶颈模型扩展至 CLIP 结构的双层设计,在保持可解释性的同时实现零样本分类与检索任务。
EffiNav 通过融合深度信息与视觉语言实现高效物体目标导航,在 Habitat Matterport 3D 和 OVON 仿真基准及真实机器人场景中表现优异。该模型在成功率(SR)和路径加权成功率(SPL)两项指标上匹配或超越近期基线,有效解决了探索效率与泛化性问题。作者因机构署名错误已撤回论文,计划数月后重新提交修正版本。
论文提出了 SelFix 方法,解决扩散模型反演中多解选择问题。该方法通过最大化逆轨迹的直线性来选择固定点解,在保留收敛性的同时提升重建与编辑质量。实验显示,SelFix 在 FLUX.1-dev 和 PIE-Bench 上优于现有基线,实现了更优的真实图像重建和源保持提示词编辑效果。代码已开源。
SierpinskiCam 通过引入辛普森圆顶纹理线索与参考视频条件化机制,解决了现有几何引导在目标相机偏离源轨迹时出现的新区域缺失问题。该方法无需架构修改或逐视频适配,即在保持外观配准的同时实现了显著的相机可控性与几何一致性提升。实验表明其在多样且具挑战性的重拍场景中均取得了优于基线的性能表现。
该研究通过受控实验揭示 CLIP 测试时自适应(TTA)的驱动机制,提出开源基准 TTABC 整合超 20 种方法并标准化评估协议。分析表明适应增益主要源于测试时证据与可靠代理而非重度优化,且不存在适用于所有分布偏移的万能范式。项目页面已公开,论文被 NeurIPS 2026 E&D Track 接收。
针对扩散 Transformer(DiT)在图像编辑中延迟高的问题,本文提出 HiLo-Token 框架。该方法根据用户掩码区域分配更多 Token 以保留细节与上下文,对非编辑区则利用空间频率策略仅用高频 Token 捕捉局部特征、低频 Token 表征全局结构。
针对现有视觉 - 触觉学习依赖物体级对齐的局限,该研究构建了包含 505 个真实物体和 20,025 次触觉接触的 Touch3D 数据集,并建立了接触中心多模态触觉表示基准(CoMT-Bench)。
论文介绍 CSFlow,一种连接人眼对比敏感度函数与流匹配迭代去噪步骤的加权方案。由于真实图像信号集中在低频分量,这些分量在连续扩散过程中比高频分量更早达到高信噪比,从而在傅里叶空间形成软自回归结构;同时人眼对极低和极高频率需要更高对比度才能感知。
推荐理由:提出将人眼对比敏感度函数与流匹配去噪步对齐的加权方案,实验显示在仅推理微调下即可显著降低 FID 并提升生成质量。
该综述填补了面部表情识别(FER)领域缺乏系统性整体回顾的空白,将其置于更广泛的面部情感识别(FAR)范畴下。文章按任务、输入模态等七个维度构建分类学,对比分析了从手工特征到基础模型架构的演进及各类方法在真实场景下的优劣。研究还整理了公开数据集标注方案与基准测试性能指标,并讨论了当前挑战及未来研究方向。
该论文提出 FINO 方法,通过结合自监督目标与灵活的元数据引导,实现无标签的视觉基础模型弱监督微调。实验涵盖亚细胞荧光显微镜、地球观测、野生动物监测和医学成像等领域,结果显示该方法在保留信息因子的同时抑制虚假因子,性能优于匹配的自监督和全监督基线,并在部分领域超越专用系统。代码已开源。
SENTINEL 是一个无需训练或标注的可靠性评估框架,通过结合几何扫描统计与 RGB-D 相机深度一致性,为仅含距离信息的 LiDAR 生成每帧可靠性评分。当评分低于阈值时,系统自动丢弃受玻璃、镜面等干扰的脏数据并回退至轮速计,防止 SLAM 静默损坏。
针对放射学中图像 - 报告配对存在的全局监督与局部病灶不匹配问题,该研究提出 GLINT 框架,通过稀疏门控对齐和密集特征正则化,在无需掩码监督的情况下实现了 3D CT 的零样本分割。该方法同时支持 2D CXR 和 3D CT,在分类、报告生成及分割任务上均优于自监督编码器和医疗视觉语言模型。代码已开源。
KITScenes 多模态数据集发布,包含高分辨率全局快门相机、400 米外长距激光雷达、4D 成像雷达及冗余 GNSS/INS。其 HD 地图据称最完整,首次将交通信号灯等元素以三维拓扑连接形式映射至重投影精度水平。
推荐理由:KITScenes 数据集发布高保真多模态数据与 HD 地图,填补了地理多样性与长距雷达空白。
针对长视界视频生成中的几何一致性难题,本文提出了基于深度图的记忆检索框架 CovRAG。该方法利用预训练 3D 先验构建目标视图覆盖图作为轻量级证据,并通过最大化残差覆盖增益迭代选择能解释未被时序上下文或先前记忆覆盖区域的帧。
针对 AI 生成图像检测器在真实数据上性能下降的问题,本文提出 BIAS-ID 透明化框架用于分析和量化检测器中的变换偏差。研究区分了偏差与鲁棒性缺失,并通过六个检测器和两个数据集的评估发现,部分最先进方法受常见处理相关偏见影响显著。作者提供了易于使用的库和代码以复现结果。
推荐理由:提出 BIAS-ID 框架以量化检测器中的变换偏差,揭示现有方法受数据处理偏见影响严重。
OmniMem 提出了一种针对自回归长视频生成的显式全范围稀疏 KV 缓存检索框架,有效解决了局部偏差与内存爆炸问题。实验显示该方法将动态度提升 52.3%,在保持强基线一致性的同时维持了相当的内存占用。该工作包含 31 页论文、13 张图表及 arXiv 预印本代码,属于计算机视觉领域的长视频生成研究。
论文提出 S2MDF 模块,旨在解决组合隐式表面表示中多个符号距离场(SDF)产生几何互穿、违反物理合理性的问题。该方法对向量值 SDF 施加硬约束,无需修改架构即可在训练或后处理阶段应用,计算开销极低且兼容标准网格化算法。实验表明,S2MDF 能将交叠减少至数值精度水平,同时保持重建质量,优于现有缓解策略。