DinoComplete:融合蒸馏语义先验与状态空间模型的 3D 形状补全方法
针对未见类别和含噪观测下的 3D 形状补全难题,该研究提出 DinoComplete 框架,通过从 DINO 特征蒸馏多视图语义体并训练学生网络预测稠密语义特征,将其与几何表示融合并通过多尺度体素 Mamba 模块进行长程推理。实验表明该方法在 ShapeNet 未见类别和 ScanNet 对象上,相比先前的确定性或生成式方法具有更具竞争力的补全质量,同时参数量更少、显存占用更低且推理速度更快。
针对未见类别和含噪观测下的 3D 形状补全难题,该研究提出 DinoComplete 框架,通过从 DINO 特征蒸馏多视图语义体并训练学生网络预测稠密语义特征,将其与几何表示融合并通过多尺度体素 Mamba 模块进行长程推理。实验表明该方法在 ShapeNet 未见类别和 ScanNet 对象上,相比先前的确定性或生成式方法具有更具竞争力的补全质量,同时参数量更少、显存占用更低且推理速度更快。
OmniGF 是一种统一的视觉语言框架,旨在解决传统模型仅擅长空间定位或 VLM 依赖离散文本生成导致精度受限的问题。该框架采用双分支解码策略:结构化语言分支生成离散推理状态,连续空间分支直接利用 VLM 的稠密隐藏态以克服坐标生成的空间瓶颈。
针对视觉几何 Transformer 因全局注意力机制导致的计算成本随序列长度平方增长问题,本文提出 Good Token Hunting 策略。该方法通过两阶段框架进行 Token 选择:首先在帧间层面基于多样性保留关键帧以确保场景覆盖,随后在帧内层面利用全局注意力模式的熵引导分层稀疏化以剔除冗余 Token。
该论文提出 Flow Mismatching 方法,利用流匹配模型学习到的正常速度与目标图像几何路径速度之间的不匹配来检测异常,无需测试时优化或额外校准。实验在 MVTec-AD 和 VisA 数据集上验证了该方法与重建基线及近期流匹配方法的竞争力。
针对无人机视角下严重自运动和相机抖动导致的小目标检测难题,本文提出一种仅依赖图像的视觉引导检测框架。该方法首先利用基于单应性的全局运动补偿对齐相邻帧,随后引入双区间运动提取策略捕捉短时和长时运动线索,并通过轻量级双区间运动注入模块增强特征金字塔网络中的特征表示。
该论文提出 StitchVM(缝合价值模型),旨在解决基于奖励的对齐任务中需估计噪声潜变量价值函数的难题。方法通过兼容的特征接口连接冻结的扩散骨干网络前缀与预训练奖励模型后缀,利用闭式特征拟合选择接口并配合轻量蒸馏进行适配。
研究发现模型精度不受无信息哑元替换影响,表明现有数据中潜变量提供的额外信息有限且推理时生成的潜变量坍缩至狭窄区域。实验证实仅在诊断数据集上微调后模型才能因果依赖潜变量,未来进展需高质量中间步骤数据与更精准的潜变量预测。
该研究针对现有图像退化社区分组方案不兼容、基准定义后端特异导致结果难比的问题,提出了基于成像管线主导因果源与感知效应的双轴分类框架。框架利用 PSNR、SSIM 和 LPIPS 量化原生严重度层级,在不修改现有实现的前提下分离了因果起源、感知外观及下游任务影响。
CurveBench 是一个针对视觉拓扑推理的基准,包含 756 张手绘闭合曲线图像及人工验证的参考树。Gemini 3.1 Pro 在简单与困难任务上分别达到 71.1% 和 28.7% 精确匹配准确率。Qwen3-VL-8B 经强化学习微调后,在简单任务准确率达 31.7%,较基线提升显著。该基准已作为海报被 NeurIPS 2026 接收并公开评测协议与结果。
本文提出一种神经符号方法,将可微模糊逻辑与深度分割模型集成,把弱标注和领域先验统一为连续逻辑约束以微调 Segment Anything Model (SAM)。
推荐理由:将可微模糊逻辑与 SAM 结合,用弱监督约束生成高质量伪标签并训练无提示分割模型。
针对现有注意力级相机编码难以适配广角和鱼眼镜头的问题,论文提出了 Curved Ray Expectation Positional Encoding (CRePE)。
针对第一人称视角下的 3D 双手姿态估计与手势识别难题,该工作提出 EgoEV-HandPose 端到端框架及首个大规模真实世界立体事件数据集 EgoEVHands。
arXiv 论文介绍 PointForward 框架,旨在实现高保真驾驶场景重建。该方法初始化稀疏世界空间查询并通过时空融合聚合多视图信息以强制跨视图一致性,引入场景图组织动态实例并利用 3D 边界框实现实例级运动传播。实验显示其在大规模自动驾驶基准上达到最先进水平。材料为 NeurIPS 2026 接收的预印本版本,未报告真实机器人部署结果或具体硬件要求。
推荐理由:提出 PointForward 框架,通过点对齐表示解决多视图不一致问题,在大规模自动驾驶基准上达到最先进水平。
针对现有 GAN 中仅将指数移动平均(EMA)生成器用于部署而忽略其训练引导作用的不足,本文提出自蒸馏生成对抗网络(SD-GAN)。该方法利用感知损失让 EMA 生成的教师模型指导主动训练的 Student 模型。
针对低精度早期退出机制中 ViT 模型不稳定的问题,论文提出了 Amortized-Precision Quantization (APQ) 与 Mutual Adaptive Quantization with Early Exiting (MAQEE)。
LARGO 是一种在权重空间操作的超网络,通过正交分解压缩 $2^N-1$ 个专用模型以处理多模态图像分析中的缺失输入。该方法在 BraTS 2018(4 模态、15 场景)和 ISLES 2022(3 模态、7 场景)数据集上,于 52 种配置中领先 47 种,Dice 指标平均提升 +0.68% 至 +2.53%,超越 mmFormer 等基线。
该论文研究了视频语言模型在无训练条件下对快速人类动作进行零样本语义理解的效能,以剑道为案例。实验评估了 10 至 120 Hz 不同采样率下的全观测原始视频,发现最近类原型(NCP)准确率在 120 Hz 时最高,且 70-120 Hz 区间的平均表现优于 10-60 Hz。
针对资源受限边缘平台,该研究评估了 YOLOv8-v12 与 RT-DETRv1-v2 模型在无人机端的实时杂草检测性能。实验显示,RT-DETRv2-R50-M 以 79% mAP50 实现精度效率平衡,YOLOv10n 推理最快,而高容量模型虽达 86.9% mAP50 但延迟过高。
该论文针对现有 MLLM 难以直接处理高维超光谱数据的局限,提出了 VSR^2 免训练视觉 - 光谱 - 报告推理框架。该框架将每个样本转化为 RGB 语义视图、PCA 主导光谱变视图及结构化定量证据报告。在 HM-Bench 基准(含 19,337 问答对)上测试显示,引入超光谱信息使平均准确率从 38.90% 提升至 40.95%,表明超光谱数据对当前 MLLM 有效但鲁棒推理仍是挑战。
针对深度神经网络中单个神经元编码概念的解读难题,本文提出 LINE,一种无需训练、严格灰盒的迭代方法。该方法利用大语言模型和文生图生成器,结合激活历史在闭环中不断提议并细化概念。
针对稀疏多地点观测导致现有 4D 重建方法在未见区域表现不稳定的问题,论文提出 Stitch4D 框架,通过在优化前合成中间“桥接视图”并联合优化真实与合成观测,有效缓解了几何坍塌并提升了重建稳定性。研究还引入了基于 CARLA 的 Urban Sparse 4D (U-S4D) 基准,实验表明该方法在图像质量指标上优于现有基线。材料为预印本版本,已接受于 WACV2027 展示。
针对大视觉语言模型在图像描述中产生物体幻觉的问题,本文指出基于粗粒度注意力权重的检测方法不可靠,并引入 HaloProbe 框架。该方法通过平衡训练结合外部特征先验来估计令牌级幻觉概率,并将其作为非侵入式的外部评分信号用于解码干预。实验表明,HaloProbe 引导的解码在降低幻觉方面优于现有干预方法,同时保持了描述的工具性和语言流畅度。
针对大视觉语言模型(LVLMs)易产生物体幻觉的问题,本文从视觉编码器内部的注意力价值动力学角度进行研究。研究发现,在扩散、聚焦和重扩散三阶段中,聚焦阶段对低注意力 token 的价值内容最敏感。
作者发布 CROWD 数据集,收录来自 YouTube 的 10.7 万段未编辑城市行车记录仪片段,覆盖 238 个国家和地区、超 3.6 万小时视频。数据排除事故与剪辑内容,仅保留常规驾驶场景,并附带时间、车型及 80 类目标检测与多目标跟踪的预标注 CSV 文件,支持跨域鲁棒性与交互分析研究。
推荐理由:该数据集提供全球城市行车记录仪片段及预标注目标,支持跨域鲁棒性研究与无视频重分发下的可复现基准分析。
UW-VOS 基准包含 1,431 个序列、307,267 个掩码标注及 411 类语义,诊断水下光学介质导致的性能下降。提出的物理衍生参数高效模块 ARA 在 Transformer 与记忆基骨干网中匹配全微调效果,使开放空气方法平均 J&F 指标提升 13 点。该工作已接受于 Pattern Recognition 期刊,代码仓库公开。
SIGMA 是一个针对地震图像中气烟囱理解的新物理基准数据集,提供像素级掩码及退化与真值配对图像以支持检测与增强任务。研究采用涵盖广泛地质设置和采集条件的物理方法构建数据,实验证明该基准能有效提升气体烟囱解释难度并促进通用地震理解。
论文介绍 GATE-AD 方法,通过冻结自监督 ViT patch token 构建空间邻居图并应用图注意力网络(GAT)来建模局部上下文关系,利用表示对齐和缩放余弦误差目标实现基于重建的异常评分。
论文提出 DCDD 框架,旨在解决预训练离散 Token 视觉语言模型(VLM)因 VQ-VAE 解码阶段导致的视觉保真度瓶颈。该方法无需重训基础模型,而是利用模型采样前计算出的 Logit 分布作为条件来驱动扩散解码器。
推荐理由:该工作提出 DCDD 框架,在不重训预训练离散 Token VLM 的前提下利用采样前 Logit 分布提升生成图像保真度。
TRACE 提出一种利用扩散模型进行局部字符编码的结构感知框架,通过自适应初始化与引导式编码实现数据嵌入。实验显示其相比最先进方法在跨媒体传输后 PSNR 提升超 5 dB、提取准确率提高 5%,且支持多语言字体泛化。该预印本代码未开源,适用于文档安全场景。
PolGS++ 提出一种物理引导的偏振高斯泼溅框架,通过集成偏振 BRDF 模型解耦漫射与高光分量,并引入深度引导可见性掩码机制以在无光线追踪下约束切空间一致性。该方法仅需约 10 分钟训练即可提升反光表面重建质量与效率,在合成及真实世界数据集上的广泛实验验证了其有效性。
针对动态人群场景中的人为感知变异问题,论文提出了免训练的主动证据采集框架 DIVRR。该方法结合问题引导的房间指引与相关性触发的视角增强来指导探索,并利用选择性记忆准入机制保留高评分证据以压缩显存占用。研究构建了基于 Habitat 的动态人群具身问答数据集 DynHuman-EQA,实验表明 DIVRR 在动态场景下的准确率与显存效率均优于现有基线。
该论文提出一种自感知目标检测框架,通过构建退化流形结构来监测图像质量变化而非仅依赖语义内容。方法在标准检测骨干网络上增加轻量级嵌入头,利用多层对比学习将具有相同退化组合的图像拉近,并基于干净训练嵌入估计纯净原型以定义特征空间中的名义操作点。
该研究报告了 Kelix 技术,旨在解决现有多模态大语言模型因混合接口导致的视觉理解偏差问题。材料指出当前离散视觉标记受限于码本容量而丢失信息,Kelix 通过全离散自回归架构填补了这一差距,实现了统一的自我监督学习与生成能力。
DINOv3 嵌入结合 t-SNE 与 HDBSCAN 在无需物种数量先验的情况下,对 60 种动物的随机子集达到 0.943 的物种级 V-measure,仅剔除 1.14% 异常图像。该方法将手动标注工作量减少 98.3%,正确聚类率达 94.6%,接近人工标注精度,并开源了基准工具包供生态学家选用。
针对文本生成图像模型在组合提示上的局限,本文提出 SANEval 基准,包含约 5250 个提示词配对图像的数据集及模块化评测管线。该管线结合 LLM 解析器、开放词汇检测器与属性/空间/数量评分器,经人工验证显示其相关性优于现有 CompBench++ 和 GenEval。数据集与代码已开源,论文已被 NeurIPS 2026 接收。
研究在 59.188 万张胸部 X 光片上验证,监督预训练于胸部影像在 25 种组合中领先,无隐私时优于自然图像预训练 2.6%,严格预算下差距达 15.3%。切换域比换目标更能提升曲线下面积,且带隐私的胸部预训练在严格预算下仍胜过无患者数据的起点。该成果已接受发表于 Communications AI & Computing。
Spectral Complex Autoencoder Pruning (SCAP) 通过构建复数交互场并训练低容量自编码器,以重构保真度作为衡量卷积层输出通道功能冗余的指标。
UniDoc 针对长文档问答中结构推理与细粒度视觉理解的矛盾,提出分辨率自适应的双阶段架构:先以低分辨率快速阅读全页定位证据,再以高分辨率聚焦处理选定页面进行多模态推理。
针对单目 3D 面部重建中自监督训练导致表情情感信息缺失的问题,论文提出 FIELDS 方法。该方法在 FLAME 参数空间学习富含情感信息的表达表征,利用扫描拟合目标直接约束相关参数以抑制过度形变,并联合训练的情感头利用离散情绪与连续效价 - 唤醒度标注提升参数对情感分析的有效性。实验表明,FIELDS 在跨数据集设置下提升了预测参数的效用,且在刚性与相似性对齐模式下均实现了更低的整体重建误差。
DGSPNet 提出一种端到端语言提示驱动的红外小目标检测框架,通过粗粒度文本先验与细粒度个性化语义描述结合,无需人工标注即可利用语言提示增强模型对潜在目标的敏感度。