基于球面束调整引导的无监督深度学习的单目鱼眼视觉里程计
该论文提出了 S^2D-FVO 框架,旨在解决单目鱼眼视觉里程计的尺度漂移难题。方法利用球面束调整(SBA)中的切空间角重投影残差替代传统网络以获取更可靠的相对位姿,并引入基于中值深度的尺度正则化项约束重建尺度。实验表明该方法在多个公开数据集及新收集的大规模数据集上,深度估计与轨迹精度均优于现有代表性方法,且适用于不同相机模型。
该论文提出了 S^2D-FVO 框架,旨在解决单目鱼眼视觉里程计的尺度漂移难题。方法利用球面束调整(SBA)中的切空间角重投影残差替代传统网络以获取更可靠的相对位姿,并引入基于中值深度的尺度正则化项约束重建尺度。实验表明该方法在多个公开数据集及新收集的大规模数据集上,深度估计与轨迹精度均优于现有代表性方法,且适用于不同相机模型。
论文指出开放词汇分割模型在部署超出训练类别时,会静默丢失某些类别且仍输出高置信度掩码,但训练损失下降甚至 mIoU 上升。研究证明哪类崩溃完全由类名列表决定:基于类名与训练词汇的文本相似度即可预测崩溃风险,该排名在九个模型家族中 AUROC 达 0.69-0.96。
推荐理由:研究发现仅凭类名列表即可预测分割读出的崩溃风险,无需查看图像。通过调整词汇距离或训练幅度可恢复已消失的类别,为模型鲁棒性提供新视角。
arXiv 论文提出 LO-World,这是一个统一的 4D 世界模型,在共享鸟瞰图(BEV)潜在空间中联合预测 LiDAR 点云和 3D 语义占用。该方法通过耦合高效的混合范围体素自编码器和流匹配生成器,利用历史上下文缓存降低迭代采样延迟。
该研究针对 SEEM 模型在光学相干断层扫描血管造影(OCTA)中分割细血管效果不佳的问题,提出了一种名为 RBA 的读出基适配器。该方法通过生成图像特定的基础图并配合秩为 1 的 LoRA 编码器分支,在不改变原始特征读取分辨率的前提下提升了动脉与静脉的区分能力。
推荐理由:针对 SEEM 模型在 OCTA 血管分割中读出线粒体分辨率不足的问题,提出仅增加 0.47M 参数的 RBA 适配器,在薄血管分割上优于 LoRA 等参数高效方法。
该研究提出一种可复用的街景影像处理管道,明确图像适用性与目标身份。在韩国 1609 个地块的 10311 张图像中,任务筛选与对齐使 AUROC 从 0.684 提升至 0.719,且无需建筑轮廓或额外训练即可匹配人类标签(85.6%)。记录所用图像与选定房屋支持人工虚拟审计,解决了仅凭分数无法验证判断对象的问题。
针对自监督学习的 Vision Transformer 缺乏聚焦机制导致感知表征模糊的问题,作者提出两种无需标注的视觉聚焦损失函数,利用多头注意力机制引导模型关注特定图像区域。该方法促使注意力头出现空间专业化分工,显著提升了空间选择性和多样性,并在零样本图像分割等密集预测任务上改善了可解释性与性能。论文已被 NeurIPS 2026 接收。
该论文通过消融分析四个视频 Transformer 模型,发现高重要性的注意力头不仅能支持其他视频理解任务,还能保留区分不同视频的表征结构。研究显示,MLP 层的处理对头部输出的利用效率高于注意力模块本身,且层间较短时空距离的头部集合在扰动响应上更强。仅微调 MLP 即可提升低重要性头部输出的使用效果,揭示了集体计算是理解注意力头功能的关键视角。
该论文研究在模块化定位架构下,当冻结检测器生成的候选区域覆盖至少 99.8% 的 RefCOCO/+/g 查询时,VLM 选择机制的失效原因。研究发现 VLM 的图像条件化查询编码优于纯文本查询,但在分布外场景(如 Objects365)及推理基准上,基于冻结提案的选择策略性能显著低于直接解码坐标;此外,训练后的验证器仅退化为存在性探测,无法超越 VLM 的直接判断能力。
该研究评估了 Condition-Aware Label Expansion(CALE)在自建数据集及 RAF-DB、RAF-ML基准上的表现,发现聚合规则而非表征决定方法成败。
针对无监督行人重识别面临的域差距及现有方法不支持多网络架构的问题,本文提出 Mamba 增强的多架构域自适应(MDA)框架。该框架在两个层面构建能力:首先设计包含 Mamba 组件的复合算子以增强域自适应;其次基于此算子构建支持 CNN 和 Transformer 多种骨干网络的通用框架。
推荐理由:提出 Mamba 增强的多架构域自适应框架,在 CNN 与 Transformer 骨干上均提升 Re-ID 性能。
该论文测试了八种开源视觉语言模型(VLM)在脑肿瘤或异常检测任务上的表现,评估其陈述的置信度是否可作为安全筛选答案的依据。
针对工业边缘设备图像因降采样和压缩导致的分辨率损失及伪影问题,本文提出一种集成超分辨率(SR)与压缩伪影去除(CAR)的端到端质量增强框架。该框架采用统一训练策略,平衡人眼感知与机器视觉目标,并探索了固定权重与基于不确定性的动态权重损失函数以优化重建质量与下游任务性能。
针对视觉语言模型在新类别或领域上的适配问题,该方法通过保留冻结与提示后的四分支预测,结合局部置信度与集合频率偏差进行仲裁。在 ImageNet 上训练后,其在十个跨数据集基准的平均准确率达 69.96%,刷新 ImageNet-S 记录至 52.21%,并在基类到新类的迁移任务中达到 79.77% 的新类别准确率。代码已公开。
推荐理由:提出上下文自适应融合方法,在跨数据集基准上超越现有提示微调技术并刷新 ImageNet-S 记录。
该研究提出 BCVS(Budget-aware Correspondence-driven View Selection)算法,这是一种无需姿态估计的视图采样方法,能在 CPU 上实现超过 22 FPS 的处理速度,支持在线过滤以优化移动机器人的三维感知。
研究对 EfficientNetV2-M、ConvNeXt-V2-Tiny、Swin-V2-S、ViT-L/16、DINOv2-L 及 MedSigLIP-448 六种架构进行四分类评测,发现测试集准确率在 94.5% 至 95.6%,且存在 36% 的图像含训练近重复样本。
FMA-Net 提出统一框架,利用指令引导潜空间翻译补偿缺失模态,在 WMCA 数据集 70% 模态缺失下将平均 ACER 从基线 4.24% 降至 3.22%,深度与红外完全不可用时 ACER 为 5.23%。该框架通过面部特征适配器整合全局结构与局部欺骗线索,并借助合成到真实域对齐减少特征差异。实验在 WMCA 和 PADISI-Face 数据集上验证了其在灵活不完整模态下的鲁棒性。
该预印本论文提出了 Global Rotations from Aggregated Matches (GRAM) 和 Multi-view Optimization with Rotation-only Reprojection Error (MORE),旨在通过最小化边向旋转代数残差直接估计全局旋转,替代传统的双视图相对位姿优化与旋转平均步骤。
该研究提出了 LangDepth 架构,通过冻结 CLIP 编码器和可学习的概念键提取场景描述符,利用场景先验模块(SPM)为室内和室外场景分别设定全局深度区间锚点。模型在 NYU Depth V2、KITTI、DIODE 等数据集上实现了高 delta_1 精度,且无需大规模监督数据或伪标签。实验表明,该机制能有效处理跨域尺度差异,并在户外场景中由先验主导预测结果。
Calibrated Alarm Thresholds for Compact Fire and Smoke Detectors 提出基于分割 conformal 的阈值校准方法,解决 YOLOv8n 等检测器在 D-Fire 测试集上的漏报率差异问题。该方法使两种检测器在所有规则下均满足 10%、5% 和 1% 的目标漏报率,无火烟图像误报率控制在 1.2%-3.0%,并分析了主要失效案例。
SpinSCI 提出一种掩码条件的时空自旋变换器,其 Mask-Conditioned Ising Refinement Block 结合注意力 logits 与传感信息形成有向自旋耦合。
GeoPilot 工作流将大语言模型诊断、数值工具重建及外部几何评估结合,生成可执行的程序或相机配置干预。在 224 张 Metashape-raster 开发图像上,共享内参假设使六个原生坐标指标全部改善,平均表面到参考距离减少 7.04%;而在独立棋盘格样本上的参考辅助对齐则限制了该增益。
该论文提出了 Flow from Adaptive Token Estimation (FATE) 方法,通过解耦匹配尺度与光流分辨率,利用像素到 token 的关联实现可靠匹配与精确重建。在 FlyingChairs/FlyingThings3D 训练后,该方法在 Sintel Final 和 KITTI 数据集上实现了最高的零样本准确率,特别是在运动边界和遮挡区域表现优于现有方法。
针对无人机红外图像中占图不足 0.1% 的微小目标,现有基于 IoU 的目标校准损失存在几何缺陷。研究提出连续尺度不变归一化 Wasserstein 距离(NWD)替代方案,在 HIT-UAV 数据集上使低、中、高信杂比组的 LaECE 指标显著降低且 mAP 保持中性。该方法无需推理时映射层,验证了其在广域校准权重下的有效性及几何修正的真实性。
SurgTAP-3D 构建了一个包含 52 万帧、4549 个动作片段及 140 万个二维/三维轨迹点的大规模体内伪三维手术运动追踪数据集。该工作通过接触区域提示等统一框架将未标定单目视频转化为结构化四维标注,涵盖遮挡、烟雾等真实挑战并建立 SurgPose 等基准。
LocateAnyMesh 是一个视觉语言模型,利用冻结的 3D 编码器将彩色表面点映射为紧凑 token 序列,并将其与图像和指令 token 结合。该模型无需渲染查询视图或进行视图模板匹配,新物体仅需单次编码即可处理,无需针对特定对象微调。
论文 SurfScaff3D 提出 Hierarchical Patch Scaffold (HPS) 表示法,通过语义部件抽象解决大语言模型推理与传统三维参数化不兼容的瓶颈。该框架支持文本和图像到三维的交互生成,具备无需昂贵微调即可进行自然语言编辑的能力,并在多种物体类别上展现出高几何保真度和语义对齐度。材料为预印本,已接受于 WACV 2027。
MICE(Multi-animal Interaction Context Encoder)是一款针对小鼠行为的分层基础模型,能联合预训练处理 1 至 4 只小鼠及 7 到 27 个关键点的数据。该模型通过层级个体编码器和 Perceiver 风格社交编码器,实现单检查点适配任意群体规模且无需重训。在涵盖六个数据集的四项评估协议中,MICE 匹配或超越现有基于关键点的基线,代码、权重与数据已开源。
该论文指出传统单目 3D 检测公式存在因使用 2D 框高导致恢复的是物体前表面而非中心的系统性偏差。作者提出 MonoPCA 框架,通过 PCDepth 模块利用透视几何进行方向与尺寸感知的修正以消除偏差,并引入 GeoAlign 教师 - 学生架构将视觉基础模型的几何表征迁移至轻量级模型以增强属性感知。
Martine 是一个用于受控 3D 物体表面重建的基准数据集,包含 28 个具有透明材质和精细结构的物体,在单光和多变光条件下从 84 个视角采集了 9568 x 6376 像素的图像。
论文提出 FastGRT,通过解耦光路遍历与混合及重用前向计算,将基于高斯的光线追踪训练速度提升 1.9 至 4.97 倍。该方法在 Vulkan 中实现并开源,是首个支持训练和渲染的 Vulkan 版 GRT 实现,同时保留了原有的渲染公式。
NightSteps 数据集基于全球六城夜间行车记录仪 footage 构建,旨在填补低光照条件下行人过街意图预测(PCIP)的基线空白。Gemini、ChatGPT 及人工评估在该数据集上的测试显示,人类输入准确率达 88.17%、F1 分数为 80.21%,而 Gemini 和 ChatGPT 分别仅为 60% 与 79.13%。该预印本基准可用于未来模型在夜间场景下的性能评估以提升道路安全。
研究提出将注意力分解为贡献与拉取两种归因图,在 MAPLES-DR 数据集上验证了“拉取”图的因果解释性最高。该方法虽无像素级监督,但精度达到 HRDecoder 模型的 70%,且比遮挡法快 800 倍。代码与演示已公开,相关成果将提交至 ISBI 2027。
论文指出当前空中视觉语言导航器常出现‘到达目标位置却未识别物体’的问题,原因是模型学会了抵达地标而非识别指令中的具体对象。作者提出 MAP-VP 模块,在导航器停止后自动将指令中的地标绘制到无人机视野中,再结合微调后的 4B 视觉语言模型定位目标。
针对低剂量、稀疏视角及金属伪影等不同的 CT 退化物理特性,本文提出 AgentCT,利用基于 LoRA 适配的 Qwen3-VL-4B 控制器识别退化类型与严重程度并路由至专用模型。
论文提出 FLAVOR 框架,通过分层时空地图解决无人机在资源受限环境下的全局探索问题。该方法将稠密几何约束于机器人局部地图,仅保留紧凑的全局观测与任务上下文;利用轻量 LiDAR 关键帧可见性记录支持前沿推理,并将未解析的前沿作为待办任务关联里程计锚点。
SemanticKV 是一种无需训练的 KV Cache 压缩方法,首次利用规划器提取的语义约束指导缓存保留。该方法在 Causal Forcing 任务下将 6.04 GB 显存降至 1.81 GB(3.35x 减少),推理速度提升 1.22 倍且 VBench 总分达 84.10,优于最强压缩基线。
针对手术数据稀缺且评估协议碎片化的问题,本文提出两阶段框架:SurgKnowBench 基准整合公开数据集以评估预训练多模态大语言模型(MLLM)的手术能力边界,发现当前模型在关系与流程理解上存在短板;SurgAgentGym 环境允许通用智能体在不进行额外手术训练的情况下,通过工具介导的证据检索提升推理时的理解效果。
Rapid Activation Dampening(RAD)提出了一种针对大规模开放集人脸识别的高效机器遗忘方案,通过抑制与目标身份关联的神经元实现快速遗忘。该方法引入 Forget Score(FS)指标解决现有度量在开放集场景下的不匹配问题,并在多个近期大规模架构上验证了其在保持模型效用同时显著提升遗忘速度的能力。
论文提出 Flex-DDCM 框架,利用预训练扩散模型先验实现无需压缩特定训练的零样本图像压缩。该方法在 Turbo-DDCM 基础上,通过任务指导噪声选择适配编码后的扩散轨迹,将任务引导效应嵌入压缩表示中。
本文提出 GenRM-Flow 框架,论证视频生成模型的微调目标(如 DPO、RWR)在数学上等价于利用生成器的速度预测误差作为奖励信号。该框架使偏好调优后的生成器直接在噪声潜空间充当过程感知奖励模型,无需依赖外部视觉语言模型或辅助评分头。理论分析表明不同优化路径均指向同一最优策略,且提取的过程奖励可无缝替代 FlowAWR 中的外部评分器,从而在不增加额外网络的情况下提升下游视频生成效果。