Gallery Self-Evolution:免训练迭代侧脸人脸识别框架
Gallery Self-Evolution(GSE)提出一种无需梯度更新的免训练框架,通过 dedup-FIFO 策展机制在测试时自适应图库。该方案将 CFP-FP 和 IJB-C 基准上 45°偏头的侧脸识别差距缩小 23 个点,并将 TAR@FAR=0.001 提升 9.4 点,全程仅需 CPU 运行且无需 GPU 重训练。
Gallery Self-Evolution(GSE)提出一种无需梯度更新的免训练框架,通过 dedup-FIFO 策展机制在测试时自适应图库。该方案将 CFP-FP 和 IJB-C 基准上 45°偏头的侧脸识别差距缩小 23 个点,并将 TAR@FAR=0.001 提升 9.4 点,全程仅需 CPU 运行且无需 GPU 重训练。
SegDis 将输出解耦为显式前景概率与条件类型概率,利用 FLR 提供任务无关支持并通过 RTA 依据前景背景关系细化分配。在 USC12K 数据集上,该模型基于 PVT-v2-B2 架构,参数量约为 USCNet 的八分之一,实现了 68.98% 的前景 mIoU 和 78.35% 的整体 mIoU,显著优于 CSCS(提升 5.75)。
NuJEV 是一种针对核感知的新方法,旨在通过定位和分类细胞而非单纯生成计数来实现更准确的量化。该方法在 Qwen3-VL-2B 模型上联合训练视觉 LoRA 和平行头,利用单一图像编码同时预测细胞存在、中心和类型。
arXiv 论文发布面向动态户外场景的 3D 视觉定位(3DVG)新基准 MoT3DVG,包含 nuScenes 数据集中的 850 个场景、31,128 帧图像及 144,568 条含运动描述的提示词。作者提出 DynaVG 框架,通过 SLIDE 模块融合短时局部与长时全局时间线索以对齐语言与点云,在基准上取得最先进性能。材料为预印本,未提及同行评审状态或具体部署结果。
针对视觉 Transformer 在移动端部署的计算与内存挑战,本文提出 RankQ-ViT 框架,实现无需原始训练数据的模型压缩。该方法观察到高斯噪声生成的块相似度矩阵秩较低,引入块感知自对比目标以增强合成样本的特征多样性,并结合秩与语义一致性选择校准样本进行分块重建。实验表明该框架在 ImageNet、COCO 等多任务及低比特量化下有效。代码已开源。
论文提出了 TransArt3D 框架,旨在解决仅凭少量图像重建可交互三维关节资产这一高度欠约束问题。该方法利用视频扩散模型捕捉物体在状态间运动的先验,将其转化为显式的部件结构和关节运动学。
针对移动机器人在室内环境中对路径两侧家具和结构的三维感知需求,本文提出一种运动辅助的单雷达双侧近场成像框架。该方法利用球形波前模型关联场景反射率与步进频率多输入多输出观测数据,通过双边发射天线组合实现宽带方向加权,结合滑动孔径反投影进行相干聚焦,并利用 Top-K 功率融合整合不同可见性的局部图像。
该预印本提出 BiRefNet-V2 模型以解决高分辨率二值图像分割中细粒度结构保持与语义引导不足的问题。方法包括通过空间到深度变换实现局部性保持与语义引导的细节注入、无需边界标注的学习式边界流生成全通道残差注意力,以及集成深度边界卷积与大核注意力的双分支解码器。
该方法提出基于扰动的框架,将视频动作识别中的空间外观与时间动态解耦为独立掩码。在 EPIC-Kitchens-55、EGTEA Gaze+ 及 Something-Something V2 数据集上,其删除 AUC 低于主流基线且掩码稀疏度约为五倍。论文已被 NeurIPS 2026 接收,代码与权重开放许可待注册。
针对现有学习法在动态人体重光照中光影响应不精确的问题,本文提出 DynOLAT 框架。该方法从平光输入预测时序一致的 One-Light-At-a-Time (OLAT) 基视频,再根据目标环境图线性组合以显式控制方向与强度。
Viscot-steer 是一种无需训练的激活引导框架,将视觉思维链解耦为定位与推理向量并在目标模型间迁移。该方法在高分辨率理解、通用感知及数学推理基准上,平均比最强基线提升 1.86 个百分点。项目页面已提供,代码与权重开放许可状态待确认。
SAVAR 是一种基于视觉自回归建模的生成式编解码器,通过传输早期尺度 token 和紧凑描述符解决超低保真度下的源不一致问题。在 Kodak 和 CLIC2020 数据集上,该模型将 LPIPS 感知失真降低约 8%--9%,DISTS 指标最多降低 22%。
Map2SLAM 提出一种架构,将冻结的 LingBot-Map 流式推理结果转化为外部持久化 SLAM 状态的观测输入。前端利用因果流式推理跟踪每一帧并筛选关键帧写入状态,后端异步重访过去帧以进行闭环检测与几何细化。
论文提出 STRAP 方法,针对图像基础模型的视频迁移任务,发现不同 Transformer 层对时序建模的敏感性随深度增加且受预训练范式影响。该方法基于范式匹配的基准模型推导空间到时序转换边界,在边界前使用空间适配器、后使用时序适配器,无需修改架构即可提升性能。
SurgWorld 提出一种视频原生的自监督框架,利用 Out-of-Sight Dynamics Modeling 和 Geometric Visual Similarity 目标,在 17 个手术基准上超越现有视觉基础模型。该工作提交至 IEEE 待发表,代码与权重暂未开放,专注于捕捉直接观测之外的潜在手术动态。
Graphene 提出了一种包含 Ising Refinement Block 和 History Attention 模块的轻量级图像超分辨率架构。在 Urban100 数据集×4 放大任务中,该模型相比 IET 基线参数减少 34.3%、FLOPs 降低 44.8%,延迟下降 78.4% 且峰值显存占用减少 76.0%。代码与参考检查点已公开,实验证明其在多种退化条件下能恢复细节并保留纹理。
该研究指出视觉上下文分割中存在背景颜色映射偏差和部分到父级扩展等演示遵循问题。作者提出语义对比提示选择方法,利用语义对比编码区分目标部分与其所属对象,并结合检索分数与开发集质量估计筛选演示样本。在七个检索方法和三个基准测试上的平均结果显示,该方法将目标 IoU 提升了 0.054,并将对象内部泄漏减少了 22.7%。
该论文研究了在仅能获取 RGB 输出且不知晓部署提示词的情况下,对视觉上下文学习模型的鲁棒性攻击问题。作者提出了一种自提示代理(SPS)方法以跨未知提示迁移攻击,并展示了颜色劫持和任务劫持两种攻击手段能有效降低目标实例的可见性与区分度,导致下游检测模型性能显著下降。
MySign 是首个针对马来西亚手语(BIM)的孤立手势动作捕捉数据集,包含由五名聋人母语者采集的 5000 个样本及 1000 个词汇项。该数据集提供经重定向的高保真 SMPL-X 序列以解决伪标签在手指细节上的模糊问题,显著提升了生成质量并确立了新的基准挑战。数据现通过 arXiv 公开,为计算机视觉领域的三维手语生成任务提供了关键资源。
该论文研究将连续人体动作压缩为有限离散 Token 时的输入姿态编码选择问题。作者对比了高斯关节热力图、欧氏空间根相对位置、局部关节旋转及全动力学四种编码,训练 VQ-VAE 分词器并评估代码本利用率与有效词汇量。
ADC-RANet 通过结合自下而上的通道注意力、自上而下的级联知识蒸馏及 MixUp 过自信修正,在 CIFAR-100 和 ImageNet 数据集上实现了所有计算预算下的一致性性能提升。该方法保留了 RANet 的动态资源分配效率,代码已公开于 arXiv (2611.11076)。
该研究指出当前视频问答基准因依赖多选项引导和语言先验而难以隔离模型的真实感知能力。作者发现即便无视觉输入,准确率也显著高于随机猜测,这源于捷径策略与选项利用。为此,团队提出一种新的选项延迟重放(ODR)机制,在开放-ended轨迹中分阶段披露选项,以从忠实推理中获得客观的多选项分数。
\dvsp{}通过保留每$2{\times}2$区域的四个虚拟槽位并混合特征,在 COCO 检测任务中移除64.2%视觉 Token的同时保持97.9%的Box AP。该方法相比熵基选择等基线实现1.61倍端到端加速,且移除注意力质量仅损失1.59 Box AP。研究基于EVA-02-B模型验证,代码与权重尚未开放许可。
针对多任务场景理解模型依赖修改编码器或复杂解码器的问题,本文提出虚拟任务提示(VTP)方法,将多任务提示框定为从共享虚拟状态检索任务自适应组合的过程,且该状态与路由过程端到端优化。
PointNeXt 模型在约 7.8 万参数下结合局部形状描述符与残差茎叶修正,在 Raspberry Pi 5 上实现了 PlantNet 任务延迟从 330.33ms 降至 96.82ms。
针对部署后需适应用户摄像头的 4-8 比特手部追踪网络,该方法引入灵敏度门控累加器缓存(SGAC),将每权重状态降至 8.1 比特。在 38.3 万参数网络上,其适配后的 4/8 比特网络在两路模拟相机上取得九种低比特部署方案最高平均准确率,且在十二类 ImageNet-C 腐蚀下表现优于 PEQA、ECO 等基线。
该论文提出利用大型语言模型(LLM)在预定义空间之外合成可执行的数据变换程序,以解决计算机视觉训练分布设计中计算成本高昂的问题。研究对比了包括标准增强策略、暴力搜索及两种 LLM 直接代码生成在内的九种策略,结果显示 LLM 生成的变换程序在所有数据集上均优于暴力搜索(评估超过 6000 个候选者)。
MemSurg 是一个针对机器人辅助手术的视频理解框架,旨在解决帧级提示无法利用早期观察历史的难题。该框架通过结构化记忆图存储带时间戳的实体类别、位置、运动线索和交互摘要,并利用时序链接与实体关联链接保留上下文及跨阶段观测。
推荐理由:该框架通过结构化记忆图解决手术视频理解中的历史上下文缺失问题,在前列腺切除术等基准上显著优于现有方法。
该论文提出 2CAP(双通道真实性协议),将图像取证从单一真假标签解耦为相机指纹通道和语义一致性通道,以区分合成、篡改和 AI 修饰等不同后果。方法结合对比训练的相机编码器与冻结的语义编码器,在共享骨干网络上实现四类真实性分类及证据生成任务。
REDiff-AD 框架通过多样性驱动的 In-context MMDiT,在无需模型训练或目标掩膜的情况下,利用单张参考异常图实现高效采样并生成高保真缺陷。该方案引入自适应参考条件增强与多样性引导模块,解决了真实缺陷稀缺难题,显著提升了下游分类、检测与定位性能。代码已开源,论文被 WACV 2027 接收,适用于大规模工业异常数据增强任务。
VFI-ReID 框架引入动态累积证据检索器与检索感知提问优化,利用候选人的实时视觉反馈作为后续追问依据。该方法构建了 VFI-PEDES 数据集及评估协议,解决了传统文本检索无法利用视觉差异的局限。实验表明该框架在交互式行人检索各阶段均持续提升性能,显著优于现有基线方法。
VectorMark 将用户密钥映射为高维单位向量,利用余弦相似度在理想平均下保持 $1/\sqrt{K}$ 的信号强度以精准识破合谋。该方法经 MS-COCO、OpenImages 及 AI 生成图像验证,在几何与光度畸变下维持鲁棒性并实现最佳全合谋检测。代码已公开,论文被 NeurIPS 2026 接收。
针对全球南方城市缺乏地块级用地数据的难题,研究构建了覆盖加德满都谷地 202 km²、含 408 张高分辨率 RGB 场景的六类标注语料库。实验显示标准随机划分导致最大 0.095 mIoU 的空间泄露,而改进后的 SegFormer 基线仅增加 1.9% 参数量即提升平均 IoU,但扩散模型生成的合成配对数据反而降低了所有架构的准确率。
针对稀疏驾驶场景中 LiDAR 点云仅覆盖物体小部分的挑战,本文提出 AmodalBox 框架,利用图像生成的 3D 资产作为非遮挡几何先验。该方法通过建立输入图像与渲染视图的对应关系,将标准非遮挡几何与部分观测的世界空间 LiDAR 点云对齐。
推荐理由:该方法利用图像生成资产作为几何先验解决部分遮挡问题,在 nuScenes 和 Waymo 数据集上显著提升了检测性能。
该研究提出一种混合模型架构,结合传统目标检测、视觉语言推理及物理几何模块,在真实城市交通数据上实现了超过 80% 的驾驶关键盲点识别准确率。系统通过思维链提示机制增强可解释性,使基于对话的感知共享成功率超 90%,为大规模部署提供了带宽高效且可扩展的替代方案。
论文提出了 STAR-VF 框架,这是首个从数据集凝缩视角重新思考视频融合的方法。该框架将原始训练集凝练为紧凑的可学习时空表征,利用冻结代理模型的特征级监督解码合成视频片段进行优化,无需真实融合视频作为监督信号。
该论文研究了在曝光时间存在不确定性时,具有相同测量预算的相机 rigs 如何表现出不同的速度估计率。作者建立了滚动快门重建的理论框架,区分了两种读出策略的风险阶数:重复读出的最坏情况平方速度风险至少为 $ ho_{ ext{eff}}$ 量级,而互补读出的极小极大风险为 $ ho^2$ 量级(其中 $ ho_{ ext{eff}}$ 为固定允许的时钟位移)。
推荐理由:原文建立了滚动快门在时钟不确定下的速度风险理论,区分了不同读出策略的误差阶数。
针对合成孔径声纳(SAS)图像,研究使用冻结的自然图像编码器 DINOv3 ViT-S/16 发现其重复观测一致性差,距离内类相关系数仅为 0.20。尽管线性探针在珊瑚分类任务上表现稳定(AUC 0.93),但标准指标未能检测出这种几何依赖的测量不可靠性。研究建议评估海底表示时应补充重复观测可靠性分析,以区分斑块特征与采集几何的影响。
CC2-STG 模型通过凸凹分解与稀疏拓扑学习解决固定拓扑无法建模代偿模式的问题,结合几何分解、稀疏特征学习与自适应拓扑。在 KiMoRe 和 UIPRMD 数据集上的实验验证了该方法在临床病理动作评估中达到最先进水平。
论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。
推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。