Writer-independent handedness identification from offline Bangla handwriting under controlled acquisition
该研究利用包含 42 名作家的 BanglaHand 数据集,在受控采集条件下实现了离线孟加拉文手写笔性识别。基于墨色梯度的描述符在未见过作家测试中达到 77.4% 的平衡准确率,且去除光照影响后仍保持显著性能。实验证实笔迹形状特征较弱,而光度控制对解释此类线索至关重要。
该研究利用包含 42 名作家的 BanglaHand 数据集,在受控采集条件下实现了离线孟加拉文手写笔性识别。基于墨色梯度的描述符在未见过作家测试中达到 77.4% 的平衡准确率,且去除光照影响后仍保持显著性能。实验证实笔迹形状特征较弱,而光度控制对解释此类线索至关重要。
针对多模态大语言模型在细粒度视觉任务中易受背景区域干扰的问题,本文提出 SPN-OPSD 方法,结合证据与背景区域监督并引入选择性的 Token 级蒸馏。实验显示,该方法在 Qwen3.5-2B 和 Qwen3.5-0.8B 模型上显著提升了 V* Bench、ZoomBench 及 MME-RealWorld-Lite 等基准的准确率。
该论文提出 LIFT 框架,利用冻结预训练单目深度估计(MDE)基础模型的深度与特征先验进行少样本深度补全。方法首先基于粗粒度网格估计局部尺度和平移参数并插值生成空间自适应度量深度初始化,随后通过多尺度深度传播逐步细化,最后由轻量级残差解码器结合多级基础模型特征与传播修正完成最终优化。
MICCAI 2007 研讨会在医学图像计算领域举办"3D Segmentation in the Clinic"分割竞赛,旨在推动肝脏 CT 及尾状核 MRI 数据的自动与半自动提取。该研究详细描述了训练测试数据集、评分系统及组织 rationale,相关成果收录于 MICCAI 2007 会议论文集。
论文针对视觉语言模型(VLM)作为端到端驾驶规划器时面临的跨城市域偏移问题,挑战了以往将其视为单一数量进行统一对齐的观点。研究通过激活补丁分析发现,域偏移在模态轴(图像与文本 token)和层轴上呈现结构化分布,且层间划分具有架构依赖性和数据集稳定性。
针对扩散模型循环一致性成本高及潜在内容泄露问题,该方法通过 IP-cross-attention rearrangement 与负向内容引导实现解耦风格化生成。实验表明该方案有效解决了属性耦合难题,适用于计算机视觉领域的可控生成任务。论文已上传 arXiv,包含 12 页正文与 11 张图示。
论文提出了 Permute-then-Adapt (PTA) 框架,旨在改进 CLIP 等图像文本对齐模型中对比学习的负样本假设。该方法利用高效弱模型识别被遗漏的正样本,并通过条件排列参考分布校准正集,避免启发式阈值带来的噪声惩罚。实验表明,在物体识别、跨模态检索和数据效率方面优于现有的启发式软标签方法。该工作已接受于 NeurIPS 2026 Spotlight。
arXiv 发布论文《Quadratic Bezier Splatting with Structural Initialization for Efficient Painting Rendering》,提出一种模型引导的笔触审核渲染框架。
论文介绍 PLS-GS 方法,该方法针对同时拥有相机和高清 LiDAR 数据的机器人及建图应用,构建概率激光雷达骨架以引导高斯泼溅。通过联合拟合位置与颜色的分层高斯混合模型,消除对体素网格或八叉树的离散场景划分需求,并将渲染高斯约束在局部表面框架内。
该论文指出视觉语言模型(VLM)在处理视觉呈现的信念推理任务时表现显著下降,主要瓶颈在于感知前端无法追踪主体在场状态及存在现实偏差,而非缺乏推理模块。研究提出五条件解离协议与感知贡献比指标,在抽象二维面板和自然主义三维游戏场景中测试了七种 VLM 模型约 15.9 万次 API 调用。
该研究提出 MGE 框架,利用成员推断分类器信号将数据提取转化为条件生成任务,并通过对抗梯度与并行分支解码提升效率。在图像生成基准测试中,MGE 成功从预训练扩散模型中提取数百张图像,揭示了其固有的训练数据泄露安全隐患。
HACD 通过映射 logits 至共享单位超球面,将教师模型的预测关系结构转移给学生模型。该方法无需学习参数且每样本仅需一次教师前向传播,在 CIFAR-100 和 ImageNet-1K 数据集上无真值标签即取得最优或次优精度。相比传统蒸馏,HACD 在异构架构对上的平均准确率分别提升 8.82 和 1.33 个百分点。
Physically Guided TeX Generation 提出一种从可见与红外图像生成温度、发射率和纹理图的物理引导框架,无需像素级物理标签即可评估生成质量。该方法在 FLIR、LLVIP、M3FD、MSRS 及 HADAR 数据集上验证了低光环境下的任务性能,并通过独立分支门控路由线索至各物理映射图。
针对资源受限场景下稠密预测与生成建模中高频特征丢失的问题,本文提出 FG-DSA 框架。该方法利用 2D FFT 高通滤波模块将频域先验注入空间注意力机制,使轻量网络能以线性复杂度恢复锐利的边界过渡。实验表明,FG-DSA 在语义分割任务中能一致地提升性能,且作为扩散生成 U-Nets 的模块使用时,可在极低的额外参数和 FLOP 成本下显著改善生成图像的纹理细节。
该论文提出了 SHIN(Scalable Hierarchy for INcremental 3D Gaussian Splatting),旨在解决不同设备和网络条件下部署预算差异的问题。
Agent2BIM 是一个基于智能体的 Scan-to-BIM 框架,系统评估了实验室及机电场景下七种现实捕获配置的建模效果。实验显示,智能手机 LiDAR 输入使组件位置在 20cm 内的重建比例达 86%,而纯全景图仅 9%;先验 IFC 模型虽能提升机电连接度但可能传播误差。该研究揭示了视觉证据与度量数据在智能体竣工建模中的互补作用,论文已上传至 arXiv。
针对现有方法在移动观看者场景下需重新训练或存在全局尺度模糊的问题,本文提出了 VAComp 框架。该方法利用度量校准恢复全局尺度,并通过双棋盘法完成反向相机标定,实现了裸眼设置下的虚拟物体替换与外观材质修改。系统开发了两种非迭代混合方法(VAComp-SD 和 VAComp-SI),结合高斯几何校正与学习光度补偿,单次前向传播即可生成补偿图像,在真实实验中分别实现了实时更新和交互速率性能。
针对现有内镜基准仅测试静态图像或单病种视频的局限,作者提出 EndoSCOP-V 多轮视频理解评估框架。该框架包含 1,307 个真实内镜及结肠镜视频(共 63.2 小时),其 20,274 问答对源自医生填写的结构化电子病历,覆盖 54 种疾病及 9 大任务分类。
论文提出 HypoKFS,一种无需训练且即插即用的框架,耦合关键帧选择与多模态大语言模型迭代推理。该方法先对稀疏采样帧进行推理构建初始假设空间,再根据答案分布决定是否需额外选择判别性帧以修正误差。实验在 Video-MME、LongVideoBench 和 MLVU 上验证,准确率最高提升 6.7 个百分点,在 Video-MME 上仅用 1.3% 的参考匹配成本即达到 72.9% 准确率。
MotionGraphicsBench 引入由专家 curated 的 100 个实例基准,用于评估大语言模型结合空间、外观及时间要求生成运动图形的能力。在 180 个动画测试集上,其程序与人类判断达成 93.3% 的一致性,优于 GPT-6 Astra VLM 基线的 83.3%,并覆盖 47 种来自 32 个大语言模型及 12 家提供商的配置。
作者 Niaz Mohaiman Abtahi 和 Evan Maksud 提出了 ROLECUE 诊断框架,用于检测视觉语言模型(VLM)在跨语言场景下将视觉动作结构绑定到语言学语义角色的能力。
研究提出决策空间框架,将乘法注意力建模为中间特征扰动并推导其对分类边距的一阶预测。基于 CIFAR-100 数据集,利用 SimAM 和 CBAM 模块在 ResNet-18/50/56、MobileNetV2 等五种骨干网络验证了预测与实测边距变化的一致性。决策对齐分数(DAS)显示注意力位置越靠后,其与局部边距梯度的正相关性越强。
针对 LiDAR 定位建图系统中因配准误差导致的重复表面和结构变形问题,本文提出一种无需独立参考的在线几何一致性评估方法。该方法构建递归贝叶斯比较框架,利用 Normal-Inverse-Wishart 模型表征历史体素几何及其不确定性,并通过 Normalized Drift Evidence (NDE) 指标在评估后更新历史状态或触发告警。
ZARA 提出一种零样本前馈框架,从单张图像重建出可动画化的 3D 高斯头像及其内在属性。该方法耦合预训练大规模人体重建模型与材料 Transformer,继承几何先验并学习感知材料的 Gaussian 表示;引入高斯对齐的材料特征融合策略注入多尺度材料特征,并利用伪材料标签进行监督及 MatFace 正则化以保留面部结构。
针对视觉语言模型(VLM)在处理电影构图问题时对帧内几何信息利用不一致的问题,该方法从冻结的检测、深度和线条专家中提取九种可复现特征,并通过共享的 24 维表示提供外部感知工具。
论文提出假设场景图(HSG)架构,将持久 3D 家具实体与可修订的表面物体假设分离,以解决小物体检测脆弱及场景变更后陈旧条目残留问题。在此基础上构建的 HSGNav 支持多尺度终身导航:检索阶段根据目标规模选择证据,探索阶段获取额外表面观测,验证阶段确认目标存在或剔除矛盾记录。
该论文针对视觉语言模型(VLM)在文本输出中泄露年龄、性别等软生物特征的问题,提出 PrivMark 框架。该方法通过分析模型激活状态,识别出两个与不同泄露行为相关的弱对齐转向向量方向,并将其编码为单一的有界像素扰动。
该研究针对无标签视频学习动作的潜在动作世界模型,探索了其在不同身体结构(如猫、Blob 和人类)间的动作迁移可行性。实验在包含六种身体计划的合成基准及 DeformingThings4D 数据集上验证,发现固定相机下基线屏幕运动得分高达 0.71,而跟随相机的最佳模型对未见动物家族仅得 0.46。
针对立体匹配中因物理位移导致的标定失效问题,现有在线校正方法仅优化行对齐仍会引入图像畸变。本文提出VirtualRect方法,通过估计校正后的虚拟立体相机并结合全图形变监督,确保用于匹配的图像与深度计算模型保持几何一致。实验表明,该方法在Carla-Flowguided数据集上将垂直流误差降低17%,在半卡车高速公路场景下降低7%;在三个下游立体匹配器上,将深度平均绝对误差降低了30%-41%。
该方法提出一种无需测试时优化的超网络,通过用注意力机制替代 MLP 主体解决参数增长问题。在五个二维及三维隐式神经表示基准上,其性能超越最先进单步与优化导向基线,且能扩展至使基于 MLP 的范式耗尽 GPU 内存的目标网络宽度。代码已开源,论文为 arXiv 预印本状态。
针对现有随机预测器在生成过程中无法重审互反几何约束的问题,本文提出 SRA(Spatial Reasoning Adapter),这是一种可集成到现有扩散和流匹配预测器的模块化图去噪器。
MuCa-ViT 提出因子化 Token 学习与通道组成感知调制机制,解决了现有模型在冗余下上下文 Token 坍缩及全局摘要偏差问题。该框架在 JUMP-CP、CHAMMI 和 So2Sat 三个基准上均优于先前的多通道 ViT,提升幅度与数据集间通道冗余度(ρ∈[0.19, 0.77])一致。代码已开源,论文已被 NeurIPS 2026 接收。
该论文提出了 DeLang-SR(Degradation-Language steered Super-Resolution),这是一种用于暗光图像超分辨率的一步流匹配框架。
推荐理由:提出 DeLang-SR 框架,通过解耦方向与幅度实现暗光图像超分。
针对现代视觉语言模型在相对姿态识别任务中存在输出偏差的问题,本文提出一种无需标注数据的自知识重表达与迭代去偏方法 SKR-ID。该方法通过冷启动初始化锚定 2D 视觉证据,并利用递归对数几率排序机制强制统计公平性,成功将开源模型的宏观 F1 分数从 35.0%-45.4% 提升至 53.7%-58.0%,显著改善了模型在标准基准上的 3D 推理性能。代码已公开。
针对现有办公自动化评测多依赖关键词匹配或截图对比、忽视 Word 内部对象模型修改的问题,该工作提出 WordEval 基准。该基准包含 642 个案例,覆盖文本、列表、图表等 15 个功能区域,其中 546 个原子案例对应 231 个命令,96 个组合案例涉及多步编辑。
视频扩散 Transformer 在处理长时空序列时推理成本高昂。本文提出 ESTRA(Extreme Sparsity Through Refined Attention),一种无需训练的加速方法,通过将精确计算集中在少量关键 token 并利用聚类代表近似其余贡献来降低开销。
该论文提出 Split and Bridge(SnB)框架,这是一种自底向上的多模态生成方法,通过在采样时耦合预训练的单一模式扩散模型来工作。不同于从头学习共享潜在变量的自上而下范式,SnB 遵循共享的扩散轨迹直到分割点,随后通过桥接模块分支到特定模式的轨迹。
该论文提出 Mental Simulation Collapse (MSC) 现象,指出当前多模态大模型在潜在空间进行视觉推理时,往往仅通过文本路径计算答案,内部生成的视觉潜变量对结果影响微乎其微。作者引入 AnchorSim 对比蒸馏框架训练模型,使生成的视觉潜变量变得关键,从而在多模态推理基准上提升性能并修复该失效模式。
推荐理由:本文揭示了潜在多模态推理中的‘思维模拟崩塌’失效模式,并提出 AnchorSim 框架使内部视觉状态对预测产生实质性影响。
针对统一全身姿态估计器在手部小目标、模糊或遮挡场景下性能下降的问题,本文提出 S2HAND 框架。该方案包含两种路径:S2HAND-MT 通过轻量级分支路由手部热图并严格保留原生 308 个关键点输出接口;S2HAND-Pose 则微调部分 Transformer 块以换取更强的手部恢复能力,在 HInt、COCO 和 FreiHAND 等基准上提升宏观 AUC。
FSCM-Net 通过耦合频域依赖学习与结构自适应局部细化,解决传统方法在空间 - 谱特征交互中的局限。该网络利用 SSFCA 模块构建空间与隐式通道亲和性,并结合 SC-DFF 模块生成位置相关聚合核以增强细节并保持光谱保真度。实验在两个仿真基准和一个真实遥感数据集上验证了其在空间细节重建和光谱保留方面的优越性能。