从反思到协同进化:具备本地化验证记忆的自演化智能体
论文提出 Anchor 框架,旨在解决大语言模型智能体在长周期交互中记忆冗余或强化不当行为的问题。该方法通过定位关键轨迹步骤、提取候选记忆,并在相同上下文下对比保留与不保留该源决策的效果,评估其对分布的偏移量及角色对齐度。
推荐理由:提出 Anchor 方法,通过局部验证记忆源决策来筛选有效经验,在 ALFWorld 和 WebShop 任务上提升成功率并减少 Token 消耗。
论文提出 Anchor 框架,旨在解决大语言模型智能体在长周期交互中记忆冗余或强化不当行为的问题。该方法通过定位关键轨迹步骤、提取候选记忆,并在相同上下文下对比保留与不保留该源决策的效果,评估其对分布的偏移量及角色对齐度。
推荐理由:提出 Anchor 方法,通过局部验证记忆源决策来筛选有效经验,在 ALFWorld 和 WebShop 任务上提升成功率并减少 Token 消耗。
论文提出了 RefineSplat 框架,旨在解决现有高斯泼溅方法在复杂场景中存在的视图不一致、边界模糊及物体对应关系弱的问题。该方法采用先跟踪后重构的范式,利用渲染掩码和多视角一致性对物体跟踪进行重构引导反馈,并引入视点感知嵌入分配策略以捕捉依赖视角的语义线索。
Qwen3-VL-8B-Instruct 在零样本提示下对 1,824 张合成图像和 45 帧受控燃烧实验视频进行结构级火灾威胁识别,有效输出准确率分别为 94.0% 和 69.2%,显著优于随机基线。模型在视觉特征清晰时能准确识别目标,但在复杂场景中解读空间关系存在困难。该双轨测试协议为评估视觉语言模型在物理火场条件下的行为提供了可扩展的压力测试与受控参考基准。
针对现有去雾网络计算量大且易过拟合合成雾霾的问题,本文提出了 PhysDNet 轻量级多模态架构。该方法融合近红外影像与稀疏 LiDAR 深度信息,通过固定 Koschmieder 反演进行物理约束双头目标训练,利用密度自适应梯度放大机制集中学习重度退化区域而不增加推理成本。
针对透明界面重建中几何与外观复位的矛盾,本文提出了 ClearForm 方法,采用共享平面高斯同时恢复透明接口及其背后的外观。研究识别并分析了“几何 - 外观合成困境”,推导了其对深度估计的影响机制,并提出双不透明度表面重建及双证据生命周期管理策略。
DAPointRWKV 提出了一种基于 RWKV 的新框架,通过几何感知骨干网络、面向 RWKV 的渐进解码器及双重结构正则化解决点云补全中的几何偏差与适配难题。在合成与现实基准上的广泛实验表明,该方法一致优于现有 CNN、Transformer 及 Mamba 类最先进方法。论文已被第 34 届 ACM 多媒体会议接收,代码与权重暂未提及开放许可。
针对预训练视觉模型缺乏显式三维或姿态监督的问题,本文提出了 PoseBench 基准以系统性评估其姿态感知能力。该基准通过保留的渲染视图在受控条件下探测内在结构,利用真实图像查询评估鲁棒性,并引入基于姿态图的细化方法作为补充探针。
MaRiO 是一个用于评估多智能体协作推理的基准,针对现有 MLLM 在独立视角下对同一环境进行跨视角对应关系推理的挑战进行了研究。作者评估了 23 个最先进模型,发现静态感知任务较易,而变换事件序列和复杂场景下的跨视角对应及几何线索利用存在困难。作为初步探索,论文提出了基于几何引导的合成视图增强方法,通过生成智能体观测间的中间过渡帧来提供辅助空间上下文。代码已在项目页面开放。
TimeTraveler 是一种利用时间词典进行时序策略规划的流式视觉问答框架,已在 NeurIPS 2026 被接收。该模型将观测时刻存储为时间戳索引的结构化描述作为显式证据源,针对查询动态规划“回溯过去、读取当前或等待未来”的策略以适配时序意图。相比依赖紧凑视觉记忆或固定证据访问方案的现有系统,TimeTraveler 通过保留细粒度细节和选择合适策略显著提升了流式问答性能。
该论文针对开放词汇多标签识别任务中局部预测未被充分探索的问题,提出了 LoCo 框架。该方法利用局部语义稀疏性,采用空间一致的视觉编码器减少特征纠缠,并引入选择性 Softmax 仅在局部不兼容类别间施加竞争以保留兼容响应。实验显示,LoCo 独立使用时在四个基准数据集上将平均 F1 分数和 mAP 分别提升 3.4% 和 3.8%,与全局预测器集成后效果更佳。代码已开源。
针对汽车零部件更换成本高且浪费的问题,本文提出一种基于配对观测(完整模型与合成损坏部件)的缺失几何重建流程。该方法利用无噪声颜色、深度和轮廓图像识别缺失区域,并通过多视角体素重建估计缺失部分;引入预训练 DINOv2 模型以验证候选缺失区域并探索视觉特征对重建的辅助作用。
该研究针对医疗检索增强生成中视觉语言模型(VLMs)面对 X 光片与报告冲突时的行为提出质疑。通过表征探测、激活引导和双向强制选择等诊断方法,在四个指令微调 VLM 上验证了矛盾回避现象。
推荐理由:研究证实 VLMs 在医疗场景下因不确定性而非隐瞒回避矛盾,为安全部署提供新诊断视角。
论文 DAC-MACE 提出了一种针对相机重定位的场景坐标回归方法,通过残差上下文适配器(RCA)和全局上下文编码器(GCE)增强特征表达并优化混合专家路由。在剑桥地标数据集上,该方法将平均每场景中位数平移误差降至 13.0 cm,优于 GLACE(13.6 cm)和 MACE(14.4 cm)。研究还展示了各模块对降低误差的累积贡献,并在 7-Scenes 数据集上提升了召回率。
针对目标检测在未见视觉领域性能下降的问题,本文提出 Origin-Anchored Multi-Style Consistency 框架。该方法利用扩散模型将源数据扩展为 20 种不同风格并人工验证标注一致性,同时在训练阶段施加场景与物体层面的原点锚定约束以抑制风格敏感捷径学习。
STAIRS 模型在 fastMRI 和 Stanford2D 数据集上,利用嵌套傅里叶支持投影与条件增量机制,提升了 Transformer (HUMUSNet) 及卷积 (NAFNet) 骨干网络在单/多线圈重建中的表现。
研究提出 KnifeHunter 数据集与 KHNet 架构,在含 12.5 万干扰图的测试中实现 85.7% mAP。针对 UKBWV-27 试点集(118 分钟),混合叙事桥接管线在六项指标中领先五项,但仍有 13.6% 事件无证据支持且 27.7% 语音归因错误。研究建议划分就绪等级以区分辅助任务与需验证输出。
论文 OfficeTwin 提出一种面向机器人的框架,将受限自由度摄像头采集的不完整、弱纹理且存在重复结构的办公场景观测,转化为仿真就绪的数字孪生体。该方法先施加度量与结构约束,再利用办公空间的结构冗余性,将重复的工位配准到共享标准坐标系中,从而通过互补观测恢复被遮挡几何而不产生幻觉。在真实办公扫描数据上,OfficeTwin 成功恢复了每个工位的独立水密实体,性能优于前馈重建和生成式基线方法。
DASH-SLAM 是一种单目 SLAM 系统,将预训练的 Depth Anything 3 模型生成的度量深度预测直接集成到共享关键帧位姿图中,无需针对特定任务进行微调。
论文 RigidGS 针对 3D 高斯泼溅(3DGS)在交互式 VR/MR 应用中存在的掩码噪声与标签几何耦合问题,提出一种端到端管线。该方法通过深度与时序感知的掩码细化模块解决 SAM2 的过包含与欠包含缺陷,并利用 COLMAP 投影投票在上游确定物体身份并在训练中冻结,将监督仅导向几何优化。
推荐理由:该工作提出固定身份与几何解耦设计,解决现有方法在复杂几何下的掩码噪声与标签耦合问题。
针对微创手术中解剖结构识别受限于小样本数据集和自然场景方法的痛点,该工作发布了包含 121,018 个标注帧的手术视频语义分割数据集 ATLAS-120k。同时提出了 ATLAS 模型,利用域内基础模型嵌入并引入程序与手术阶段的上下文查询及帧间传播机制。
推荐理由:该工作发布了包含 12 万帧的手术解剖数据集 ATLAS-120k 及上下文感知模型 ATLAS,在分割精度与时序一致性上超越现有基线。
针对潜在扩散模型在人体动作生成中面临的重建与生成质量权衡问题,本文提出 Diffusable Motion Tokenizer (DiMoT)。该方法通过 Critic Spectral Adaptation (CSA) 抑制高频率潜变量能量以改善文本条件化优化,并利用 Alpha-Flow Motion Decoder (AMD) 进行平均速度预测以实现高效的一步解码。
该工作提出仅使用面部 landmarks(478 点)和 blendshapes(52 系数,ARKit 标准)的轻量级隐私感知流程,消除原始视频存储。在 CREMA-D 和 RAVDESS 数据集上训练的六款架构,相比 ImageNet-pretrained ResNet50 基线,在未见过主体上参数少 12-124 倍且对悲伤等细微表情更鲁棒。
论文提出 SNAP 标注流程,利用冻结的 SAM2.1 基础特征和每项目专用的 SnapHead 头,仅需少量标注即可拟合特定项目的类别边界。实验显示,在显微成像任务中,SNAP 在 Cohen's kappa 为 0.754(60 张标注图)时远超 SAM 3 的 0.038;端到端评估中,SNAP 在五项目中 F1 达 0.484,优于调优后的 SAM 3 oracle。
针对渲染保真度无法区分不同编辑能力的局限,研究提出 Pass@k 指标以评估 k 次点击内选定对象完成规定编辑的成功率。在包含设计师手绘的四个参考集上,635 项编辑任务中多形状组合部分在 Pass@1 下的失败率达 64%-88%,显著高于单形状部分的 6%-40%。研究验证了高保真度不保证高可编辑性,且特定诊断指标与设计师工作努力程度相关。
V2C-Edit 提出一种免训练、由视觉语言模型引导的自适应速度控制框架,通过指令级相似度动态选择耦合策略以解决源锚定过强导致的零编辑问题。在 MagicBrush 和 PIE-Bench 数据集上,该方法基于 FLUX 与 Stable Diffusion 3 模型运行,相比 FlowEdit 显著提升了指令对齐度并保持结构保留能力。代码已公开,相关研究待 WACV 2027 提交。
REFORM-3D 提出一种表征中心的评估框架,用于在获取鲁棒性、跨模态解剖对齐及解剖转移三个维度上评测冻结的 3D 医学视觉基础模型。该框架引入 Med3DINO 编码器家族,其在 62.6K 未标注 MR/CT/PET/CTA/CBCT 体积数据上预训练,验证了各模块特异性优势而非单一模型排序。
针对 Mamba 架构在三维医学图像分割中计算量大的问题,研究提出通过知识蒸馏将 1.39 亿参数的 SegMamba-V2 教师模型压缩为约 0.96 百万参数的小学生 TinyUNet3D。
GMD-Mamba 提出一种将输入通道分组并在单遍中沿不同方向展平的扫描机制,仅在深层编码器使用 Mamba 架构。该模型在 BraTS2023 数据集上以约七分之一 SegMamba-V2 的参数量(19.2M),实现了 92.0% 的平均 Dice 系数和 2.7 的最低 HD95 指标,同时在 MSD Spleen 数据集上也展现出竞争力。代码与实现细节已公开提供。
针对传统哈希匹配无法识别未知儿童性虐待材料的挑战,本文分类综述了实时音视频分析、内容分类打标及行为监控三类 AI 技术。实验对比 Google Cloud Vision AI 和 Sightengine 在色情内容分类及青少年年龄估计上的差异,指出后者存在显著局限并强调 AI 仅能作为辅助工具而非最终判定依据。
该基准对比了 8 种自然图像预训练编码器(如 ResNet、CLIP)和 10 种医疗专用骨干网络在 ADNI 及 PPMI 数据集上的年龄、性别预测与疾病分类任务。结果显示,2D 自然图像预训练模型表现优于基于超 10 万脑 MRI 体积训练的 3D 模型,揭示了 3D 医学影像表征学习的挑战。研究代码已开源于 GitHub。
针对超高分辨率(UHR)遥感视觉问答中在大场景下定位细粒度证据的挑战,本文提出 EarthJev 框架。该框架将区域评分与答案生成分离,利用空间指针验证器引导探索或跳过搜索,并通过轻量级头部对冻结表征的候选视图进行批量打分。
推荐理由:提出 EarthJev 框架,通过分离区域评分与答案生成及冻结回答模型,在超高分辨率遥感问答任务中显著降低延迟并提升准确率。
针对少样本细粒度视频动作识别难题,本文提出 Motion-aligned Temporal Adapter(MATA),这是一种基于冻结 CLIP 主干的参数高效适配器。该方法通过可学习的时间位置嵌入实现时序相位对齐,并利用深度卷积作为局部运动过渡算子,仅约 360 万可调参数即可在多个基准上达到最先进水平,同时对视觉干扰和帧缺失具有鲁棒性。代码已开源,论文已被 WACV 2027 接收。
该研究提出两阶段架构,先用卷积神经网络分类筛选受损图像(准确率 98%),再经目标检测层定位划痕、凹陷等缺陷(mAP 0.5)。论文采用迁移学习统一模型以适配多场景,虽 mAP 指标看似偏低但已讨论原因。代码与数据许可状态待 arXiv 注册确认。
QGDL-Net 通过可学习质量门控机制优化编码器特征,在 BraTS 2021 数据集上实现 Dice 0.9747、IoU 0.9506 等指标,优于 U-Net 和 Attention U-Net。
本文提出 SurvAD 方法,揭示了扩散生成过程中异常信号随噪声衰减的指数级生存规律,并证明该泄露现象源于暴露偏差。作者通过在推理起点微调重构器并引入残差图证据比较器,在 MVTec AD 和 VisA 基准上分别将 DeCo-Diff 的多类像素平均精度(P-AP)从 76.8% 提升至 80.7%,从 57.5% 提升至 60.0%。
SD-ViT 通过随机深度监督让 ViT 每层块均产出判别性嵌入,在仅用一半计算成本下恢复超 96% 全深度性能且无需修改参考画廊。该方法保持的识别精度与常规全深度训练骨干网相差不到 0.4 IJB-C 分点,单阈值即可从四分之一深度起沿用。该成果已作为预印本接受于 WACV2027,代码与权重暂未提及开放许可。
针对视觉语言模型推理时感知噪声干扰问题,作者提出 QCVS 方法,通过双差分激活探测隔离任务特定方向,利用双阈值门控机制仅在必要时更新隐藏状态。在 Qwen3.5 和 DeepSeek-VL2 上的实验显示,该方法在稀疏覆盖下实现最高约 13.98% 的修复率,同时将副作用降至 0.41%,无需真值监督即可提升多模态推理准确率。
推荐理由:提出无需真值监督的推理干预方法,在稀疏覆盖下实现高精度修复与低副作用。
论文介绍 P-IMLA,一种针对高维对数凹目标且含非光滑正则化的预条件隐式中点朗之万采样器。该方法利用 Cayley 变换消除预条件欧拉 - 马鲁雅玛方案的方差膨胀问题,实现任意步长下的高斯精确性;通过白化将收缩率转移至有效条件数,并在显式平滑假设下仅保留漂移偏差而非欧拉型扩散偏差。实验在受控的高斯和总变差正则化成像任务中验证了该方法能消除随条件数增长而出现的长暂态现象,保持方差精确性。
该论文提出利用视觉语言模型(VLM)构建“合成购物者”,在购物篮层面复现了真实家庭在不同国家的消费模式,并在货架选择层面发现并消除了位置与标签带来的干扰效应。作者引入了 ShelfSight 基准平台,通过独立渲染产品、位置和价格来分离偏好与回答效应,使 VLM 能像预算型消费者一样对价格和陈列做出响应。
ReelCache 是一种针对多轮长视频生成的 KV cache 压缩系统,结合片内低秩分解与片间树状状态管理。实验显示该系统在五种视频模型上将 KV 存储减少 14.46-21.13 倍,加速下一片段生成 1.25-3.36 倍,且 VBench 指标下降小于 1%。代码开源于 GitHub,论文为 arXiv 预印本。