Propose & Verify:基于谐波场的快速反射对称性检测
arXiv 发布了一篇关于 3D 形状反射对称性检测的论文。作者提出无需训练的 FAST 框架,结合几何对投票与高效谱计算,将搜索空间从候选平面缩减至平面朝向。利用 Funk-Hecke 定理在球谐域进行平滑处理,实现了低于 4ms/形状的 GPU 推理速度,在多基准测试中 F1 分数最高(0.861 和 0.947),且对几何噪声具有强鲁棒性。
arXiv 发布了一篇关于 3D 形状反射对称性检测的论文。作者提出无需训练的 FAST 框架,结合几何对投票与高效谱计算,将搜索空间从候选平面缩减至平面朝向。利用 Funk-Hecke 定理在球谐域进行平滑处理,实现了低于 4ms/形状的 GPU 推理速度,在多基准测试中 F1 分数最高(0.861 和 0.947),且对几何噪声具有强鲁棒性。
针对现有可解释 Vision Transformer(ViT)因自注意力机制导致局部特征吸收全局上下文而缺乏忠实性的问题,本文提出一种将图像表示为孤立部分图的分类器。
针对高分辨率激光雷达在线处理效率低且缺乏资源约束的问题,作者提出了 Pelorus 方法。该方法采用固定容量的体素化法线分布地图和迭代等变状态估计器,通过基于相关性的驱逐机制限制内存占用,并利用成熟度加权的地图更新抑制不一致观测。
推荐理由:Pelorus 提出资源感知的激光雷达惯性里程计方法,在固定内存容量下实现低 CPU/GPU 负载,并开放 CUDA、Vulkan 及 Metal 后端代码。
论文提出 Kolibri 方法,利用几何细化机制将机器人定位问题简化为仅寻找房间位置(Place),由图网络处理颜色与局部形状特征确定具体姿态(Pose)。该方法在 ScanNet 未见过房间测试中表现优异,单帧推理耗时 82ms,显著快于传统 GeDi 方法,且无需房间标签即可工作。
TinyWOD 是首个针对 1.5-2.0 km 高空开放水域搜救场景的微小目标检测数据集,包含 11,359 张标注图像及 19,505 个实例。该数据集平均等效边长为 12.7 像素(76.96% 低于 15 像素),填补了现有数据集不支持高空自动检测的空白。研究通过定义 APtiny 指标验证了主流网络在该场景下的有效性,支持相关算法研发。
arXiv 论文《Pixel is All You Need》系统研究了纯像素空间生成模型(无文本 Token)的推理能力。研究发现,现有视觉生成模块在缺乏底层文本模块支持时无法进行符号推理;而从头训练的纯像素模型能直接在画布上阅读问题、书写中间步骤并输出答案,表现出类似大语言模型的标量行为与规模定律。该研究还验证了单画布共享机制使模型具备跨模态推理能力,且强化学习后训练进一步增强了其推理性能。
推荐理由:该研究在纯像素空间训练生成模型,发现其具备类似大语言模型的推理能力与跨模态共享画布特性。
该研究提出 Visual Harness(\óurs),一种为通用视觉语言模型(VLM)配备交互式视觉工具与系统性诊断证据管理的医疗视觉 harness。通过该架构,通用 VLM 可交互探索医学影像并逐步获取诊断证据,这些证据在无损记忆中保留以供后续检索使用。
NexSight 提出一套用于评估和训练智能体长视频理解的框架,通过 SightForge 管道仅接受能被独立证据重构且无反例的任务,构建了 310 个可追溯任务的 SightLine 基准。该研究展示了在少量示例下微调模型能显著提升交互准确率并引入显式空间检查能力,同时指出当前最强模型在无辅助证据时表现仍有提升空间。
ForceBody 是首个将地面反作用力与逆动力学关节力矩引入参数化人体表示的数据集,包含 140 名受试者共 10,386 次动作尝试(9.7M 帧、26.9 小时)。
推荐理由:ForceBody 数据集首次将地面反作用力与参数化人体模型结合,并附带关节力矩不确定性标注。
该论文提出 Perception-Question On-Policy Distillation (PQ-OPD) 框架,利用训练期的感知问题(PQs)引导视频描述智能体主动探索关键视觉证据而不泄露答案。
GaussianMamba 提出双分支 Mamba 框架,利用各向异性高斯支撑和特征语义亲和性优化 3D 高斯原语的遍历顺序。该方法在 nuScenes-SurroundOcc 和 SSCBench-KITTI-360 数据集上,IoU 与 mIoU 指标均优于 GaussianFormer 及 GaussianFormer-2。
针对循环视觉语言模型(VLM)重复处理长序列导致的计算与显存开销问题,论文提出免训练的 LoopZip 压缩算法。该方法通过构建紧凑候选池、跨调用选择及权重绑定值修正,有效保留关键信息并减少输出偏差。实验表明,在 LoopVL-1B 上,50% 剪枝比下保留原模型 97.16% 性能,87.5% 剪枝比下超越最强基线 5.36%,显存占用降低约 58%,端到端推理速度提升 2.01-2.47 倍。
SlopeGuard 结合光谱斜度与语义特征,在 AIGCDetectBench、GenImage 和 AIGIBench 基准上分别达到 97.5%、97.8% 和 85.1% 的平均准确率。该方法在模糊、裁剪及噪声干扰下保持竞争力,解决了现有频率方法过度拟合生成器特定伪影的问题。研究论文已提交至 arXiv (arXiv:2611.22727),代码与权重开放许可情况待进一步确认。
ConserveEdit 提出一种编辑器无关的控制器,将每次细化步骤视为针对源图像的合约交易,确保授权区域外像素位精确且独立限制漂移。在冻结 Qwen-Image-Edit 模型上,该方法使 DINO 相似度从 0.67 提升至 0.85;相比直接编辑,其受约束成功率由 23% 升至 53%,模拟器中更达 61.8%。代码与日志即将发布,但自动定位仍是主要瓶颈。
该研究探讨了在模拟移动平台上,基于文本视图训练的 GUI 智能体为何难以迁移到截图视觉输入的问题。作者发现阅读器的误读具有系统性且重复出现,单纯匹配噪声的仿真到现实补救无效。通过仅在阅读器层面进行对齐微调(reader alignment),使其输出与截图对应的文本视图,策略无需重新训练即可在未见任务实例上达到 80.9% 的全任务成功率,显著优于将相同预算用于直接训练策略的 55.6%。
PCRG 是一种无需训练的视频生成插件,利用 VAE 潜空间冗余度与视觉语言模型重要性信号将参考 Token 分为剪枝、缓存或保留三类。
在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。
推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。
该论文介绍 Social Signal Bench,包含 25 小时视频和 22 小时音频的密集标注数据集,涵盖十种社会信号与六种信号。基准提供公开训练集(含专家标注与伪标签)及私有测试集,并推出 Evidence-Weighted F1 (EW-F1) 指标以区分语义相关错误。实验显示基于该基准微调的 7B 开源模型在视频任务上超越通用前沿模型,音频任务表现相当。
针对未对齐 RGB 引导超光谱超分辨率缺乏大规模真实基准的问题,作者提出首个包含 403 个室内外场景的双相机数据集 DUET,并给出 TANGO 方法。该方法先通过端到端全局对齐补偿跨相机位移,再经粗细粒度局部特征对齐修正不一致性,并利用学习门控机制衰减无法匹配的 RGB 引导。
论文指出 I-JEPA 存在语义学习增强伴随 3D 几何表征退化的问题,归因于对缺乏完整空间上下文的高度抽象潜在表征进行预测。为此提出 CascadeJEPA,利用全网格上下文编码和预测阶段间的交叉注意力机制促进更丰富的块级交互。实验显示该方法在多个 3D 几何任务上优于 I-JEPA 且保持强语义识别能力,并展现出对未来特征预测和世界模型规划的潜力。
FVScore 通过编译显式命题与隐式约束,利用感知工具及线性时序逻辑算子对视频生成进行可解释性评估。在包含多事件的公开基准测试中,该框架在人类相关性上优于现有整体判断或智能体基线,并仅保留具有感知显著性的违规以校准报告。项目页面已提供,代码与权重许可状态待进一步确认。
该论文提出一种三模态驾驶世界模型,旨在联合预测 RGB、热成像和 LiDAR 三种传感器的下一帧数据,以应对恶劣天气挑战。研究基于 DSERT-RoLL 数据集中的真实恶劣天气序列进行后训练,将 LiDAR 表示为与 RGB 相机对齐的深度视频,并通过模型的视频分词器优化稠密化与编码策略。
CHORD 是一种无需偏倚监督的多视图框架,利用类内分区代理候选偏倚,在视觉、语言、语音及医学成像等七个基准上提升了最弱势群体准确率。代码与检查点已公开,论文处于审稿中,解决了单一表征证据不全或含噪导致的模型失效问题。
SpatialCast 是一个利用投射阴影评估模型连接物理场景条件与视觉观察能力的基准,包含 21,000 个合成问题和 200 个真实场景问题。评测显示闭源多模态大语言模型优于通用开源权重及空间推理专用模型,后者在合成基准上表现接近随机猜测。研究还利用该数据对 GRPO 进行后训练,提升了开源模型性能并验证了其在外部空间基准上的迁移能力。
Unified Residual Translator(URT) 将固定通道映射与学习残差预测分离,在 MRI、可见光至红外及 SAR 转光学等六类任务上均优于基线。
OmniTongue 是首个针对中医舌诊的细粒度视觉问答基准,整合了 1351 张专家验证图像与 21616 条指令对。该基准涵盖 16 个临床维度、区域特异性标注及 66 个精细标签,旨在评估多模态大模型在中医领域的真实理解能力而非统计捷径。现有模型在该基准上表现不佳,暴露出缺乏领域优势与过度依赖统计技巧的局限。
针对现有 AI 生成图检测器依赖生成样本导致泛化差、对非真实性特征敏感的问题,论文提出 SaySee 这一免训练检测方法。该方法通过成对描述构建生成方向并投影评分,同时利用真实图像校正格式与内容引起的偏移。在涵盖标准基准及最新生成器的 24 个评测集上,SaySee 平均 AUC 达 98.2%,优于现有最佳方法 4.2 个百分点。代码将开源。
论文提出 REVEAL 统一扩散框架,利用用户文本查询驱动开放词汇分割获取可见掩码,并通过光流将前帧可见内容传播至遮挡区域以提供形状先验,同时用文本约束纹理重建以保持视觉连贯性。作者贡献了 LAVAT 基准数据集用于评估重度遮挡下的视频非遮挡完成任务。实验表明该方法在现有基准上达到最先进性能且保持长序列时间一致性。材料为 arXiv 预印本,已接受 TMLR 发表。
推荐理由:提出 REVEAL 框架,结合光流与文本引导解决视频非遮挡重建难题,并开源 LAVAT 基准。
OVET-Consensus 是一种在保持时序专家排名列表默认不变的前提下,仅允许高置信度策略对排名第一进行覆盖的验证层。该方法结合父区间证据、Qwen3-VL 判断及 VideoLLaMA3 信号,在 QVHighlights 数据集上将 [email protected] 从 64.71% 提升至 65.35%,mAP 维持在 42.74%。
Anchored Residual Flow 利用免费 Sentinel-2 影像,在连续美国 69 个生态区实现 0.5 米精度树冠高度合成。确定性回归器 Anchor 仅用卫星输入即达 2.83 米 MAE,条件流匹配模型 AR-flow 将切片 Wasserstein 距离降至 0.208 但 MAE 升至 3.68 米。
针对现有 grounding 专家对指令变化敏感、生成式 VLM 难以完整恢复目标的问题,该研究提出 VLM-guided Grounding Expert(VGE),通过逐层联合注意力机制将冻结 VLM 的上下文表征与可训练的空间预测能力结合。
针对相机重访已知场景导致物体重复计数的难题,该研究提出 PlaceTally 模型,这是一种无需预先知道目标类别的测试时记忆模型,能为每个视频构建地方图。模型将视频片段与最佳早期匹配的地方合并或开启新地方,利用冻结的视觉语言模型从最多 128 帧中计数每个地方一次,确保输入有界且内存随地方数量增长,建图速度为实时速度的 15 倍。
Gradient-guided Random Search (GRS) 提出一种针对像素稀疏攻击的鲁棒性防御方法,在 CIFAR-10 与 ImageNet 模型上表现优于或持平于 sparse-AutoAttack。该方法仅需一次前向与反向传播,运行速度比 sAA 成员快 3.7 至 5.0 倍,且无需依赖集成测试即可有效抵抗局部搜索攻击。
SemGeo 是一种高效的视觉定位框架,利用单个网格 token 进行粗略定位,并通过几何解码器并行恢复精确坐标。该方法引入高斯软标签联合训练提议生成与定位,强化后训练缓解教师强制训练与推理间的差异。
论文指出视觉语言模型(VLMs)作为零样本图像质量评估器时,其好坏判断与人类意见仅中度一致。层探针实验表明,图像质量信息在视觉编码器和最后一层语言层中均可线性解码,偏差主要源于最终输出层的读取机制,该层过度奖励色彩丰富度而低估清晰度。
在 AudioFuse 模型中,尽管融合得分表现强劲,但频谱图分支因训练失衡而未被使用。研究提出包含删除分支、线性探测及单视图训练的三部分诊断方案,证实该架构单独训练 AUC 超 0.9 却存在早期优化不平衡。此现象仅在 PhysioNet 数据集观察到,ICBHI 或 CirCor 上未完全满足诊断标准,建议报告分支删除与未训练对照探针以验证各分支有效性。
论文提出 Fast Training-Free Low-Light Video Enhancement with a Frozen Image Diffusion Prior,在无需低光照训练数据和重新训练新相机的情况下增强低光照视频。
FPF-DM 分解方案通过测度变换将状态依赖乘性噪声纳入粒子权重,恢复多项式形式泊松方程以支持闭式增益计算。该方法在四元数和对偶四元数流形上实现,10 个粒子的仿真验证其在 4D 姿态跟踪与 8D 点云配准任务中优于基线滤波器。该预印本论文未开源代码或权重,仅作为非线性滤波新理论提出。
该技术提出一种基于半透明三角形的场景表示方法,通过推导三角形泼溅窗口在像素上的精确闭式解实现抗锯齿。该方法无需重新训练即可消除现有模型的严重混叠效应,相比 2x2 超采样展现出更少的时域混叠并支持多尺度训练。实验表明其在降低分辨率下能匹配或超越超采样训练效果,且仅剔除无法达到渲染器 alpha 截止值的三角形以优化性能。
该论文针对高光谱图像(HSI)和激光雷达数据中模态特征判别可靠性空间变化未被显式建模的问题,提出了 ReDF 框架。该方法通过类原型库量化各位置特征的可靠性,利用估计出的可靠性构建加权共享表示并指导基于邻域一致性的双向跨模态特征修正,进而自适应调整融合表示中各模态的贡献度。在三个公开数据集上的实验表明,其整体准确率和 Kappa 系数均优于对比方法。