T2I-NSI 基准:揭示文生图模型难以抑制被否定概念的现象
该文发布 T2I-NSI 基准与度量指标,用于评估文生图扩散模型对文本中否定概念的敏感度。研究包含超过 75 万配对提示词原子及 91 万张图片,发现开源权重生成器 NSI 分数低于 0.038,而 GPT-Image-1.5 和 Gemini-2.5-Flash-Image 约为 0.09。
该文发布 T2I-NSI 基准与度量指标,用于评估文生图扩散模型对文本中否定概念的敏感度。研究包含超过 75 万配对提示词原子及 91 万张图片,发现开源权重生成器 NSI 分数低于 0.038,而 GPT-Image-1.5 和 Gemini-2.5-Flash-Image 约为 0.09。
HMMF-Net 提出分层双向信使跨模态融合机制,结合视觉分支与声学分支实现鱼投喂强度评估。在 AV-FFIA 数据集五折交叉验证中,该模型达到 96.77% 准确率、3.987M 参数量及 11.54 ms 推理延迟。部署于 NVIDIA Jetson Orin Nano 边缘平台时,相比最佳视觉配置将分类误差降低 28.38%,有效解决了单模态易受干扰及多模态计算量大的问题。
LAAS-GEPETTO 团队发布开源单图人体网格恢复模型 InstantHMR,基于 Momentum Human Rig 参数化模型并在 SAM 3D Body 数据集上训练。
针对音视频分割任务中单模态语义不完整及跨模态语义差距大的挑战,本文提出 BYOAVP 框架。该方法设计自监督音频增强模块以对齐音频表示与视觉嵌入,并开发动态原型约束模块利用动量更新优化像素级类别感知与定位能力。实验表明该框架在两个基准数据集的六个子任务上均达到最先进性能,展现出强鲁棒性与泛化性。
针对 LiDAR 点云稀疏非欧几里得特性导致语义与域风格混淆的问题,提出 FIND 框架,利用 B-Spline 拟合构建局部自适应滤波器,在双流架构中分离域不变内容与域特定干扰。实验表明该方法在跨数据集适应和鲁棒性基准上显著优于现有最先进方法。代码已公开。
DINO-Nucleus 提出一种参数高效框架,利用多级别自监督 DINOv2 表征实现显微镜图像中的细胞核实例分割与计数。该模型联合预测区域、像素流及中心点,并通过轻量级 LoRA 模块适配预训练骨干网络以降低成本。实验表明,该方法在保持参数效率的同时,实现了强力的分割与计数性能。
TouchAnnotator 是一个仅依赖第一人称视角的双手触觉标注器,通过多源触觉监督(手套压力、几何接触、机器人指尖形变)与特权视角蒸馏技术进行训练。该方法在 EgoTouch 等数据集上评估,实现了从有手套到裸手及机器人形态的零样本迁移,并在时序准确性和体积交并比指标上取得提升。
AttrEcho 框架通过区域对齐视觉属性融合(RAVF)与特征令牌聚合(FTA),解决预训练编码器细粒度细节不足问题。在 THINGS-EEG 数据集上,该模型实现受试者内 200 路检索 Top-1 准确率 94.8%、图库扩至 1600 张时保持 82.1%,跨受试者检索 Top-1 达 25.3%。研究证实显式视觉属性与空间对齐融合对细粒度 EEG 图像检索至关重要。
论文 CoMET 针对车端传感器无法观测而路侧传感器可观测的车辆,提出了一种无需训练参数的共享平移误差追踪方法。该方法在决策时刻仅利用可用信息,通过匹配互为最近邻的检测对来估计偏移量并更新卡尔曼滤波,从而修正所有路侧检测框(包括车端未见的目标)。
针对机器学习二值分割模型置信度不准的问题,该方法利用空间依赖性改进理论界,在医学影像等高 stakes 应用中实现形式化校准保证。实证表明该后处理校准器满足推导的保证条件,且优于现有同类方法。
BayesCrop 提出一种基于双分量空间各向同性高斯混合的实时概率框架,通过锚点传播策略在压缩视频流中实现高效处理。实验显示该模型在 LIVE-YT-MC 等基准上达到 112 FPS 吞吐量,兼具高分辨率定位与多裁剪参考覆盖能力。论文已获 WACV 2027 接收,源代码计划公开。
该论文提出 Trajectory Forcing (TraF) 方法,解决固定长度视频扩散模型向更长或流式视频扩展的问题。与仅使用前序预测块作为上下文不同,TraF 利用前序视频块的完整去噪轨迹作为条件。
推荐理由:TraF 利用去噪轨迹作为上下文,在长视频生成任务上优于现有自回归扩散方法。
针对长视频问答中多模态大模型面临的全局覆盖与局部细节权衡难题,该研究提出 AdaAlloc 框架。该方法无需训练即可在推理阶段自适应分配视觉令牌,结合全局概览与高分辨率局部证据,通过时序定位构建紧凑记忆并控制采样密度与分辨率。
针对视觉语言模型的测试时适应问题,本文研究了介于无监督与全监督之间的中间部署模式。作者提出 ACTOR 模块,这是一种无需训练的插件,能在预测当前样本后利用稀疏的查询标签进行保守复用,通过一致性检查路由不确定的样本。该方法在十个跨域基准和 ImageNet 迁移基准上均提升了 ResNet 和 ViT 骨干网络的表现,且推理开销可忽略不计。
GlobalPuzzle 提出一种整合全局画布级评估、动作引导与遗传搜索的拼图重组框架,旨在通过全局视觉信息解决因边界侵蚀导致的相邻关系模糊问题。在 GAP 基准测试中,现有方法在 $5 \times 5$ 拼图上的完美组装准确率仅为 0.3%,而人类表现显著更高。该工作包含 22 页论文及 16 张图示,属于计算机视觉与人工智能领域的预印本研究。
论文提出了 Emo-LiveSync 框架,基于 LivePortrait 构建,通过从预训练视频到运动模型蒸馏知识将音频信号对齐至隐式运动空间,实现高保真且实时的口型生成。该方法引入表达控制门以显式操控情感表达,并自然泛化到风格化角色及非人类实体。实验表明其在视觉质量和口型同步精度上达到最先进水平,同时保证实时推理能力。该工作已接受发表于 BMVC 2026。
UniRGBA 提出一种无需专用 Alpha 编码器或复杂潜在空间重构的统一框架,通过零初始化通道扩展及六项渐进式重建损失实现 RGBA 生成。该方法将标准 DoRA 应用于预训练 DiT,复用四通道潜变量且不做 Alpha 特定架构变更。
针对长互联线与噪声干扰导致传统频域读取不准的问题,该方法通过拟合时域观测模型直接确定电阻值。仿真显示在 16x16 阵列中均方根误差降低 20%,千次试验验证下均值与标准差分别减少 24.6% 和 77.6%。研究已获 IEEE Sensors 2026 接收,代码与数据开放许可待注册。
ProtoCouncil 引入 MedSAM、DINOv3 和 V-JEPA 2.1 三个基础编码器,在微超声层面学习整体腺体等三级解剖原型以支持可追溯决策。该模型在五折交叉验证中达到 82.9% AUROC,零样本外部测试优于既往方法,且通过编码器分歧机制将不可靠预测的平衡准确率提升 7-15 个百分点。
OmniLatent 是一个用于 3D 部件分解的统一潜在建模框架,旨在解决现有流程作为后处理步骤对几何伪影和纹理模糊敏感的问题。该模型通过学习共享潜在空间,联合编码几何、形变、外观和二值部件 ID,利用数据丰富的几何与视觉先验支持数据稀缺的部件学习。
针对人脸防伪造推理缺乏规则可验证真值的问题,该方法利用接地感知法官奖励在 CoT 监督微调后优化模型,将图像本身转化为验证信号。实验显示,该方法在 LCC-FASD 和 MSU-MFSD 基准上将 ACER 分别降至 0.273 和 0.409,同时保持 CelebA-Spoof ID 准确率稳定,优于 ResNet-50/101 及 CLIP-ViT-B/16 基线。
Frontier3DBench 是一个统一的基准,包含 145 个任务,覆盖物体、场景和交互式开放世界三个维度的创建,联合评估外观、结构和行为。实验涉及 11 种模型 - 封装配置,结果显示 GPT-6.1-sol 在物体和场景层级领先,整体得分最高为 66.02/100;GPT-6-astra 在交互式世界构建中表现最佳。
本文提出一种范式,独立变化图像内容与注入的概念方向,测试视觉语言模型能否区分所见图像与注入思想。实验显示,在六种 VLM 中仅有 Gemma-3-27B 能可靠识别注入概念,但报告来源仍不稳定;强注入或视觉路径激活常被误报为看见,且真实照片中注入物体出现在高达 87% 的普通描述里。该研究强调评估多模态自我报告需同时检查内容及其声称的来源。
推荐理由:该研究揭示了多模态模型在区分注入概念与真实图像内容时的脆弱性,指出仅凭生成文本无法可靠评估其内部状态。
该研究针对多模态大模型在图表计数任务中混淆视觉密度与算法难度的问题,设计了基于跨度树和简单路径的复杂度孪生测试集。实验表明 Gemini 等模型主要受答案数值大小而非计算复杂度影响,且存在单视图漏检水平边的阅读瓶颈;提供代码转录后,结合旋转副本读取可将大网格精确计数率从 59%提升至91%。
针对联合嵌入预测架构(JEPA)难以清晰捕捉物体形状与边界的局限,本文提出 LEF-JEPA 方法。该方法通过目标引导的潜在恢复学习空间结构,并利用相对能量约束将监督转移至视觉编码器;能量模块仅在预训练阶段使用,推理时无额外开销。
推荐理由:提出 LEF-JEPA,通过目标引导的潜在恢复与相对能量约束增强空间结构,在 CIFAR-10 预训练及冻结编码器评估中优于 V-JEPA2.1。
针对现有指代多目标跟踪(Refer-MOT)主要局限于单相机设置的问题,本文正式提出 Refer-MTMCT 任务,并构建基于 CityFlow 数据的 Refer-CityFlow 基准数据集。
RACE-Triage 框架在 ISIC 2018 和 BUSI 数据集上,将非边界区域漏报错误比例从平均 31.8% 降至 19.3%,同时将尺寸过滤假阴性组件召回率从 0.722 提升至 0.818。该方案在 PH²外部集需经 100 张局部图像重新校准方可达标,且警告区域均值增加 1.6 个百分点。研究已提交至 BSPC 会议,代码与权重暂未开放。
本文提出 MetricPose,这是一种预测相机坐标系下度量准确的人体关节位置的 3D 人体姿态估计器。该方法通过结合 RGB 先验、直接深度测量和环境几何约束(如地面接触)来降低单目图像中的尺度与距离歧义。
论文 MESAM 旨在利用 Segment Anything Model 2 (SAM2) 解决少样本分割任务中支持集与查询图像外观差异大的挑战。研究提出 Memory-Enhanced SAM2 方法,首先引入语义 - 视觉记忆生成模块构建查询语义、前景视觉及支持自适应记忆,随后通过交互式语义记忆细化模块补充细粒度细节并抑制背景误激活。
推荐理由:针对 SAM2 在少样本分割中因外观差异导致记忆匹配失效的问题,提出通过语义 - 视觉记忆生成与交互式细化模块提升性能。
该研究利用无人机采集数据并标注牛头与牛背类别,评估 YOLOv8 small 模型在 NVIDIA RTX 5060 Ti GPU 上的推理性能,达到 2.7 ms/帧的延迟和 84.30% mAP50 精度。结合 SAM 分割与几何指标(RMSD、CV),系统成功区分了饲喂槽内牛群的规则与非规则空间分布模式,为精准畜牧养殖提供客观评估工具。
Shilong Han 和 Hongxia Wang 提出了 FANO(Anchored Forward-Noise Optimization)方法,旨在解决预训练扩散模型在图像逆问题中直接优化去噪器输入 $x_t$ 时出现的径向漂移现象。
推荐理由:针对退火去噪器输入径向漂移问题,提出锚定前向噪声优化方法,在保持分布结构的同时提升非线性逆问题的重建性能。
针对鱼眼镜头效应和分析器不完美导致的偏振测量退化问题,作者提出了一种联合镜头 - 分析器校准方法,通过统一八参数公式显式建模入射角依赖的镜头透射率。该方法仅需手持户外序列即可估计相机帧间旋转并实现偏振校准,无需专用设备或预设天空模型。
推荐理由:提出了一种仅需手持户外序列即可完成鱼眼镜头偏振校准的方法,无需专用设备或预设模型。
Ca2REAL 框架利用单只小鼠 7,863 个 V1 神经元测量响应,通过布局与语义控制条件化预训练视频扩散模型,实现自然电影片段重建。该框架在独立测试集上达到 81.4% 的全对刺激识别准确率,显著优于确定性基线并在感知与语义指标表现更佳。研究还验证了其在由 116,705 个神经元组成的虚拟群体中的有效性,证明大规模皮层活动能约束视觉体验的空间、语义及时间结构。
针对越南农业数字化转型,该研究利用 YOLOs 模型通过果实图像识别番石榴的重大病虫害。论文提交于 2026 年 11 月 6 日,属于计算机视觉与模式识别领域,旨在探索 AI 技术在作物监测中的整合应用趋势。
GeoJeV 提出一种免训练方法,将遥感图像证据采集转化为由空间概率驱动的决策过程。该方法在 LRS-GRO、MME-RealWorld-RS 和 LRS-VQA 基准上分别达到 60.59%、52.79% 和 34.32% 的准确率,使 Qwen3-VL-8B 平均准确率提升 5.32pp。相比近期方法,GeoJeV 推理速度提升 7.8 倍,每问仅增加 1.12 秒耗时。
针对烟雾、黑暗及隐私敏感环境下的机器人感知需求,本文提出将人与环境视为时变散射场的统一框架,并推导了基于带宽、孔径、信噪比等参数的联合定位误差理论下限(Cramer-Rao 型)。研究利用现有帧融合、多视角和姿态估计方法作为探针验证该理论,实验表明增加第二视角可将关节平均位置误差从约 97mm 降至 65mm,而更强估计器主要通过补全无法解析的关节来降低整体误差。
推荐理由:该文建立毫米波雷达人体感知的误差理论下限,并通过实验验证不同策略对误差的影响方向与幅度。
Align3D 是一个条件扩散模型,能根据单张输入照片生成既忠实于图像又符合物理规律的室内三维布局。该模型在 3D-FRONT 数据集上优于近期基线,通过置信度校准的场景图与可观测性感知引导,实现单次前向传播即可映射未见过的照片至布局。
该论文研究了部分遮挡(特别是伪装类遮挡)对人类和计算机视觉物体识别的影响。实验对比了 CNN 与 Transformer 模型,发现人类和大多数 Transformer 受生成的场景伪装遮挡负面影响较大,而经典 CNN 在纯色遮挡下表现最差,表明上下文相关颜色有助于识别。
论文提出 MS-pDiT,这是一种多尺度像素空间扩散 Transformer,它将空间尺度作为新的架构维度,通过专用流处理不同尺度的图像块并利用紧凑的联合注意力实现双向跨尺度信息交换。
针对真实相机 -LiDAR 系统中 LiDAR 覆盖不足的挑战,该研究提出了一种仅利用原始单扫描 LiDAR 稀疏监督的深度补全方法,无需密集深度标签、LiDAR 累积或伪 LiDAR 生成。该方法结合冻结的单目深度基础模型与轻量级帧对齐模块,并通过高频法线一致性损失进行正则化,在超越 LiDAR 覆盖的区域实现了较强的深度精度,同时在覆盖区域内保持竞争力。