Federated training performs as well as centralized for 3D Latent Diffusion for Diagnosis-Conditioned Brain MRI Synthesis
联邦学习在诊断条件脑 MRI 合成任务中,其生成的三维潜在模型性能与集中式训练相当。研究验证了条件保真度、多样性及真实感三项指标,证明在不共享数据的前提下开发多站点生成模型是可行路径。该工作为理解脑部状况及丰富稀缺神经影像数据提供了新的方法支持。
联邦学习在诊断条件脑 MRI 合成任务中,其生成的三维潜在模型性能与集中式训练相当。研究验证了条件保真度、多样性及真实感三项指标,证明在不共享数据的前提下开发多站点生成模型是可行路径。该工作为理解脑部状况及丰富稀缺神经影像数据提供了新的方法支持。
AtariBench 基准测试针对 20 款雅达利 2600 游戏,揭示当前顶尖视觉语言模型(VLM)在动态环境中存在感知物体运动困难、序列决策脆弱及过度依赖文本历史等局限。
FishSense Lite 利用休闲潜水相机、激光笔及 3D 打印支架,通过图像中光点位置推算鱼距并计算体长。该系统在七次公开水域潜水中对 73 种野生鱼类进行采集,与立体成像系统对比无偏差(均值差 +0.8%),刚性目标恢复误差小于 1.3%,99% 帧落在 15% 误差预算内。研究提出现场协议:每次潜水校准、拍摄角度垂直于鱼身且距离超 1 米、每鱼至少采集十张图像。
eSharp 是一个针对事件相机的单目深度估计(MDE)框架,旨在解决传统帧基系统在快速运动和宽动态场景下的挑战。该工作复用预训练的扩散先验,并通过跨模态蒸馏技术,利用空间配准的帧相机生成的 LiDAR 校准伪标签来训练模型,从而在真实数据上实现了高精度的度量深度估计与卓越的空间保真度。
该研究通过微调预训练 V-JEPA1 预测器,在冻结编码器的条件下实现了无需动作的因果预测。在 CARLA Town12 场景中,模型以单前向传播检索未来 8 组 token(对应 16 帧),正确率高达 69.0%,优于 55.3% 的持续性基线及参数量少六倍的从头训练模型。语义分析显示固定线性探针在发生语义变化的图像块上达到 0.16 mIoU,证实了预测特征包含驾驶相关信息。
研究基于 16.5 万张奶酪图像档案,发现目录整合带来的 4.27 点精度提升主要源于评估标签空间粗化而非模型学习。对未重训模型进行评分即可复现该增益,而重新训练在不同参数规模下效果与零无差异。实验表明 94% 的增益来自类别粗化,仅 7% 源于别名修正,且与骨干网络大小无关。
针对前列腺手术假体标注耗时且深学习难规模化,该流程利用经典图像处理技术将已知解剖结构编码为几何与强度先验,无需训练集即可适配新修订假体。在跨越多次修订的 57 次扫描中,该方法在 11 个对比抑制扫描上胶囊内部 Dice 系数达 0.83 中位数,并零误报检出全部 32 个标注病灶。完整扫描仅需商品 CPU 硬件运行 2-8 分钟,较人工耗时 1-2 小时大幅缩短。
TeViD 是首个面向土耳其语的多模态视频事实核查数据集,由 IFCN 认证机构文章、Snopes 译文及合成数据构建以平衡类别分布。研究基于 Qwen2.5-7B 与 Qwen2-VL-7B 开发零样本智能体流水线(3MFact-TR),集成语义不一致检查器、5W1H 问题管理器及双语证据检索模块。
VoluCompose 是一种免训练、模型无关的框架,旨在解决处理完整医学体积图像成本高昂的问题。该方法将内容选择与 Token 预算分配解耦,利用双曲 Token 组合模块和容量控制模块优化视觉编码器的注意力分布。
推荐理由:VoluCompose 提出免训练框架,在保留 22.78% 视觉 Token 时质量达未压缩参考的 121.68%,显著优于基线。
论文介绍了 HFX3D,这是首个将建筑立面的几何、语义与功能属性结合的大型 LiDAR 基准数据集。数据包含加拿大哈利法克斯 26 栋建筑的约 4.92 亿点云,覆盖四季及昼夜天气变化。
论文指出扩散 Transformer 的二次注意力复杂度导致高计算成本,现有 Top-p 选择策略在高熵场景下样本效率低。作者提出 InstaGen,将块选择重构为重要性采样,用精确集合加加权样本替代原有方法,且每个查询簇共享一个样本以适配 GPU 高效执行。
推荐理由:提出 InstaGen 方法,将块选择重构为重要性采样,在 Wan2.1-T2V 模型上显著降低计算成本并提升视频生成质量。
论文 HaNDF 提出一种对象条件的几何神经距离场,作为建模手在物体上可行构型的数据驱动先验。该方法利用黎曼几何工具表示零水平集上的合理手部姿态并投影给定姿态,同时可优化确定交互对象。评估显示该模型适用于姿态细化、遮挡重建及物理合理的操作合成任务。
针对地理空间基础模型(GFM)在建筑损毁映射中标签稀缺的挑战,本文提出 PUMA 框架。该方法结合非对比式弱监督表示优化与基于隐状态的标签消歧技术,仅需少量受损建筑标注即可实现高效适配。实验表明,PUMA 在全球灾害基准数据集上有效且鲁棒,并在 2025 年洛杉矶山火真实场景中验证了其在高度受限监督下的损毁映射潜力。
推荐理由:提出 PUMA 框架,利用少量标注实现地空大模型在建筑损毁映射上的弱监督高效适配。
该研究调查了潜在学习在视觉语言模型(VLM)中的发生情况。研究人员微调教师 VLM 以产生特定动物或面部属性的偏好,并利用其生成的数字对无关的几何形状任务进行学生模型的微调。实验发现,这种偏好能跨 2B 至 7B 参数的模型传递,且学生模型在训练数据中表现出与教师相似的用词习惯。该研究结果对于理解 VLM 的训练影响及无关数据的潜在副作用具有重要意义。
针对多模态智能体长期交互中信息检索的局限性,该研究提出了 HiVe-Mem 框架。该方法利用文本和视觉锚点构建关系图以进行水平记忆扩展,并保留摘要、图像等多种形式的证据进行垂直组合,通过轻量级选择器自适应地利用异构信息。实验表明,该框架在三个基准测试中均提升了任务性能,且相比最高效的基线减少了约 90% 的 Token 消耗。材料为预印本论文,代码已开源。
高通在第九届进博会展出端侧 MoE 智能体演示,展示终端侧 AI 正从解决具体任务向意图理解、任务编排及实时操作 App 等复杂规划类任务演进。该演示由高通与 Infris AI、江波龙、阶跃星辰共同完成,通过模型、推理、存储和芯片平台的协同优化,旨在在有限内存功耗下提升端侧模型运行效率。
针对传统仅探测 Transformer 最后一层的做法,该研究通过超 14.4 万次线性探测评估发现,联合考虑层与模块选择能显著提升表征质量。基于此结论提出的固定策略中,视觉模型采用 Act@100、语言模型采用 LN2@60,在多数评测中优于基线并分别恢复最优组合增益的 42% 和 86%。该结果适用于视觉基础模型及大语言模型,且随预训练与下游任务间的迁移难度增加而提升。
JoVox 提出一种离散流匹配框架,通过让细粒度单元参与粗粒度决策并引入两级预测与去掩码策略,解决了高保真与轻量化的矛盾。相比当前最先进模型 TRELLIS.2,该方法在无条件及图像条件化体素生成任务中训练吞吐量提升 8 倍、前向传播 FLOPs 降至 1/15、仅需 4 张 GPU 且 Chamfer 距离降低 11%。该预印本论文发布于 arXiv,代码与权重暂未开放。
硅谷华人团队 AFK AI 正式开源其智能体产品 Comma,该系统基于「单 Router+ 多 Worker」架构,支持长期记忆、持续学习与 7x24 小时在线值守。
TB-MathModel 是首个将完整竞赛式数学建模问题转化为可代理、可验证及终端化执行的基准,覆盖 2023-2025 年共 18 道 CUMCM 和 MCM 真题。
汽车零部件供应商爱信与日本东北大学合作开发出一款采用16纳米工艺的AI系统集成芯片(SoC)。该芯片集成自旋转移矩磁阻随机存取存储器(STT-MRAM)技术,无需外部DRAM或固态硬盘存储模型。
针对生成式模型在黑盒奖励场景下梯度信息不稳定或不可用的问题,作者提出了 ZeNOVA 方法。该方法通过退火软价值引导、流形约束超球朗之万动力学及 Metropolis-Hastings 跳跃机制,实现了对初始噪声的稳定高效优化。实验表明,ZeNOVA 在图像和视频生成模型上优于所有零阶基线,能更稳定地探索高奖励区域并有效利用高斯先验的几何特性。
针对多模态大模型在长文档中上下文受限且难以进行全局视觉问答的问题,该研究提出基于知识图的多模态检索增强生成方法。作者构建了包含参考摘要与支持事实的新基准 DLVQA,实验表明该方法在多跳问答及新基准上均优于现有 MMRAG 或知识图方案。论文已提交至 WACV 2027,代码与数据许可状态需查阅原文。
BEAST3D 是一个自监督预训练框架,利用视觉 Transformer 预测 3D 高斯泼溅以重构实验室稀疏视角(最少四视图)下的动物三维结构并分割背景。该模型在四种物种上验证了视点不变特征,成功迁移至新视角合成、多视角姿态估计及神经编码三项下游任务。相比需密集重叠视点的通用重建模型,BEAST3D 直接利用已知相机参数解决了实验场景中的几何估计难题。
An T. Le 和 Vien Ngo 提出 AAC(Architecturally Admissible Compressor),将基于地标的 A*启发式适应固定标签内存预算,提供两种连续松弛形式以仅使用选定标签部署 ALT。
FedDyMem 通过动态记忆库与加权平均压缩技术,在无标签样本下实现工业与医疗场景的分布式异常检测。该方法在十一数据集构建的六项任务中,相比传统参数交换显著降低通信开销并提升特征分布一致性。实验证实其在减少信息泄露的同时,持续改善了异常定位效果与重建抗逆性。
该研究提出首个利用遥感影像、数字表面模型及建筑足迹等多源地理数据,在统一流程中实现像素级与实例级建筑年龄估计的深度学习框架。方法通过微调预训练骨干网络融合多尺度栅格数据,并引入时序序约束损失以捕捉不同年代建筑的结构性差异。团队构建了香港建筑年龄基准数据集,源代码与数据已公开供评估使用。
本文指出扩散模型社区对深度激活曲线(inverted-U)的常见解释可能不准确,提出该曲线源于预测目标(如ε、u、x0)的选择,而非单纯的信号粒度变化。研究证明训练中的预测目标选择可预测地影响曲线形状,并据此优化了 REPA 等应用的近优放置位置。代码已开源。
针对依赖昂贵且多样性有限的真实配对数据集的去阴影问题,本文提出了 OD D 基线及 ODDR 框架。该方法利用合成阴影数据进行单步重建,并引入首个无需人工标注的 ShadowReward 奖励模型,通过模拟人类感知判断来引导微调,从而有效缩小合成到真实的域差距。实验表明,ODD 在无配对监督下表现强劲,而 ODDR 在保持高计算效率的同时,进一步缩小了与全监督方法的性能差距。
针对现有方法仅预测中心帧或固定帧集的问题,该研究提出 PickMoment 模型,直接学习曝光窗口内任意子区间的区间平均模糊。模型借鉴 MeanFlow 的平均速度表述,利用子帧重建、重叠区间自洽及零区间极限锚点三种监督进行训练。
FLASH 是一种针对工业异常检测的合成异常生成框架,旨在解决真实缺陷稀缺时的数据扩充问题。该框架采用‘一次生成、多次合成’范式,仅利用正常图像和视觉语言模型(VLM)指导生成少量缺陷图并建立可复用补丁库。
Undertone-P 通过为冻结视觉语言模型(VLM)学习高斯先验,仅凭用户少量评分即可实现个性化审美评估,无需训练新网络。在 PARA 基准测试中,该方法利用少数人评分达到 0.648 的 Spearman 相关系数,优于现有最佳结果;无标签时预期分数对 MOS 预测达 0.835。该预印本论文(arXiv:2609.27110v2)已大幅修订并更名,取代了之前的 v1 版本。
G2TM 模块在 Segmenter、SETR、EoMT 及图像分类任务中均验证了其对编码器有效性的解码器无关特性。该技术在 ADE20K 数据集上将 GFLOPs 降低 22-47% 且吞吐量提升最高达 74%,性能增益主要取决于骨干网络预训练与目标数据集。相关代码已开源,论文扩展版待 Springer CCIS 期刊发表。
针对室内行走片段化导致步态识别受限的问题,该研究提出利用毫米波雷达点云进行日常生活活动(ADL)的人员身份识别。作者构建了包含七类核心 ADL 的 mm-ADL 数据集,并提出了双流静态动态 PointNet(DS-SDPNet)架构以捕捉空间形态与运动动力学特征。
推荐理由:该工作提出 DS-SDPNet 架构,在毫米波点云上实现跨日常活动的身份识别,为稀疏雷达数据下的生物特征分析提供了新基准。
该论文提出 ReFlowSET 框架,旨在从合成孔径雷达(SAR)观测生成光电(EO)影像。针对现有方法依赖预训练自然图像编码器的局限,该方法通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练较小的条件 DiT。
推荐理由:提出 ReFlowSET 框架,通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练条件 DiT,实现 SAR 到 EO 图像翻译的最先进性能。
该论文针对长视频理解中稀疏采样丢失细节、密集采样超出上下文限制的问题,提出利用检索增强生成(RAG)结合高质量视频片段。作者发现现有标准基准过于关注视觉显著性而非叙事结构,因此构建了 NarraScene 数据集,其边界标注基于物理、角色和叙事三层认知分类法,要求每个有效边界必须对应叙事层面的变化。
HazeSpikeMamba 提出一种紧凑的去雾框架,结合类脉冲局部路径与注意力状态空间全局路径以解决合成数据泛化不足问题。该模型含 2.02M 活跃参数,在 RTTS、URHI 和 HSTS 数据集上经自监督适应后,RTTS 的 BRISQUE 从 30.13 降至 27.72,NIMA 从 4.13 升至 4.87。
针对传统训练仅约束最终输出而忽略中间迭代的问题,论文提出 TraceViT 模型,利用程序化任务实现重写验证生成的语义单调变换链对视觉推理过程进行监督。该方法结合少样本演示推导的任务参考与对象工作区对每轮迭代进行 grounding,并通过软对齐允许模型自由分配迭代次数。
论文介绍了一种轻量级的后验概率扩展方法,用于增强已训练的 YOLO-Pose 模型,使其能够输出校准后的双变量预测分布来量化关键点位置的空间不确定性。该方法通过训练额外的概率头并配合高斯或学生-t 分布校准,实现了基于输入的关键点可靠性排序及不可靠关键点的剔除。实验在 COCO 数据集上验证了其在提升定位可靠性方面的效果,并在飞机着陆等视觉任务中展示了支持不确定性感知的位置估计与传感器融合潜力。
论文提出 HyperVAttention(HVA),一种免训练的视频扩散稀疏注意力框架,旨在解决现有聚类方法的聚类开销大和计算单元利用率低的问题。该方法引入 3D 局部窗口聚类以利用视频 token 的时空邻近性,采用混合聚类策略仅在锚点步骤执行完整聚类,并利用硬件感知的集群合并优化并行聚合式合并以提升块密度与近似保真度。