瑞士高分辨率航空影像与多模态数据构建的树种组成国家尺度映射模型
该研究利用 0.1 m RGB 影像、机载激光雷达及 AlphaEarth 嵌入,在瑞士以 30 m 分辨率构建了包含十种主树种的基底面积共享比例图。模型在独立森林保护区数据集上对单像素达到 0.552 的宏观 R²,识别出优势类占比达 73.2%。该地图揭示了传统单一优势类地图遗漏的枫树和山毛榉等次要组分,为混合林管理与气候适应规划提供连续空间信息。
该研究利用 0.1 m RGB 影像、机载激光雷达及 AlphaEarth 嵌入,在瑞士以 30 m 分辨率构建了包含十种主树种的基底面积共享比例图。模型在独立森林保护区数据集上对单像素达到 0.552 的宏观 R²,识别出优势类占比达 73.2%。该地图揭示了传统单一优势类地图遗漏的枫树和山毛榉等次要组分,为混合林管理与气候适应规划提供连续空间信息。
ATHAAR 是首个遵循文本批评指南、涵盖不同见证者与书法风格的手写阿拉伯科学手稿数据集,旨在解决当前视觉语言模型(VLM)在该领域的训练数据缺失问题。研究利用该数据集评估了跨脚本、章节及论著的任务迁移能力,揭示了现有系统在应对古代科学文本特异性时的局限性。相关代码与权重暂未提及开放许可,论文状态为 arXiv 预印本。
论文介绍了 TerraMesh-Masks 这一大规模开放词汇分割数据集,包含与九千万个多模态 TerraMesh 样本对齐的一千六百万个二值掩码,语义标注源自 OpenStreetMap 和 Overture。
针对现有工业异常检测多依赖静态模式而忽视动态缺陷的问题,本文提出 MUSTARD 框架,利用光学流引导的关键帧选择和增强模态捕捉局部运动模式与全局动态演化。该方法仅需少量正常样本即可实现高效适应且具备高决策可解释性,实验表明其在时空异常检测及提供合理解释方面表现优异。代码将公开可用。
DCAP 框架摒弃静态姿态预测,通过语义释放状态驱动耦合刚柔模拟器实现物理真实的物体放置。该方法在标准任务中将 VLM 物理性与自然度提升 21.2 分、人类偏好提升 26.5%,并将平均穿透深度降低 72.3%。研究证明准确建模语义意图与物理实现的分离过程对解决室内放置问题至关重要。
该研究引入 VHR-Bench 基准套件,包含十个在 1.5m GSD 或更精细分辨率下的数据集,涵盖五个任务家族、八个应用领域及卫星与航空平台。评测结果显示,SkySense 在标签稀缺时领先,而基于网络预训练的 DINOv3 ViT-L 在全量标签下表现更佳;仅基于 Sentinel 尺度影像预训练的编码器效果最差。
针对微小目标检测中高分辨率特征因计算成本高而被丢弃的问题,本文提出 ReDHF 框架。该框架包含跨尺度可变形融合、椭圆引导浅层监督及全尺度查询交互三个组件,在注入细粒度细节的同时抑制背景噪声。实验表明,ReDHF 在 AI-TOD-v2、VisDrone 和 SODA-D 等基准上均优于现有基线,尤其在微小和小目标检测任务中表现显著。
推荐理由:提出 ReDHF 框架,通过跨尺度融合与椭圆引导监督复活高分辨率特征,在多个基准上提升微小目标检测性能。
Bri3D 框架提出利用实例感知体素场景锚点,将场景级结构推理与物体级生成先验相结合以解决单图三维场景生成的几何退化问题。该粗到细设计分离了空间组织与细节合成,使冻结的物体生成器能在锚点定义的参考系中高效合成纹理几何。实验表明 Bri3D 在场景布局、物体几何及视觉质量上优于 SceneGen 和 SAM3D,且全场景生成速度快于这两者。
论文提出 QMapAnything 框架,针对前馈 3D 重建模型中异质 Token 共享激活量化网格的挑战,证明传统的浮点保持旋转和平滑属于 Token-Blind 重参数化组,仅带来共模增益而保留相对 Token SNR。
推荐理由:提出 QMapAnything 框架,证明旋转与平滑属于 Token-Blind 重参数化,结合统计量 Gamma 预测差异化偏差修正需求。实验显示 W4A8 精度接近全精度,W8A8 显存降低 2.2–3.1 倍且速度提升最高 3.1 倍,为资源受限边缘端部署前馈 3D 重建模型提供高效方案。
针对大规模带标签人脸数据集采集成本高及隐私伦理问题,本文提出 IDPrior 框架,将身份生成与图像合成解耦。该方法先在预训练人脸识别模型的嵌入空间学习扩散先验以建模面部身份分布并生成新颖身份特征,再以此条件化预训练的身份条件扩散模型进行多张同身份图像合成。
推荐理由:提出 IDPrior 框架解耦身份生成与图像合成,在预训练人脸识别模型嵌入空间学习扩散先验以生成新颖且分布接近真实身份的特征。
StitchEdit 利用逐层梯度探测解决扩散模型在空间编辑任务中几何理解不足的难题,通过轻量级适配器激活骨干网几何能力并选择性微调。该方法在涵盖空间变换、遮挡操作及视角变化的 StitchEditBench(150 个样本)上,感知质量与几何保真度均超越指令式及深度条件基线。
arXiv 论文 XM4D 提出一种基于可认证全局最优几何优化的框架,用于准确且高效的 4D 重建。该方法将相机运动估计与非刚性形变分离,分别构建为结构化二次约束二次规划(QCQP)问题,并利用半定规划松弛获得可验证的全局最优性证书。
推荐理由:该工作提出基于可验证全局最优几何优化的框架,在静态与动态场景下实现高精度 4D 重建。
该论文提出 Structure from Collision (SfC) 方法,旨在从多视角碰撞观测中恢复物体的隐藏内部结构(如空腔)。针对传统密度表示法难以直接指示空腔位置及梯度信息弱的难题,作者将问题重构为假设空间推理:全局阶段利用前向仅材料点法 (MPM) 进行无梯度优化筛选假设,局部阶段通过可微 MPM 模拟以拉格朗日粒子系统形式进行基于梯度的细化。
该论文针对具身操作中的功能定位任务,提出一种无需生成中间文本的 System One 推理框架。系统利用冻结分割器提出候选区域,由专用模型直接判断哪些区域可执行目标操作,并通过层级间证据双向传递实现自校正。该方法在 InstructPart 数据集上训练,相比链式思维方法在零样本迁移至 UMD 和 IIT-AFF 时表现更优,且所需推理请求更少。
InnerLogic-Surg 是一个由数百万张手术图像持续预训练得到的开源手术视觉编码器家族(参数量 21M--300M),数据源自约 2900 小时的互联网手术视频。
推荐理由:该工作通过持续预训练构建了开源手术视觉编码器家族,在多项基准任务中表现最优,为手术图像分析提供了可迁移的强基座。
针对全景视频深度估计面临的大规模数据稀缺及等距圆柱投影(ERP)特有的时空挑战,本文提出 PVDepth 端到端框架与 PanoCARLA 大规模合成 RGB-D 数据集。该方法通过渐进式球面感知噪声初始化策略和立方体校正时序建模模块,有效缓解几何失真与非线性动态问题,生成几何准确且时序一致的深度序列。代码与数据将在指定链接发布。
OcTreeMamba 是一种将八叉树结构融入状态空间模型(SSM)的框架,旨在解决传统启发式扫描策略破坏三维解剖结构内在层次的问题。该方法通过结构学习器进行解剖自适应结构化稀疏化,利用动态八叉树构建者组织多级别拓扑以保留层级连接性,并基于构建的八叉树使用双向 Tree-SSM 沿感知连接的叶 - 父 - 根轨迹传播和整合上下文特征。
推荐理由:提出 OcTreeMamba,通过八叉树稀疏化实现拓扑感知的长程特征传播,在血管数据集上表现优异。
论文介绍 THG-Omni 框架,通过结合 Segment Anything Model 3 的参与者轨迹与 Qwen3-VL 的时间锚定标注,构建可追溯的视频证据图以训练多模态模型的推理能力。
STAG-Net 提出一种结合运动感知选择与紧凑 DeepSet 编码器的轻量级头部姿态估计方法,在 300W-LP、AFLW2000 及 BIWI 数据集上实现最低平均绝对误差。
CMDiff 利用动态编码器条件的 3D 正弦 UNet 预测干净掩膜,在 60 例 LASCARQS 公开数据集的五折交叉验证中,其瘢痕 DSC 为 0.47±0.08、HD95 为 12.89±6.39 mm、ASD 为 1.91±0.96 mm。
针对现有手语生成方法依赖单视角数据导致自遮挡和细节丢失的问题,该研究提出 MV-Sign 框架,通过融合多视角 3D 运动数据和优化文本条件路径来提升生成质量。
SigDiffuser 提出一种基于“废墟重建(RFR)”任务的自监督框架,通过故意损毁签名结构引导视觉编码器学习鲁棒表征。实验在多语言数据集上显著优于现有自监督方法及手写签名验证模型,且证实极端损毁比轻微形变更能提升表征质量。代码将公开可用。
针对现有方法仅关注雨痕而忽略反射与水洼等关键物理效应的不足,该研究提出 CascadeRS 框架,利用深度和分割先验通过物理启发的零样本生成管线,渲染出包含雨痕、反射及水洼的逼真城市雨天场景。作者构建了 Cityscapes-CascadeRS 数据集以评估下游任务在真实雨天条件下的性能,并通过用户研究与定量指标验证了其在感知真实性与鲁棒性上的优势。代码与数据已开源。
推荐理由:该工作提出 CascadeRS 框架,利用深度与分割先验生成含雨痕、反射与水洼的逼真雨天场景,并开源 Cityscapes-CascadeRS 数据集以评估恶劣天气下的视觉鲁棒性。
BiGrounder 针对图形用户界面(GUI)定位任务,提出一种双向奖励范式以解决传统端到端训练对语言变化鲁棒性不足的问题。该方法在监督微调阶段让模型从目标坐标生成动作描述,并在强化学习阶段采样语义一致的指令变体进行自循环验证,将模型自身的策略转化为持续更新的强化轨迹。
推荐理由:提出双向训练范式,利用模型自身策略生成强化学习轨迹,在五个基准测试中取得竞争性精度。
针对多模态数据异质性与交互复杂性问题,研究提出基于部分信息分解的 MIIB 框架,通过双路径架构显式编码冗余、独特与协同信息。该方法利用变分界与基于分数的熵估计优化目标,无需显式互信息估算即可捕捉跨模态交互并抑制冗余信息。实验在多个基准上验证了其对现有最先进多模态自监督方法的持续改进效果。
arXiv 论文提出 SEPT 框架,专为长序列任意点跟踪设计,仅利用事件数据。该方法包含两个模块:任务自适应事件证据调制(TEEM)学习有界可靠性场以加权时空通道特征;持久轨迹先验(PTP)通过边缘化局部二次模型与 Schur 补传递几何信息并修正可见性坐标。
推荐理由:该工作提出仅基于事件相机的长序列点跟踪框架,通过任务自适应证据调制与持久轨迹先验解决稀疏性与漂移问题。
论文提出 FAH(Fast and Accurate Hand Estimation)模型族,基于 SAM 3D Body 手部分支通过微调与特征蒸馏构建。该模型直接预测对应的 2D 和 3D 关节及表面点,拟合 MANO 或 MHR-Hand 网格,并可选估计解剖部位与接触信息(无需物体几何)。
推荐理由:提出 FAH 模型族,通过直接预测 3D 关节与因果细化提升手部估计精度与世界空间追踪能力。
AffineGS 提出一种无传感器方法,利用区域平滑、边缘感知的场将单目视差校正为一致度量深度,并引入法向量感知正则器耦合深度与法线。该方法在多样实验设置下保持高光度质量的同时显著提升几何精度,优于当前最先进关注几何的方法,且论文已被 NeurIPS 2026 接收。
作者发布了一个名为 FlyingDrones 的基准,包含由物理渲染生成的密集真值光学流和分割掩码,并定义了分辨率归一化指标(EPE Norm)。研究评估了 16 个模型家族在分层子集上的表现,发现架构差异随分辨率增大而显著。此外,基于真实无人机视频的无真值运动对齐测试显示合成排名与真实性能存在中度相关性,微调实验表明该基准数据能有效降低误差并提升定位精度。
InfMasking 提出一种基于无限掩码的统一多模态学习框架,在融合前随机掩蔽各模态特征以强制模型学习跨模态交互模式而非依赖主导模态。该方法通过优化闭式变分界值,在多个基准测试中提升了预测性能并提高了任务标签协同性的均值 PID 估计与 InterSHAP 归因得分。代码已公开,论文已被 IEEE TPAMI 接收发表。
针对重复纹理环境下的视觉惯性里程计(VIO)退化问题,该研究提出了一种仅依赖相机和惯性测量单元的主动环境修改框架。无人机通过释放地面标记或物理接触墙面按需创建视觉特征,结合时间确认与迟滞机制触发干预。
针对第一人称 AI 助手常遇到的短促且指代不明的提问(如“我把它放哪了?”),现有视频问答系统往往直接给出单一解释,导致答案虽合理但与用户真实意图不符。本文介绍 ReferClaw,这是一个代理框架,将第一人称流式问答转化为交互过程:助手在回答前先提出澄清性问题以明确用户意图。
推荐理由:提出交互澄清框架以解决第一人称助手的意图歧义,在基准测试中提升准确率并实现零样本迁移。
DEQ-Det 提出一种无需额外标注的架构,通过构建前景与背景互补参考解决模拟 IC 器件布局中的几何变异干扰。该方法在五个保留类别上实现 10 次和 30 次提示下的宏观 AP50 分别为 39.41 和 53.03,分别超越最强基线 3.97 和 9.71 个点。消融实验证实 ROI 背景证据能在相当召回率下有效降低假阳性,支持其干扰抑制作用。
该论文介绍 GEKey,一个利用 SE(3) 不变几何度量(测地线偏心率变换)进行自监督学习的框架,用于识别点云中的显著特征点并实现模型与物体内在结构的对齐。实验在 ShapeNetCoreV2、KeypointNet、CAPE、ITOP 和 DeformingThings4D 等数据集上验证了其在关键点检测和对齐方面的最先进性能及抗噪能力。
该方法结合冻结 SlowFast 视频专家与生成零样本物体功能的注意力机制,利用视觉语言模型生成的交互功能过滤非活跃检测,将 MECCANO 数据集上 Top-1 准确率从 44.9% 提升至 49.9%,优于 SlowFast 及物体感知 RGB 基线。研究在标注框与官方检测器两种条件下评估性能,其中约半数精度损失源于非活跃物体检测干扰。代码将在论文被 IEEE FG 2027 接收后发布。
CoGenRec 提出一种互补驱动的统一生成重建框架,融合长曝光 RGB 与短曝光时空差分路径以解决极端运动下的高动态范围成像难题。该模型在 SportsSloMo-CVS 数据集上相比最强通用基线,去模糊 PSNR 提升 4.40 dB、帧插值提升 3.89 dB、HDR 融合提升 5.04 dB,并在 129 个真实 CVS 场景验证了感知质量。
针对终身物体地图需判断离屏后物体是否留存的问题,本文提出 HiPer 分层持久性滤波器。该方法不依赖类别先验,而是检索视觉和几何相似的训练实例来估计初始生存率,并在 Rosen 框架下利用检测与漏检数据以闭式形式更新信念。
论文介绍 ArtCrafter,这是一种用于从成对图像(静止态与张开态)生成可控关节式 3D 物体的前馈生成模型。该模型基于 DiT 架构,通过共享基槽和配对槽布局联合生成部件级网格,并利用三元组注意力机制确保跨状态几何一致性,同时引入排斥损失防止部件穿透。
该论文针对视觉生成模型后训练阶段数据分布不匹配及属性监督混淆的问题,提出结合生成器对齐奖励建模(GARM)与目标感知有界优化(TABO)的框架。GARM 通过生成器支持匹配和内容匹配的真实对比降低无关内容干扰;TABO 将学习到的奖励映射为平滑的上界函数以抑制过优化。
该研究提出基于四叉树空间通道联合建模的 IE-PFA 上下文模型,利用共享字典作为外部先源并通过 RWKV 模块高效融合内外先验。实验在七个基准上实现平均 BD-Rate 降低 21.65%,参数量仅 29.9M,编码与解码耗时分别为 61ms 和 52ms。代码已开源,支持单网络覆盖 64 个质量级别的变率编码。