TRACEMARK:面向文本引导图像编辑的用户归因水印框架
TRACEMARK 提出一种编辑器感知的水印框架,通过联合训练的编码器与检测器在图像编辑前嵌入用户信号并恢复身份。实验显示该方案在三类图像域中实现 87.5% 的平均识别准确率,且无需重新训练即可在不同编辑器上有效工作。
TRACEMARK 提出一种编辑器感知的水印框架,通过联合训练的编码器与检测器在图像编辑前嵌入用户信号并恢复身份。实验显示该方案在三类图像域中实现 87.5% 的平均识别准确率,且无需重新训练即可在不同编辑器上有效工作。
该研究提出一种利用微秒级分辨率事件相机进行 LED 追踪及六自由度相对位姿估计的实时框架。系统通过双速率异步机制在高速运动下保持身份关联,并在变 HDR 光照条件下完成四旋翼悬停与跟随实验。相关数据集与基于 NVIDIA Jetson Orin NX 的实现代码将公开以支持进一步研究。
针对全波形激光雷达(FWL)计算成本高且标注数据稀缺的问题,该研究提出 FWL-ToPM 机制利用光强分布剪枝冗余 Token,并引入 FWLAug 框架通过保留飞行时间和视锥几何结构进行数据增强。在 Ghost-FWL 基准测试中,该方法实现超 8 倍速度提升、F1 值增加近 9 个点,建立了首个同时兼顾实时性与精度的 FWL Transformer 模型。代码与分布外数据集已公开。
论文介绍 FisherDistill 方法,利用冻结教师网络的中间表示估计真实与生成样本的一阶和二阶统计量,推导最大化分离特征分布的闭式解方向。该方法作为轻量级修正信号补充原有蒸馏目标,无需引入对抗判别器或其优化循环。实验表明,在多种蒸馏框架下,该方法能一致提升生成质量并显著缩小与对抗精炼版本的差距。
针对应用于三维医学扫描的视觉语言模型面临的结构性内存墙问题,本文提出 TACT-KV(Tri-Axis Cosine Transform),这是一种无需校准的 KV Cache 压缩方法。
Hongxu Shen 等人提出一种名为 RecOE 的基于异常暴露的检测框架,旨在利用训练数据中的离群点作为代理分布外数据来微调深度神经网络。该方法通过学习来自分布内数据和辅助离群点的特征子空间,以最小化重构误差捕捉主导变化,并利用样本级目标和正交性正则化减少子空间重叠。
X-VGGT 是一种前馈跨视角几何 Transformer,通过联合处理地面图像与地理配准卫星图像,预测相机姿态、稠密 3D 点云及场景级变换参数。该研究在多个跨视角数据集上验证了模型能生成准确的地理配准重建结果,且性能优于先前的跨视角地理定位和多视角三维重建模型。论文已被 NeurIPS 2026 接收,代码与权重开放许可待定。
该方法通过融合多视角材料预测构建置换正交晶格,在保持纯光度拟合目标的同时限制优化空间。实验显示其在 Synthetic4Relight 和 TensoIR-Synthetic 基准上,相比最强网格基线将重光照 PSNR 提升 1.5-2.5 dB,且联合优化时间缩短至一分钟以内。
论文提出区间积分分类器自由引导(Interval-Integrated CFG)恒等式,解决单步视频生成模型中引导尺度固定与最优引导随噪声、空间及帧位置变化的矛盾。
论文提出了 MetricTrail 系统,用于从长单目视频中实现精确的相机运动估计和稠密三维重建。该方法复用 DPVO 的稀疏局部估计器,通过引入单图度量深度预测来初始化块深度并作为软约束,显著提升了轨迹精度,且无需重训对应网络或扩大优化窗口。
推荐理由:该工作通过引入单图深度预测与冻结 DINOv3 特征,在不重训对应网络的情况下提升了长序列轨迹估计精度。
Tail-SD 提出一种支持文本、布局或混合输入的布局指令条件稳定扩散框架,利用多任务交叉注意力模块实现从框、掩码及提示词的可控合成以覆盖长尾物体。在 COCO 和 LVIS 数据集上的实验表明,该混合条件扩散合成使 LVIS 验证集稀有类别的 Box/Mask AP 分别提升 4.89% 和 5.68%,有效改善了长尾性能瓶颈。
PreSTP 框架通过利用去噪轨迹中的早期清洁估计,无需重训或辅助预测器即可识别跨帧与跨步冗余。在 5 秒生成任务中,该方法相比 TeaCache 和 FlowCache 基线实现 1.52x-3.20x 加速并优化效率 - 保真度权衡;30 秒生成时最高达 1.96x 加速且抑制长视界漂移。该研究在极端单步模式下仍有效降低推理成本,论文已上传 arXiv 待注册 DOI。
针对图像到图像(I2I)扩散模型在多任务学习中的参数干扰与伪影问题,本文提出了 OptIMerge 框架。该方法通过最小化多任务损失函数学习轻量级合并系数,利用架构感知的变换对齐注意力层与卷积层的特征,在冻结专家网络的前提下实现了媲美联合训练的多任务能力。
推荐理由:提出基于优化的多任务融合框架,解决图像修复类扩散模型直接平均导致的伪影问题。
该研究针对自动驾驶车辆在语义不寻常场景中的行为监控问题,提出了一种结合视觉语言模型(VLM)的动作条件化监控方法。该方法首先利用隐藏结果的视频窗口预测场景所需动作,再依据显式兼容性规则将预期与车辆实际执行轨迹进行对比。
Vision-language classifiers 在仅凭文本学习新标签时,其服务列表持续增长会静默改变基于 softmax 的 conformal scores,进而影响旧标签的决策。
推荐理由:提出 PrefixCP 方法解决标签库增长导致的旧决策漂移问题,兼顾覆盖率保证与历史决策稳定性。
针对运动恢复结构(SfM)中成对图像匹配计算量过大需限制预算的问题,现有方法因忽略已分配边数可能导致重建失败。本文提出无需训练的贪心规则 DEAL,通过指数级降低端点覆盖度高的图像对的权重来均衡度数。在九个大型互联网照片集上,DEAL 将基于相同先验的选择器成功率从 0.776 提升至 0.929,并在标准基准测试中达到最高均值 0.875。
arXiv 预印本论文介绍 FUHA,一种支持实时的前馈 Transformer 模型,通过学习紧凑的运动嵌入来实现人脸、上半身及全身的人体动画驱动。该方法利用 Q-Former 压缩驱动者特征,并通过对比损失解耦运动与外观,推理时无需外部姿态估计器或参数化身体模型。
FREE-LIVO 提出一种无需固定传感器安装位姿与时间同步的紧耦合激光雷达 - 惯导 - 视觉里程计方法。该方法利用预训练图像特征匹配器建立对应关系,在 M3DGR 数据集六条序列上实现平均绝对轨迹误差 RMSE 0.45 m,且对高达 0.5 秒的时间不同步误差具有鲁棒性。实验还证明其能联合估计安装在独立移动机器人上的传感器轨迹。
VIPA 提出一种基于视角不变的投影仪相机系统仿真,通过聚合多视角模拟损失优化对抗图案,在真实场景中成功欺骗各类分类器。实验表明该方法在目标与非目标攻击中均取得更高成功率,同时提升隐蔽性并最小化感知退化。该研究为动态环境下的物理世界对抗攻击提供了新的鲁棒解决方案。
TRiST 框架将拓扑信息融入特征构建、细化与注意力机制,通过分层多尺度拓扑表示及带感知残差模块处理不同持久性信息。实例化的 Topo-SwinV2-B 和 Topo-Swin-UNet 在五个数据集上分类与分割性能均优于 Swin 基线且媲美现有方法。该预印本论文 arXiv:2611.07431 尚未被会议接收,代码与数据许可状态未明确说明。
针对当前多模态大语言模型在复杂关系推理中存在的静态观察局限,本文提出 PSGAgent 框架,利用区域缩放和视觉高亮工具实现动态感知优化。研究构建了高质量思维链数据集并设计了分层奖励机制,实验表明该方法在全景场景图生成基准上达到最先进水平,相关成果已获 ACM Multimedia 2026 录用。
FreePath 提出一种神经平均自由路径框架,将去雾视为特征空间路径状态恢复而非直接映射或显式散射变量反演。在 CDD-11 配对雾图与 RTTS 真实场景实验中,该方法在满参考保真度、无参考感知质量及视觉忠实度上均优于代表性基线。该研究预印本发布于 arXiv,代码与权重暂未公开。
arXiv 预印本发布 Vis2State,这是一个无需训练的代理框架,将视觉谜题抽象为显式且可修订的问题状态,连接视觉检查与执行。模型在无预设谜题模式或求解程序的情况下构建状态和程序,并通过反馈独立修正表示与流程。该方法在四个基准测试中达到最先进水平,代码即将公开。
微信团队发布了 WeLM-Image,这是一个将多模态理解整合进文本到图像生成的统一图像基础模型。该模型专为微信大规模消费级应用设计,支持单 GPU 部署,采用混合 Transformer 骨干网络并配备 MoE 模块以平衡语义覆盖与编辑任务。
针对基于物理渲染(PBR)中数据集缺乏标准表示导致结果不稳定且不符合物理规律的问题,论文提出 MIKU 统一框架。该框架通过标准化预处理到纹理合成的工作流,利用归一化方案统一异构参数化表示,并训练了新的物理感知扩散模型进行多视图合成。实验表明该方法在物体部分语义一致性方面达到最先进水平,推动了 3D 内容创作的自动化材质生成。
Shih-Yao Lin 发布 VideoRouteAudit 审计,在固定骨干网络与解码设置下分离了帧选择、非视觉证据注入和模型路由的影响。全量数据(n=900)显示无测试选择器显著优于均匀采样,最大增益仅 +1.2 分且置信区间包含零;小样本(n=200)评估极不稳定,35.8% 的抽样反转了全量效果。
推荐理由:该审计发现长视频问答的增益主要来自模型切换而非帧选择,且小样本评估极不稳定。
该文提出 ArtiVidRM 模型,采用先观察后评分范式,将可见生成伪影组织成结构化列表并作为明确标准进行质量评估。该方法通过多奖励强化学习联合优化伪影预测与质量排名,在视频偏好基准上达到最先进水平,能为视频扩散模型优化提供有效信号并支持闭源生成器的伪影引导式改进。
论文提出 Householder Motion Embedding(HME)方法,通过一系列 Householder 反射将用户提供的运动信号编码进噪声,在保持帧内空间高斯结构的同时引入跨帧相关性以提升时序一致性。该方法对网络架构无依赖,可直接集成至标准视频扩散微调流程,实验显示其匹配或优于最先进方法,且比噪声变形法快 2.7 倍。材料为 arXiv 预印本,未提及同行评审状态或真实部署结果。
MammoSeek 是一种乳腺摄影智能体,旨在复现放射科医生先形成全局印象再对可疑区域进行选择性放大的阅片流程。该智能体在生成每侧乳房的初步印象后,自主决定哪些检测候选者值得近距离观察,并仅在高分辨率视图下检查这些区域。
针对 3D 场景表示学习尚未取得与图像基础模型相当成功的现状,本文提出 VINO 框架以无标签方式学习语义表示。核心改进包括:将分层 PTv3 骨干替换为体积 Transformer;在学生 - 教师网络中分离角色,由教师提供一致目标、学生学习强扰动下的不变性,并禁止学生访问被遮挡几何体;最后重构 2D 到 3D 的知识蒸馏,用视图一致的监督替代直接回归。
针对神经视频编码中感知质量与重构保真度的权衡问题,该研究提出区分可放松对应关系与必须保留的约束。方法上引入局部切片 Wasserstein 失真(SWD)进行一维最优传输以捕捉跨通道依赖,并采用运动轨迹上的流残差约束编码误差以保持时序一致性。
针对自动驾驶多视角系统需合成统一宽视域的需求,本文提出 Wide-View Gaussian Splatting (WV-GS) 框架。该方法无需逐场景优化,通过 Piecewise Perspective Rendering (PPR) 缓解边缘拉伸,利用 Spatial Affine Photometric Modeling (SAPM) 处理相机依赖的光度变化。
针对视觉语言模型的少样本适应问题,该研究提出 SD-LoRA 框架,旨在平衡细粒度视觉区分学习与部署效率。该方法在训练阶段利用异质图教师模型对高分辨率 ViT token 进行 patch-patch、全局 - 局部及视觉 - 文本关系的建模,并通过隐式蒸馏与原型预测对齐将结构偏置转移至共享的 CLIP-LoRA 骨干网络。
针对无标注掩膜的皮肤病变分割任务,现有方法依赖特定规则或用户选择区域。本文提出 GENIQ,一种无需训练的方法,利用文生图扩散模型生成的健康皮肤和病变图像构建原型,并从未标记图像中选取最相似片段进行优化。
该论文针对流匹配生成器在质量与覆盖率间的权衡难题,提出在训练阶段引入竞争机制。方法通过为预测器添加随机低维条件码 z,对每个样本采样 K 个 z 值产生候选速度并仅保留最佳匹配项进行损失计算,从而避免多模式平均化。
论文提出 Gaussolve 框架,将混合网格 - 高斯渲染视为多视图不一致问题,通过轻量级神经溶解场选择性溶解不一致的网格内容,再用残差高斯回填暴露区域。该方法采用连续透射率融合规则逐步暴露后方高斯,保留重建梯度并避免硬性可见性不连续。实验表明其在结构化与半结构化场景中具有更高视觉保真度、更少的高斯原语及更快的渲染速度。
TraCE 提出一种通过聚类光流轨迹发现源灵活运动概念的框架,支持动作识别与视频问答任务。在 NTU RGB+D Mutual、Chiral SSv2 等六个基准上评估显示,相比不可解释基线,其动作识别平均准确率仅下降 1.0 点,VQA 名义提升 0.4 点。该方法通过运动扰动和概念移除测试验证了语义对齐与决策忠实性,项目页面已公开。
论文提出 JPTA(Joint Prior and Transport Adaptation)框架,将视觉语言模型的归纳自适应重构为对批次条件化语义参考的估计。
论文提出 T$^2$-Splat,通过 Safe RDT 初始化网格连接,利用 DTE 动态调整三角形分配,并用每面 Mip-texture 残差在固定网格上细化外观。
Video-Coder 是首个训练代码驱动的视频生成智能体的尝试,能够自主编写和执行代码来构建动态 3D 场景以提供结构与运动信号。研究设计了专用数据管道和两个高质量数据集(Video-Coder-SFT-6k、Video-Coder-RL-2k),并开发了集成代码执行与 3D 渲染的统一交互环境 Video-Coder Harness。