SenseShift6D:首个针对环境与传感器变化的多模态RGB-D 6D姿态估计基准
SenseShift6D 是首个系统扫描曝光、增益及深度模式等传感器配置的 RGB-D 物体姿态估计基准,包含六个常见家用物体的19.8万张 RGB 和2万张深度图像。
SenseShift6D 是首个系统扫描曝光、增益及深度模式等传感器配置的 RGB-D 物体姿态估计基准,包含六个常见家用物体的19.8万张 RGB 和2万张深度图像。
该论文介绍 EgoM2P,一个针对首视角(egocentric)视频的深度理解框架。面对 RGB、深度、姿态和视线等多模态数据异构及伪标签生成的挑战,作者提出高效的时间分词器与掩码建模方法。
该位置文挑战了‘性能提升必然意味着内部表征优化’的观点。研究通过生成单张图像的简单任务,对比了经开放搜索进化出的网络与常规随机梯度下降(SGD)训练的网络。结果显示,尽管两者输出行为相同,但SGD训练的网络表现出被称为‘断裂纠缠表征(FER)’的内部混乱,而进化网络则更接近统一的因子化表征。
针对少样本语义分割中多分支架构灵活性不足的问题,本文提出 UINO-FSS 框架。该框架基于早期 DINOv2 特征与 SAM 输出嵌入的分布一致性,利用粗到细的多模态蒸馏将两者知识整合进单编码器架构。
该工作重新审视动态场景图生成(DSGG),指出当前评估协议存在精度 - 召回率权衡严重及关系生成冗余问题,引入五项新指标以更好评估实用性。在模型设计上,采用自顶向下的推理定位策略、将帧级动态图重构为时序关系集预测,并引入重要性感知微调。实验表明该方法在 Action Genome、VidVRD 和 PVSG 数据集上均达到最先进水平。
EgoGen 是一种新的合成数据生成器,旨在解决第一人称视角(egocentric)感知任务中模拟自然人类运动以获取真实 3D 世界表征的挑战。该模型利用虚拟人物的第一人称视觉输入直接感知环境,结合避障动作基元和两阶段强化学习实现感知与运动的闭环耦合,无需预定义全局路径且适用于动态环境。
针对检测 Transformer 跨域性能不足问题,研究提出包含 DQFA 与 TDA 模块的序列特征对齐(SFA)新方法。实验在三个挑战性基准上显示,该方法优于现有最先进领域自适应目标检测方法。代码已公开于 GitHub 仓库。
研究设计了包含 370 个物理对象的四分类数据集,在自适应全场表示下对比了自定义 CNN-Transformer、ImageNet 预训练 ResNet-50 及 ViT-B/16。
TOP 是首个面向传输的遥感 pansharpening 框架,统一了紧凑潜在编码、星上融合与高效下行链路。在 GaoFen-2 数据集上,50x 压缩比下实现 31.4 dB PSNR,优于标准有损编解码器配对的代表性方法。代码将公开于指定 URL,适用于多光谱及高光谱场景的低带宽任务。
研究团队推出 MPRBench,这是一个包含 12 个子任务的新基准,旨在评估多模态大语言模型的个性化推理能力。实验发现当前模型在识别个性化概念时存在误差且对无关个人信息敏感。代码与数据已公开,该工作已被 WACV 2027 接收。
针对水下声学通信带宽受限与信道复杂难题,该研究提出基于跨模态语义连续精度的生成式图像通信框架。实验利用 COCO 2017 图像及 Watermark 实测水下声信道数据验证,文本与瓶颈特征提供互补条件,残差向量量化侧信息进一步提升重建质量。该方法通过分层不等错误保护优化低信噪比恢复效果,为水下视觉传输资源分配提供指导。
该论文研究了城市环境中机器人的出现如何影响行人感知的安全性。研究者生成了 18 张首尔街道图像(变量包括时间、道路等级和机器人条件),利用两个多模态大语言模型(Qwen3.8-27B 和 Gemma4-26B)在 500 个合成人格条件下进行判断,并对比了 25 名人类受访者的结果。
该论文介绍了一种名为 Dual Flow 的新型联合流模型,旨在通过同时估计干净图像及其对应的无噪测量来解决线性逆问题。该方法将图像重建与测量去噪构建为耦合估计问题,仅利用获取的含噪测量初始化状态,随后在图像和测量域中联合更新状态,确保最终结果满足底层前向模型。
推荐理由:提出联合图像与测量域流模型,无需超参数调优即可在多种线性逆问题中实现更短的重建时间。
Bowen Xiang 提出一种针对骨盆骨折透视影像的闭环注册框架,利用校准后的三明治协方差界定误差边界并标记不可信片段。在仿真实验中,该方法结合 Minimax 规划策略,相比临床协议平均仅需4.20次投照即可达到认证标准(优于无检查时的4.72次),且将整体误停率从23%降至6%,同时在真实完整骨盆数据上未出现假阳性认证。
该论文证明相关性传播是单一变分问题的解,建立了层间相关性传播的测度论形式化框架。研究提出了 LRP_0、LRP_z+ 等规则的统一形式 LRPN_alpha,beta,并引入 Sinkhorn 相关性传播新规则。在 VGG-16 和 ConvNeXt-Tiny 模型上验证了守恒律及不同规则的忠实度与定位能力差异。
推荐理由:文章将相关性传播形式化为熵最优传输问题,提出基于 Filippov 算子的理论框架及 Sinkhorn 等新规则。
BrainBind 框架将同步记录的 EEG 和 fMRI 映射至冻结的长形式视频嵌入空间,将其作为通用视觉语义参考而非字面神经代码。在 CineBrain 数据集上,Omni 配置以 MRR=23.82、nDCG@10=25.31 最强组织候选列表,Joint-Dual 则实现最高均值标签感知 R@1 (13.52%)。该研究已接受发表于 BMVC 2026,代码开源于指定 URL。
EditVeto 在 Qwen3 模型生成的改写后引入门控,冻结测试于 HIPE-OCRepair-2026 数据集使加权 cMER 降低 0.0026-0.0044。该基于公开模型与数据的方案在竞赛中优于除冠军外的所有已发表运行结果。
该研究系统评估了欧拉角、轴角向量及四元数等 SO(3) 群表示在计算机图形学与机器人领域的特性,证实四元数因紧凑性和计算效率占据主导地位。文章指出 6D 连续表示与矩阵 Fisher 分布能增强连续性并建模不确定性,为动画、姿态估计及三维形状配准等应用奠定数学基础。
该论文提出一种无需训练和遮挡标签的遮挡检测方法,通过分析相机管道计算出的表观高度与单目度量深度之间的差异来识别遮挡情况。实验显示该方法在 KITTI 数据集上对行人检测(含漏检样本)达到 AUC 0.888,在合成 CARLA 场景中表现优于仅依赖距离的方法。研究指出传统架构响应如深度融合或数据增强在未覆盖的分布中效果有限,且模型在不同地域场景间泛化能力存在显著差异。
针对神经网络在简单场景中仍会失效的问题,本文提出Procedural Adversarial Learning(PAL)框架,利用可解释的程序生成器在低维控制参数空间搜索困难实例。
PixelSpline 框架结合长上下文编码与连续 HR 特征提升,利用端点锚定的单条连续轨迹显式建模像素运动以解决对应模糊问题。实验在空间与时序上采样设置下验证了该方法在质量与效率间的良好权衡。该预印本论文已上传 arXiv,代码与权重开放许可状态待确认。
针对现有个体动物识别模型依赖身份相关捷径而非真实特征的评估局限,本文提出 CounterFactual Foreground Retrieval 协议。该方法在全图、仅前景和仅背景三种视图下评估同一查询任务,将单一检索分数转化为包含原图性能、前景支撑度及背景信号可恢复性的证据画像。作者开源了用于 34 个数据集的约 50 万个掩码生成代码与评估工具。
作者介绍了 LongBanana,据称是智能体驱动图像生成时代首个专家设计并验证的长上下文多参考图像合成基准。任务要求检索分散视觉证据、拒绝干扰项、绑定实体关系并从多个参考源合成连贯图像。
针对计算机使用代理(CUAs)在处理长视野任务时因视觉 Token 过多导致的高计算成本问题,本文提出 Visual Token Routing (VTR) 框架。
Trainspotting 数据集包含来自 Wikimedia Commons 的 12,068 个物体和 311,886 张照片,涵盖固定、移动及共享设计三种场景。
针对多模态大语言模型中视觉信息如何接入语言模型语义的难题,提出 DGP(Dynamic Gated Pathways)机制,建立每个 ViT 层与每个 LLM 层之间的全连接,并让各 LLM 层根据自身语义状态动态门控选择视觉输入。该方法基于 LLaVA-1.5-7B 和 13B 构建,在 SQA、MM-Vet、VizWiz 等基准测试上均取得一致提升,且优于先前的多图层融合方法。
该论文研究了五个开源文生图模型(包括 SD3.5-M、FLUX 系列和 Qwen-Image)在生成物体数量超过十个时的表现。实验发现,一旦请求中的物体数量超过约十个,所有模型都会停止遵循具体的数字指令,其生成的图像布局主要由初始噪声的粗粒度部分决定,而非数字词本身。研究还指出,当物体数量超过十时,精确匹配分数难以区分遵循指令与忽略指令的模型,而相对误差评分甚至可能偏好常数猜测值十六。
推荐理由:研究揭示文生图模型在物体数量超过十时失去计数能力,且噪声布局比数字指令更能决定构图。
Context-Aware Autoregressive Image Generation 框架通过动态确定下一 token 位置,使模型能自适应图像结构与语义依赖。实验显示该方法显著提升了掩码及尺度自回归范式的结构鲁棒性,并增强了复杂指令理解与忠实遵循引导的能力。代码已开源,论文已被 NeurIPS 2026 接收。
该论文针对少步蒸馏中保持生成质量难的问题,提出了速度对抗蒸馏(VAD)及其轨迹分布匹配变体 VA-TDM。方法利用学习到的评论家比较学生与教师场的差异,统一了分数蒸馏、基于 Fisher 的匹配和矩匹配等策略,并实现了过渡感知的在线速度学习与双重形式监督。实验表明该方法在文本到图像和视频生成中达到最先进四步性能,且在 33B MiniMax-H3 模型上表现优异,更接近原始多步生成的效果。
论文提出语义残差向量量化框架,将手语生成分解为从语义到运动学的两级过程,通过单一量化器学习层次结构以编码符号内容并细化姿态与肢体协调。该方法在 CSL-Daily 和 Phoenix-2014T 数据集上实现了 R@1 分别为 82.3% 和 70.3%,分别比之前的最先进水平高出 30 和 46 个百分点,已接受至 WACV 2027。
UMBench 是基于无人机图像构建的细粒度城市遥感基准,涵盖交通监测、城市建设等任务。评估显示当前多模态大语言模型常依赖场景先验而忽视细粒度视觉证据。提出的免训练“证据优先”思维链方法可提升开源及商业模型在该基准上的性能,论文已被 IEEE AP-GARSS 2026 接收。
本文介绍 ZETA 架构,将路由策略与视觉执行解耦,先解析科学意图再调用专用工具,使测量成为基于显式几何的确定性操作而非生成输出。在包含 51 个科学意图查询的零样本基准测试中,显式路由语义显著提升了路由准确率:对 Qwen 3.8 模型,分割任务路由准确率从 6.2% 提升至 75.0%,检测任务从 60.0% 提升至 100%。
针对多轮图像编辑中因输出复用导致的小误差累积成严重视觉漂移的问题,TailSteer 提出了一种最终阶段训练框架。该方法遵循简单原则:保持早期去噪动力学接近基座模型,仅在轨迹末端集中进行修正以抑制细粒度偏差。
推荐理由:TailSteer 框架在保留基座模型能力的前提下,通过轨迹末端修正显著降低了多轮编辑中的累积漂移。
本文介绍 CoupledSGA 方法,通过关系交互图和结构一致性损失解决连续时间场景图模型中互斥谓词预测冲突的问题。研究指出当前 With-Constraint 评测协议无法反映引入结构一致性带来的召回率下降代价,建议同时报告无约束结果与矛盾率。代码与论文已接受于 ICVGIP 2026。
该论文提出了 TurnWise 框架,旨在改进流式视频理解中的强化学习策略。针对现有方法在轨迹层面共享奖励导致早期成功或失败影响后续回合的问题,该方法利用沉默补全前缀评分构建组相对优势,并将回合内的 token 损失平均化,从而平衡响应与等待决策的权重。实验表明,无需学习评论家模型或额外 rollout,该方法能显著提升流式策略的学习效果并减少冗余回复。
针对流式视频中目标集合随时间演化的特性,本文提出广义推理视频分割(GRVS)新任务及 Sekai 在线框架。该框架包含维护查询相关事件的 Event Memory Reasoner 和基于记忆的解码器 MGD。在包含 60 个视频与 197 个查询的 Isekai 基准测试中,Sekai 取得 50.33 J&F 分数,优于最强基线 3.2 分。代码、标注及评测脚本已开源。
CardioDrift 提出一种全自动的图谱基础概率框架,利用形状感知一致点漂移联合配准多区域心脏表面并嵌入切片偏移校正以消除配准伪影。该方法在 UK Biobank(1301 例)和 M&M 数据集上评估,左心室、心肌及右心室的 Dice 相似系数分别达 92.23%±8.70%、82.11%±7.56% 和 88.69%±4.13%,超越所有基线。
该论文提出一种名为 DSSD 的新方法,旨在改进用于时空预测的扩散模型。作者指出传统方法将未来帧与独立噪声混合,导致时间依赖性完全由去噪器承担。DSSD 通过构建基于稳定对角状态空间模型的阻尼振荡模式的时间核,使去噪过程能捕捉多时间尺度和振荡相关性。
该研究开发连续先验补偿(CPC)及增强版(CPC++)框架,将人类运动预测任务分解为子阶段以解决长短时序相互干扰问题。引入可学习随机变量 Prior Compensation Factor 显式度量先验知识损失,并理论上证明其可与模型参数联合优化。在三个基准数据集上结合 PGBIG、siMLPe、MotionMixer 及 LTD 等主流骨干网络验证了框架的有效性与灵活性。
该论文针对无人机协同感知中的带宽瓶颈,提出 UCP 框架以观测不确定性和判别不确定性表征协同价值,生成空间请求与供给图以提升通信效率,并通过 U-Fusion 模块聚合消息。实验在三个基准数据集上验证了其在三维目标检测与轨迹预测任务中优越的性能带宽权衡及泛化能力。
最多提供 50 页,更早的内容请使用搜索或主题页。