SSA-3DGS:无监督移除 3D Gaussian Splatting 中的屏幕空间伪影
针对 3D Gaussian Splatting 因输入图像包含传感器缺陷、环境遮挡或数字叠加层等屏幕空间伪影而导致的重建质量下降问题,本文提出 SSA-3DGS 框架。
针对 3D Gaussian Splatting 因输入图像包含传感器缺陷、环境遮挡或数字叠加层等屏幕空间伪影而导致的重建质量下降问题,本文提出 SSA-3DGS 框架。
针对 pinned 蝴蝶标本难以数字化的小尺寸、脆弱性及腹面拍摄难题,该研究提出无需三脚架的手持对焦堆叠与非接触首表面镜系统。结合免分割的镜面感知 3D Gaussian Splatting 扩展,该方法在九种多样标本上验证了全方向查看的光真实感重建效果。
该论文指出将浅层编码器层融合进表征自编码器(RAE)虽能锐化像素重构但会损害扩散生成,传统归因于潜在内容本身,实则源于编码器 - 解码器界面的几何失配。作者提出冻结基础编码器以保留丰富视觉信息,同时正则化解码器以平抑其对潜在变化的敏感性,并将扩散坐标与冻结解码器的度量在相同干净重构处对齐。
该论文针对文本条件扩散模型难以控制生成内容的难题,发现嵌入空间呈超球面而非欧几里得结构。作者提出 HEART 框架,直接在超球面上进行 Kent 分布感知的测地线变换,实现无需微调、反演或优化的主体替换与属性控制,且适用于多种架构。材料为 arXiv 预印本,未提及同行评审状态。
推荐理由:提出无需微调的 HEART 框架,利用超球面几何与 Kent 分布实现扩散模型的精确编辑。
MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。
推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。
针对生物医学图像分割中密集标注稀缺及跨主体、跨模态泛化难的问题,该研究提出 CAST 框架。该方法基于冻结的 DINOv3 骨干网络,无需额外训练即可在推理时通过少量标注示例实现精细化的结构对应关系校准。
针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。
推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。
在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。
推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。
OmniTongue 是首个针对中医舌诊的细粒度视觉问答基准,整合了 1351 张专家验证图像与 21616 条指令对。该基准涵盖 16 个临床维度、区域特异性标注及 66 个精细标签,旨在评估多模态大模型在中医领域的真实理解能力而非统计捷径。现有模型在该基准上表现不佳,暴露出缺乏领域优势与过度依赖统计技巧的局限。
针对现有 grounding 专家对指令变化敏感、生成式 VLM 难以完整恢复目标的问题,该研究提出 VLM-guided Grounding Expert(VGE),通过逐层联合注意力机制将冻结 VLM 的上下文表征与可训练的空间预测能力结合。
论文提出了 PRUDENT 方法,用于加速大型视觉语言模型(VLM)。该方法利用一个小 VLM 对剪枝后结果的异议信号,将节省下来的计算资源重新分配给那些小 VLM 认为不可靠的问题进行二次回答。在 18 个基准测试中,PRUDENT 在相同的平均视觉 Token 预算下优于八种现有的剪枝方法,且在预算更紧张时优势更大。代码和数据已公开。
推荐理由:提出 PRUDENT 方法,利用小 VLM 对剪枝结果的异议来重新分配视觉 Token,在多个基准上优于现有方法。
针对手动从参考视频中重建动画三维块状布局成本高、限制创作者使用及配对训练数据生产的问题,该工作提出 MAVE 框架与 MAVEBench 基准。MAVE 结合度量观察、代理建模和基于证据的验证,在共享度量坐标系中恢复相机、人物运动及几何证据,由代理构建受约束的可编辑环境,并通过程序化检查报告不一致性以指导优化。
推荐理由:该工作提出 MAVE 框架与基准,从电影镜头重建可编辑三维场景,为视频生成提供结构化条件。
Sample-Aligned Decoders (SAD) 通过样本对齐与编码器锚点保留技术,解决潜在生成模型在测试时未见真实潜变量的分布差异问题。该方法在不增加推理开销的前提下,将 REPA-E 的 FID-50K 指标从 1.15 提升至 0.98,并兼容判别器引导及文生图任务。代码与模型已开源,适用于 ImageNet 等主流生成架构。
MedImgAnnotator 是一款集成编辑、掩码匹配及插件管理的半自动批量标注工具,将主动标注时间从开源工具的 206.5±32.87 秒降至 59 秒。该工具已在 MICCAI 2026 CARE Challenge 肝分割优胜者处用于处理 6412 个 MRI 容积数据,且经 12 名用户评估显著提升了易用性。目前提供可执行文件与 Python 脚本版本供下载。
针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。
推荐理由:提出 SARVIA 方法,利用现有 MLLM 视觉编码器通过自监督微调实现合成孔径雷达任务的高效适配。
论文提出了 CoSphere-SLAM,这是首个针对全景相机的多智能体高斯泼溅 SLAM 框架。该方法利用快速傅里叶相关在任意方向对齐球面特征以解决对称房间误匹配问题,并通过全局 Sim(3) 共识剔除假闭环;同时采用方向性全局优化修正尺度漂移并分离光流与深度量级,最后通过全向高斯融合联合优化位姿与地图。实验表明其在室内及跨会话多智能体基准测试中达到了最先进的轨迹精度和渲染质量。
EgoLink 是 ACM Multimedia 2026 发布的基准,评估模型在第一人称视频中进行社交推理、解析视觉指代并将用户请求转化为工具介导动作的能力。
本文研究了冻结多源 3D 语义融合中直接取 Top-1 标签导致信息丢失的问题,提出通过保留 Top-k 候选来改善性能。在 ScanNet200 数据集上,Top-20 策略的调和平均 IoU 达到 35.49,优于 Top-1(28.47)和全量保留(34.87)。研究还发现几何池化算子下全量保留表现最佳。该工作为冻结基础模型的融合推理提供了新的信息论视角与实验证据。
论文对 Segment Anything Model 3 (SAM 3) 进行了多任务实证评估,涵盖场景分类、目标检测和实例分割,且无需微调。研究发现仅使用文本提示效果较差,加入视觉提示能显著提升准确率;结合两者时效果依任务而异。在通用域开放词汇检测与分割基准上,SAM 3 的纯文本性能优于多个对比模型,但无视觉提示时的准确率仍受限,未来工作需探索参数高效微调方向。
针对 3D Gaussian Splatting(3DGS)在近景渲染时质量下降及基于扩散模型的增强方法存在伪影的问题,本文分析了其根因是参考图与近景之间的尺度差距导致特征非尺度不变。
针对扩散 Transformer 在生成超训练范围分辨率时性能下降的问题,本文提出 SEGA 方法。该方法无需额外训练,通过在去噪步骤中根据潜变量的空间频率结构动态调整 Rotary Position Embeddings 各组件的注意力缩放比例,从而改善高分辨率合成中的结构一致性与细节保真度。实验表明,SEGA 在多种目标分辨率下均能提升生成质量,优于现有免训练基线。
SynVA 是一款结合流匹配方法与学习方法的血管网格及解剖一致动脉瘤合成工具包,仅基于生理原理和统计先验即可生成大规模数据集。该工具发布包含 50,000 个全标注网格样本的数据集,预训练可提升真实数据上的点云分割与形态参数估计效果。代码将在论文被接收后开源。
该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。
推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。
针对文本查询与细微视觉线索对齐难、长尾分布及大模型微调成本高的问题,提出无需训练的粗到细框架 AnomalyLMM。该方法先利用通用检索模型初排,再通过填空式重排序机制引导多模态模型关注特定区域并生成异常描述,最后计算语义对齐进行重排序。在 PAB 和 UCC 数据集上,Recall@1 分别提升 1.93% 和 1.79%,且具备高度可解释性。代码将公开。
VIVID 是一个支持多种原生编码智能体在视频后期制作中工作的视觉框架,提供按需的视频检查、音频分析及转录工具。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。
ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。
针对权重分解方法因矩阵替换引入开销导致延迟降低困难的挑战,本文提出平衡双权重分解(BTWF)方法。该方法在共享基元设置下利用孪生层结构减少推理时间,并通过因子分量平衡与块贡献平衡优化性能。实验表明,BTWF 在六个模型九个基准测试中相比最先进方法提升 2-6%,无需昂贵的微调即可实现效率与性能的平衡。
论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。
推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。
MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。
针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。
论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。
该研究在 MMEB-V2 基准的 78 个数据集上验证,标准附加循环使检索分数下降 0.46 分,而中间生成阶段则提升 0.36 分。预训练引入循环的模型相比去环控制组增益 4.23 分,且在视觉问答与文本定位任务中受益于查询条件化的图像更新。研究区分了前向信息流保持查询独立性与双向注意力下的状态敏感性机制。
论文提出了 RETR,这是首个尝试将事件相机引入 3D 车道检测的工作。作者构建了包含真实世界序列的 DSEC-3DLD 和大规模仿真序列的 Ev-OpenLane 两个多模态基准数据集。
推荐理由:提出首个将事件相机引入 3D 车道检测的模型,在真实与仿真基准上均达到最先进水平。
SRDP(Soft-interior Rim Dense-grid Pooling)是一种无需训练的几何感知读出方法,将冻结的 PFM 晶格转化为与掩码对齐的细粒度细胞表征。
SearchChord 提出一种免训练框架,通过文本预选、图像验证和潜在场重组平衡编辑保真度与计算成本。消融实验显示在 200 个候选者池中选取 100 个最具性价比,而 TextSim 仅需预选 10 个即可优于全量输入。该方法在 PIE-Bench 及新提出的 CropWeed-EditBench 上验证了文本预选提升对齐、重组保留源内容的权衡机制,代码与数据将公开。
Trap Tracker RT 是首个由野外组织拥有基础设施的开源自托管应用,通过邮件或 FTP/SFTP 接收图像并调用 DeepFaune-SSA v1.2 模型进行本地分类与预警。
T2T 提出全自动流水线,将桌面、Web 及移动端未标注视频教程转化为结构化可执行交互轨迹。该管线结合主动片段过滤与两阶段动作空间归一化,在百万级无人类标注样本上微调 Qwen3-VL-8B。模型在 OSWorld-G、ScreenSpot-Pro 等基准实现跨应用泛化提升,且无需目标域分布内训练数据。
Guobiao Wang 审计了一种无源流匹配分割器在 120 名未见训练数据上的表现,发现模型常漏检脾脏且现有质量门控(往返过滤和体积 Dice)无法识别此类错误。作者提出 Chain-and-Fill 方法在 119 名患者上满足所有预注册终点,其严重组增益与 SAM 2 传播不可区分,且仅 1/357 的患者种子对受损。
推荐理由:原文审计了无源流匹配分割器在 CT 影像中的脾脏漏检问题,并验证了链式填充修复方法的有效性。