基于视觉的低功耗边缘平台实时跌倒检测预印本撤回
该研究提出一种物理感知的双 LTC 架构,将跌倒重构为耦合动力学系统中的失稳事件。模型在仅约 50K 参数下实现低功耗边缘设备实时推理,但在两分类数据集上的验证后,作者因术语不准确于 2026 年 11 月 17 日撤回论文。
该研究提出一种物理感知的双 LTC 架构,将跌倒重构为耦合动力学系统中的失稳事件。模型在仅约 50K 参数下实现低功耗边缘设备实时推理,但在两分类数据集上的验证后,作者因术语不准确于 2026 年 11 月 17 日撤回论文。
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。
TableVista 是一个包含 3,000 个高质量问题、经渲染扩展为 30,000 个样本的多模态表格推理基准。研究对 29 种开源及专有基础模型进行评测,发现其在复杂结构布局和纯视觉设置下表现显著下降。该结果揭示了当前多模态模型在结合结构复杂度与视觉呈现时难以保持推理一致性的关键差距。
针对现有基准无法有效评估多行手写数学转录的问题,本文揭示了视觉语言模型(VLM)倾向于“修正”而非忠实转录学生作业的过度修正失效模式。作者提出 PINK 指标,利用大语言模型进行基于评分标准的打分并明确惩罚过度修正行为。
针对异质采集条件下的低剂量 CT 成像挑战,该方法利用正弦图共轭对称性合成噪声多样化数据对,实现了无需外部监督的自监督网络训练。该轻量级去噪网络在低剂量仿真、临床螺旋 CT 及预临床光子计数 CT 数据集上均展现出强大的泛化能力与竞争性性能。代码已公开,为结合物理冗余的学习型图像重建提供了通用且高效的数据范式。
Matisse 是一种无需训练的框架,通过利用预训练生成式 3D 模型提供的证据,统一了主动重建与关键帧选择任务。该方法估计证据不确定性并推导证据信息增益,以指导视图获取和关键帧选择。在 GSO30、YCB-V 和 Replica 数据集上,Matisse 相对于最佳基线分别将 Chamfer 距离降低了 12.7%、3.8% 和 9.2%,并在 GSO30 上实现了 1.5 倍的整体加速。
推荐理由:该工作提出无需训练的框架,利用预训练生成式 3D 模型的证据来指导主动重建与关键帧选择。
arXiv 论文 WALDO 提出一种无需针对每个物体单独训练的实例检测方法。该方法将冻结的自监督图像特征(DINOv3)与视频世界模型特征(V-JEPA 2.1)进行融合,利用轻量级条件头在杂乱真实场景中定位特定物体实例。研究指出,通过模型图像通路读取 V-JEPA 的特征可改善其定位性能,且两种特征互补;相比强视觉语言模型,该方法显著提升了单样本查询下的实例定位效率与精度。
该研究提出了 RPA(Raw-Patch Attribution),一种轻量级卷积神经网络,旨在解决仅凭图像判断其生成模型的归因问题。该方法在严格黑盒设定下运行,通过处理多图像补丁以适应不同尺寸并提升精度,在 25 类 DRAGON 数据集上达到 98.9% 的准确率,在 27 类 OpenFake 数据集上达到 95.0%。
推荐理由:提出 RPA 轻量级 CNN,在严格黑盒设定下以毫秒级成本实现高精度图像生成模型归因。
arXiv 论文 MAGIC-SSCIL 提出一种无需存储旧数据的半监督类增量学习方法,通过冻结特征图的 k 近邻图传播标签并利用软加权几何校准优化统计量。实验在 CIFAR-100、CUB-200 和 ImageNet-R 上验证,该方法在极低标注比例(如 1%)下表现优异,但在高标注比例时不如自适应骨干的方法。材料为 v2 修订版,简化了部分组件并更新了基线对比与分析。
该论文针对 4D 雷达点云稀疏、噪声及定位精度有限导致的配准里程计挑战,提出 RaDiVe 框架。方法包括限制对应搜索至近距体素对的距离受限 NDT 以提升优化稳定性与效率;利用测量多普勒径向速度与估计自车速度预测值的差异构建速度差异点不确定性模型以缓解测量歧义;并通过隐式神经映射提取基于有向距离函数的表面点以构建几何一致且去噪的局部子图。
论文介绍了 VZCrash,这是目前公开可用的最大规模真实车辆碰撞数据集,包含超过 31,000 个验证后的碰撞事件和 158,000 个负样本。数据来自安装在 73,010 辆不同尺寸商用车辆上的设备,在美国行驶数年间采集,每个样本包含 100 Hz 的加速度与角速度以及 1 Hz 的 GPS 速度。
推荐理由:该数据集包含超 3.1 万起真实碰撞与 15.8 万负样本,为训练高鲁棒性碰撞检测模型提供了大规模 IMU 数据支撑。
针对两视图对应关系学习中的异常值剔除问题,论文提出了 SFMambaNet。该方法将匹配对按簇扫描以区分平滑的正确匹配与 erratic 的错误匹配,并在前向和反向传播间引入可学习的频域门控滤波器。实验表明,该架构在相机位姿估计、外点去除和单应性估计任务上优于空间域 Mamba 基线,且参数更少;其核心发现是参数化的低通滤波器效果优于同等规模的逐点层,证明了频率是描述对应关系一致性的自然语言。
HolisticMotion 提出统一骨架布局视角,通过课程掩码、身体分区与运动学注意力三大设计,在 AMASS 和 HPS 数据集上实现各类跟踪协议下最低的定位误差。该统一表示还能兼容额外可穿戴传感器,进一步提升重建精度与动作平滑度。代码与论文已作为预印本发布于 arXiv。
论文提出了 SKYPART,一种轻量级可替换头部的视觉 Transformer 方法,通过原型竞争、高度条件调制和图注意力读出解决跨视角地理定位中的纹理与尺度问题。该方法在 SUES-200、University-1652 等数据集上实现最先进结果,且在多种天气干扰条件下保持优势。材料为 Neurips 2026 接收的预印本,代码已开源。
该论文针对扩散模型在生成罕见但合理的图像组合时易发生默认补全偏差的问题,提出无需重训的 DCR 框架。该方法通过构建反事实吸引子并移除与漂移方向对齐的引导分量,有效抑制高频语义配置对生成过程的干扰,同时保持视觉质量。
CAM3DNet 提出稀疏查询框架,融合复合查询、自适应自注意力及多尺度混合采样模块以高效利用动态多尺度信息。在 nuScenes、Waymo 和 Argoverse 基准数据集上,该模型优于现有主流相机基线方法。论文已获 Machine Intelligence Research 录用,代码与权重开放于 arXiv。
该论文针对无图轨迹预测中缺乏道路拓扑先验的挑战,提出了以目标条件化专家路由 Transformer(GCERT)为核心的框架。方法首先通过中心化移动平均分解历史运动特征为平滑趋势与局部残差,随后利用双级专家路由机制生成交互特定消息并自适应变换节点状态。最终将多模态未来轨迹与回归、分类及目标预测目标联合优化。材料仅包含预印本摘要与技术细节,未涉及真实部署结果或同行评审状态。
该方法提出一种新型自监督深度补全范式,仅需稀疏深度测量及对应图像即可训练,无需密集标签或邻视点序列。通过利用深度分布特性设计新损失函数并融合视觉基础模型分割图,有效将观测点信息传播至未观测区域。实验证明该方法在静态或单帧场景下能有效恢复稠密深度,但论文已被作者撤回且无 PDF 可用。
针对硬件限制导致的低分辨率湍流数据,该研究提出一种架构无关的高维空间物理耦合算子,将标准卷积扩展至联合时空维度以显式捕捉变量间局部交互。实验表明该方法在极度稀疏条件下具备强重建性能与零样本泛化能力,为三维湍流建模提供了物理感知的归纳偏置。
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。
FM-Mamba 提出了一种基于 Fornasini--Marchesini 模型的原生二维选择性状态空间架构,通过耦合递推沿双轴演化并自适应调整步长以抑制局部放大。该模型采用双对角波前扫描执行,无需将特征图展平或固定缩放因子,代码已开源。
作者发布 MInfoVisQA 基准,包含源自 128 个种子实例的 8,960 种问答配置,覆盖 24 种语言。该基准通过解耦数值结构数据与文本并程序化同步翻译标签,构建了种子匹配的平行视觉与问答对。
该论文提出 Any2Building 模型,旨在从部分点云、俯视图或两者结合中重建 LoD2 精度建筑。核心采用基于占据的共享空间查询表示法,在公共三维网格内对齐几何与视觉线索,并通过体素条件表面生成及低多边形重网格化管线输出紧凑模型。
该方法通过解码器微分进行归因,解决传统方法在角度、注视方向等预测中因固定解码器丢弃坐标变化而导致的错误归因问题。实验显示,在 MPIIGaze 数据上其 Tangent Grad-CAM 使像素删除后的预测位移提升 44%,PASCAL3D+ 任务下平均删除位移分别优于基线 14.1 度和 13.8 度。该研究区分了径向污染与标量化损失两种失效来源,并指出不变性归因仍需结合删除性能检查。
论文介绍 ReTouchGS,这是据称首个针对预训练 3D Gaussian Splatting 模型的免参考图像美学色彩增强框架。该方法通过模型及其相机参数预测场景级查找表(LUT),并利用共享的混合感知色彩细化网络(仅 4.47 万参数)实现无需渲染的色彩映射与几何保持。
该论文提出 Refin3R 模型,通过双分支架构将运动恢复结构(SfM)的稀疏点云信息传播至图像网格并进行联合细化。2D 分支利用几何感知骨干网络扩展 SfM 覆盖范围,3D 分支推理多视角结构以捕捉仅靠图像无法表示的全局几何。
该团队利用 Sentinel-2、Sentinel-1、ALOS PALSAR 及 ALOS 高程数据,基于圣保罗州航空激光雷达训练的深度学习网络,生成了 2024 年巴西大西洋森林冠层高度(10m)和地上碳密度(30m)全区域图。
该论文提出 Decision-Guided Speculative Perception(DGSP)方法,利用规划器对假设物体的反应探测低分辨率场景中的决策敏感区域,仅对这些区域及当前动作依赖的检测进行高分辨率验证。
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。
建筑变化检测通常依赖昂贵的大规模密集标注。本文提出 Linear INduced Discriminants (LIND),一种无需训练的框架,将区域特征对比转化为可复用的线性分类器。
推荐理由:提出无需训练的线性判别框架,利用少量标注实现跨数据集的建筑变化检测。
论文介绍 BRepA,这是一个通过图建模显式重建 CAD 模型几何与拓扑的统一自监督预训练框架。在仅有 1% 标注样本的分割任务中,相比从头训练提升 mIoU 32.52%;在生成任务中,对齐扩散模型表示可加速收敛近 2 倍并改善生成质量。作者将开源代码以支持未来研究。
SPS-GS 提出一种“仅编码一次”框架,通过相位相干混叠解调与高斯投影对齐技术,从单张高分辨率图像合成多阶段低分辨率观测以学习超分辨率。该方法无需真实多帧训练序列即可整合多帧信息,在五个遥感数据集上优于单图及多帧基线并保持推理效率。代码将公开发布。
arXiv 发布了一篇关于 3D 形状反射对称性检测的论文。作者提出无需训练的 FAST 框架,结合几何对投票与高效谱计算,将搜索空间从候选平面缩减至平面朝向。利用 Funk-Hecke 定理在球谐域进行平滑处理,实现了低于 4ms/形状的 GPU 推理速度,在多基准测试中 F1 分数最高(0.861 和 0.947),且对几何噪声具有强鲁棒性。
针对高分辨率激光雷达在线处理效率低且缺乏资源约束的问题,作者提出了 Pelorus 方法。该方法采用固定容量的体素化法线分布地图和迭代等变状态估计器,通过基于相关性的驱逐机制限制内存占用,并利用成熟度加权的地图更新抑制不一致观测。
推荐理由:Pelorus 提出资源感知的激光雷达惯性里程计方法,在固定内存容量下实现低 CPU/GPU 负载,并开放 CUDA、Vulkan 及 Metal 后端代码。
论文提出 Kolibri 方法,利用几何细化机制将机器人定位问题简化为仅寻找房间位置(Place),由图网络处理颜色与局部形状特征确定具体姿态(Pose)。该方法在 ScanNet 未见过房间测试中表现优异,单帧推理耗时 82ms,显著快于传统 GeDi 方法,且无需房间标签即可工作。
TinyWOD 是首个针对 1.5-2.0 km 高空开放水域搜救场景的微小目标检测数据集,包含 11,359 张标注图像及 19,505 个实例。该数据集平均等效边长为 12.7 像素(76.96% 低于 15 像素),填补了现有数据集不支持高空自动检测的空白。研究通过定义 APtiny 指标验证了主流网络在该场景下的有效性,支持相关算法研发。
ForceBody 是首个将地面反作用力与逆动力学关节力矩引入参数化人体表示的数据集,包含 140 名受试者共 10,386 次动作尝试(9.7M 帧、26.9 小时)。
推荐理由:ForceBody 数据集首次将地面反作用力与参数化人体模型结合,并附带关节力矩不确定性标注。
GaussianMamba 提出双分支 Mamba 框架,利用各向异性高斯支撑和特征语义亲和性优化 3D 高斯原语的遍历顺序。该方法在 nuScenes-SurroundOcc 和 SSCBench-KITTI-360 数据集上,IoU 与 mIoU 指标均优于 GaussianFormer 及 GaussianFormer-2。
该研究探讨了在模拟移动平台上,基于文本视图训练的 GUI 智能体为何难以迁移到截图视觉输入的问题。作者发现阅读器的误读具有系统性且重复出现,单纯匹配噪声的仿真到现实补救无效。通过仅在阅读器层面进行对齐微调(reader alignment),使其输出与截图对应的文本视图,策略无需重新训练即可在未见任务实例上达到 80.9% 的全任务成功率,显著优于将相同预算用于直接训练策略的 55.6%。