Variational Trajectory Optimization of Anisotropic Diffusion Schedules 提出变分框架优化各向异性扩散调度
该方法通过矩阵值路径联合训练分数网络并学习噪声调度,推导了高效优化估计器及二阶 Heun 离散化反向 ODE 求解器。在 CIFAR-10、AFHQv2、FFHQ 和 ImageNet-64 数据集上,其 FID 指标持续优于基线且低 NFE 增益最大。代码已开源,论文版本为 arXiv:2602.19512v2。
该方法通过矩阵值路径联合训练分数网络并学习噪声调度,推导了高效优化估计器及二阶 Heun 离散化反向 ODE 求解器。在 CIFAR-10、AFHQv2、FFHQ 和 ImageNet-64 数据集上,其 FID 指标持续优于基线且低 NFE 增益最大。代码已开源,论文版本为 arXiv:2602.19512v2。
论文提出将局部微调、LoRA 及激活干预等 LLM 控制方法视为由控制信号诱导的动态权重更新,构建了统一的偏好 - 效用分析框架。研究发现控制强度增加会提升对目标概念的倾向(偏好)但降低生成连贯性(效用),并通过激活流形视角解释了这一权衡机制。作者据此提出了新的转向方法 SPLIT,旨在改善偏好同时更好地保留效用。代码已开源。
该研究介绍了一种黑盒可解释性框架,通过学习“宪法”来总结提示词变化对模型行为(如对齐、正确性或约束遵循)的影响。方法利用原子概念编辑(ACEs),系统性地添加、移除或替换输入提示中的可解释概念,从而建立从编辑到结果的因果映射。
针对科学文档视觉问答中证据定位困难且缺乏可解释性的问题,作者提出了 SciEGQA 数据集。该数据集包含 1,623 个人工标注的高质量问答对及超过 30K 个自动构建的训练样本,支持语义连贯的证据区域标注。实验表明,基于该数据集训练能显著提升视觉语言模型在科学文档中的推理与证据定位能力。
本文对 CNN 和 ViT 架构在多种训练范式下的分布外(OOD)检测置信度评分函数进行了系统性基准测试。研究发现,简单概率分数主导误分类检测,而基于几何、重构或残差的分数在不同表征坍缩程度下表现各异。研究提出了一种基于 PCA 的投影过滤流程以提升性能,并开发了仅利用已训练分类器的神经坍缩(NC)指标来预测其竞争性 OOD 检测器清单的方法,无需额外 OOD 数据或先验知识。
作者提出了一个基于 GPU 的求解器,用于解决轨迹规划问题。该方法采用多射击动力学表述和增广拉格朗日法处理约束,并开发了两类针对树稀疏结构的内层 LQR 求解器以利用不同级别的并行性。数值结果表明,与高性能 CPU 求解器相比,该方案在大规模问题上具有更优的性能。
该论文提出 3D-MoE,一种利用混合专家架构和模态感知概率路由的高效 3D 视觉语言模型。研究集成基于扩散的动作头 Pose-DiT,将模型转化为能生成精确 6D 姿态的 3D 视觉语言动作(VLA)模型,支持机器人操作任务。实验表明该模型在多个基准上表现优异,激活参数大幅减少且推理实时,已接受 EMNLP 2026。代码开源。
论文提出 Watermark-based Adversarial Surface Perturbation (WASP) 方法,证明可见水印可作为对抗表面破坏文档理解性能。
该论文研究了模拟空气曲棍球防守任务,发现即使在没有追踪冰球的临时情况下,控制仍需依赖记忆。研究将 DreamerV3 教师模型蒸馏为具有 64 维状态的紧凑循环策略,结合对角线线性循环与可选的秩 k 非线性创新,而观测编码器和动作头保持非线性。
论文介绍了一种名为 FlowTool 的新方法,通过将基于工具的图像编辑任务建模为流匹配问题,直接对输入图像和用户指令条件化地生成高质量工具参数的分布。该框架结合了视觉语言模型骨干网络与扩散 Transformer 参数生成器,无需自回归推理即可有效完成结构化连续编辑参数的生成。
针对多视图投影和现有 UV 空间方法依赖辅助模块导致的接缝不连贯问题,论文提出 DirectUV 框架。该方法在预训练图像 VAE 的潜在 UV 空间中运行,利用 Diffusion Transformer 结合单张输入图像和粗略 UV 图进行去噪。
该论文在 COCO-Val 全量数据集上分析了零训练大语言模型与开词汇检测器流水线的表现,发现定位准确率下降主要源于词汇新颖性导致命名对象超出标注类别范围,而非模型幻觉或视觉复杂度问题。研究证实了该现象具有通用性,并修正了前版计算误差,为开放世界多模态系统的评估与设计提供了关键依据。
推荐理由:研究发现零训练流水线中定位与语义的差距主要源于标注类别限制而非模型幻觉,为评估开放世界系统提供了新视角。
针对家庭环境服务机器人部署难题,研究提出基于商用 XR 笔的增强现实控制界面,并对比了运动控制器、手势及 RViz 基线。10 人实验显示运动控制器在感知工作量和可用性上得分最佳且接近计算机基线,而手势操作导致显著更高工作量;XR 笔虽任务选择时间最短但受头显切换至手部追踪问题影响未达统计显著性。该研究已获准于 2027 年日本神户 IEEE/SICE 系统集成国际研讨会展示。
论文提出 RecCAR(Reciprocal Cross-modal Attention Regularization)方法,针对联合视频与动作、音频生成的跨模态对应关系不对称问题,利用已建立的视频到模态的强对应作为固定参考,通过 KL 散度正则化对齐较弱的模态到视频对应。
本文提出 GameReplica 基准,用于评估视觉语言代理在黑盒条件下复现网页游戏系统的能力。该基准包含 25 款游戏的 125 个实例,涵盖五种核心机制家族及五个难度等级。
该论文提出 PRIME 方法,通过跨注意力机制聚合过去感知、推理及导航目标的潜在表示,为 VLA 模型提供情境记忆反馈,使其感知查询具备意图驱动性。实验显示,该方法在基准测试中实现了 82.47 的驾驶得分和 60% 的成功率,显著优于现有基线。材料仅包含预印本摘要与元数据,未涉及真实部署或开源代码。
推荐理由:PRIME 通过引入情境记忆嵌入机制,以极小参数成本实现了感知模块的意图驱动注意力,在 Bench2Drive 基准上刷新了 VLA 模型的驾驶得分与成功率。
针对 VLA 策略在长视野执行中因物理条件未达成而盲目推进导致任务失败的问题,本文提出 CommitFlow 闭环执行框架。该框架冻结基策略,通过语义承诺监控(SCM)比对阶段要求与当前状态证据以阻止违规动作,利用边界流(BoundaryFlow)生成基于当前状态的局部修正,并通过关系增益校准(RGC)选择满足约束的最小修正强度。
论文介绍 Navi-Agent,这是一个零样本连续环境视觉语言导航(VLN-CE)智能体。它从视觉观测和运动历史构建无坐标的空间状态,以导航拓扑图组织节点与边,支持基于观测的近似自定位、任务进度验证及视觉重访恢复。实验表明该方法在几何受限基准中达到最先进水平,且性能可与依赖几何定位的方法竞争。材料为 arXiv 预印本,未提及同行评审或具体部署结果。
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。
针对驾驶场景下视图切换导致的空间退化与生成不一致问题,论文提出 PRG-Fusion 框架,利用稀疏 LiDAR 投影建立几何控制并学习稠密 3DGS 渲染的外观控制。该方法根据重建证据将像素划分为保持、修复和生成三类区域,分别执行外观保留、结构修正和内容补全,在 Waymo 数据集上实现了具有优异视觉质量与几何保真度的新轨迹视频合成。
推荐理由:提出 PRG-Fusion 框架,利用重建证据在可靠区域保持内容、受损区域修复结构、无支撑区域生成新视图,实现高几何保真度的驾驶轨迹视频合成。
该论文提出一种名为 Object-Aware Velocity Control (OAVC) 的无训练图像编辑框架,旨在解决现有基于速度的编辑器在对象中心编辑时易出现的背景漂移和边界不稳定问题。
FReSH-IR 提出一种基于层级编码器 - 解码器架构的轻量级全合一复原方法,通过傅里叶跳连接融合频域分解与空间处理。该方法在保持复原质量的同时,相比 Transformer 模型减少 80% 的参数和计算量,显著降低资源消耗。实验表明其在受限资源系统中具备高效能比,适用于物理 AI 中的恶劣天气图像增强场景。
针对当前视觉语言动作(VLA)模型在密集视觉输入下易受视觉捷径干扰而偏离人类目标的问题,论文提出 HINT 框架。该框架借鉴人类操作原理,仅在模式转换时进行稀疏语义推理以解决子任务与目标,随后通过多视图定位和视觉跟踪维持承诺。
针对视觉语言模型(VLM)无法从图像恢复三维几何的问题,本文提出一种可检查的 3D 几何中间层方法,建立无模型渲染基准以区分模糊视角、信息丢失或推理缺陷。
基于多样化纵向数据集训练的 AI 视网膜身份匹配系统,在 Rotterdam Study、UK Biobank 及 AREDS 研究中实现了跨设备与数十年的精准身份核验。该系统在固定每千次正确分配产生五次误报的条件下,错误分配率分别为 0.4、9.3 和 1.1 例/千次,检索任务中正确身份位列第一的比例达 97.2% 至 99.7%,并成功发现所有队列中的图像标签错误。
DWT_AlexNet_DNN 框架结合离散小波变换与 AlexNet 深度特征,解决手工特征表达能力有限及深度学习未充分利用多尺度空间频率信息的难题。该研究在工业检测、医学分析及遥感等计算机视觉任务中验证了混合架构的有效性,论文包含 25 页正文与 15 幅图示。代码或权重暂未提及开放许可,仅作为预印本提交至 arXiv。
针对低空无特征海床导致的尺度模糊与惯性 -DVL 融合无法修正漂移的问题,该研究提出将物理交互作为几何约束的接触辅助因子图定位框架。实验在水箱、港口及仿真环境中验证,该方法相比滤波导航和无接触图方案显著降低轨迹漂移并提升物体复访精度。系统支持在线初始化,利用吸盘操作器接触事件构建高置信度因子以隐式实现闭环,无需外观识别即可稳定估计状态。
该数值研究针对平面三自由度、三缆索下肢康复机器人模型,评估了围绕名义计算力矩控制的有界深度确定性策略梯度残差修正效果。在典型综合不确定性与扰动工况下,笛卡尔均方根误差从 0.0221419 m 降至 0.0128462 m(约降低 42%),但另一圆形参考轨迹中关节限位违规样本数却由 44 增至 101。
DeCO 将细粒度数据集蒸馏定义为预算约束下的判别性证据保留,利用预训练 TransFG 教师模型的注意力展开识别信息区域并构建类级证据库。在 CUB-200-2011、FGVC-Aircraft 和 Stanford Cars 数据集上,该方法在不同 IPC 预算下均优于代表性核心集与蒸馏基线。该研究作为 NeurIPS 2026 研讨会预印本公开于 arXiv,代码与权重未提及开放许可。
针对暗区微小亮度差异难以恢复的问题,该方法提出 Color-Adaptive Low-Light Enhancement (CALE),结合图像条件强度表示 Box--Cox Intensity Adaptation 与结构校正流网络。
针对真实世界无人机检测中恶劣天气和季节性外观变化难以采集的问题,作者提出了 SynDroneVision-Weather (SDV-W) 数据集。该数据集包含 55,187 张高分辨率城市环境图像,通过游戏引擎渲染覆盖三种季节配置及雨、雪、雾等多种天气条件。
Jingwen Li 等人在 arXiv 发表论文《Communication in modular robotic motor control: Bilateral controllers under realistic constraints》,在双机械臂肌肉骨骼模拟器中对比了单体控制器与引入可学习延迟通信通道的双侧模块化架构。
针对富接触操作任务中传统检测器反应滞后的问题,本文提出了 ContactGuard 系统。该系统利用未标记的机器人轨迹训练出动作条件的潜在视觉嵌入预测器,无需像素级视频预测即可在接触前评估未来后果。
Siliang Lu 撤回的论文提出一种结合物理预测安全过滤器的课程学习控制器,旨在解决状态基车辆控制任务中传统方法参数校准繁重及学习法缺乏安全保证的问题。研究在 Python-CarSim 平台上验证了该方法在不同机动下的改进效果与可扩展性,但因贡献不足未进一步投稿期刊或会议。
ALTER 提出解剖学局部时间证据表示方法,利用全局先验集成、区域代理差分和区间变化融合解决现有方法忽视患者个体纵向变化的难题。该模型在 RadGenome-ChestCT 验证集和 CTRG-Chest-548K 测试集上取得最先进结果,代码与数据预处理细节已公开。
论文提出 MoRAE 方法,利用预训练的 Motion-JEPA 编码器预测隐藏关节轨迹并压缩其冻结特征,构建适合流变换器的紧凑潜空间。该方法在 HumanML3D 和 KIT-ML 数据集上实现了最先进的 FID 分数,同时保持了接近真实运动的检索式文本一致性和多样性。材料为 arXiv 预印本版本,未提及同行评审状态或开源代码仓库。
本文提出一种从不确定性到确定性的粗到细视觉楼层平面图定位(FLoc)框架,旨在解决室内重复布局导致的跨模态信息不对称问题。该方法在粗略阶段利用图像条件化的位姿扩散模型参数化连续多模态分布,引导随机初始化的位姿粒子流向不同候选模式;在细化阶段提出局部精炼器,基于候选中心裁剪的平面图预测亚米级位姿残差以消除结构歧义。
Quasi-SVD 通过左奇异向量的李参数化代数与软约束,实现了 GPU 友好的并行矩阵分解。该方法在 MNIST 去噪、穆勒矩阵偏振测量及超声定位显微镜等任务中,相比精确 SVD 提速 2.6--67 倍且保持高重建保真度。该预印本论文(arXiv:2607.25967)展示了跨仪器与尺度的稳健域迁移能力,显著加速了成像流水线处理。
DispatchRAG 是一个结合 RAG 检索机制与大语言模型推理器的决策支持框架,旨在利用视觉语言模型(VLM)生成符合日本交通事故响应协议的应急响应建议。
该论文提出 GRACE 方法,通过结合扩散模型与 MPPI 控制实现无需梯度的机器人动作引导,解决了碰撞检查等不可微约束难以优化的问题。在仿真环境中该方法优于扩散和采样基线;在真实 7 自由度机械臂实验中,GRACE 达成 45 次任务中的 43 次成功且无碰撞,而未经引导的基准方法仅成功 17 次。代码与实验视频已公开。