STABLE:一种具备自适应漂移控制的持续学习优化器
STABLE 是一种原对偶优化器,通过自适应漂移控制解决持续学习中灾难性遗忘与不稳定的适应问题。实验表明,在长视界单模态及 CLIP 多模态流中,STABLE 微调基线匹配或超越专用持续学习方法并保留零样本迁移能力。该成果已获 NeurIPS 2026 接收,代码与权重开放许可。
STABLE 是一种原对偶优化器,通过自适应漂移控制解决持续学习中灾难性遗忘与不稳定的适应问题。实验表明,在长视界单模态及 CLIP 多模态流中,STABLE 微调基线匹配或超越专用持续学习方法并保留零样本迁移能力。该成果已获 NeurIPS 2026 接收,代码与权重开放许可。
GB-SAE 提出门控瓶颈稀疏自编码器框架,同时学习共享通用语义字典与各模型私有残差字典以解决表示异构问题。该方法在 ViT、SigLIP、DINOv2 及 ConvNeXt 等基础模型上验证了卓越的重组能力与跨模型可复用性,并支持未见模型的泛化。代码已开源,相关成果将在 NeurIPS 2026 会议呈现。
基于 105,802 个专家标注颗粒的评估显示,LITHOS 双流视觉Transformer在正交偏振光输入缺失时,25类中有20类真类概率下降幅度大于正交偏振光替换。五种XAI归因方法对同一输入生成不同可视化地图,且超像素删除分析中所有41个95%置信区间均包含零值。研究证实仅凭分类准确率或视觉检查无法确立模型误差结构、模态敏感性及归因行为等关键性能维度。
针对文本到图像扩散模型的‘概念擦除’(如 NSFW 内容),现有提示攻击仅测试条件字符串能否检索目标概念,无法衡量冻结生成器对该概念的分配概率。本文提出‘最小动作审计’方法,通过计算驱动冻结反向过程进入检测器定义的事件所需的最小控制成本(即路径空间 KL 散度或事件负对数概率)来量化残留概率。
针对现有学习到的图像压缩主要依赖干净图像训练的局限,本文提出一种架构无关的噪声正则化训练方法:在编码器输入端添加高斯噪声,同时保持失真目标、潜空间均匀代理及熵编码管线不变。
该研究提出基于 DCT 基矩阵与单频测试图像的基准,揭示 BMSHJ、MBT 等模型在 1 bpp 下存在 80-97% 高频能量泄漏及 0.02-0.23 增益。通过自然图像与泄漏损失微调,所有八种架构的基带外目标能量降低 90-99.8%,Kodak PSNR 仅损失 0.09-0.59 dB。
SEST 框架利用多模态大语言模型提取语义嵌入,并通过稀疏到稠密的路径替代传统密集时序建模以解决计算冗余问题。该方案在 MEE2026 基准测试中实现动态参与度估计任务的第一名成绩。研究论文已上传至 arXiv,属于预印本状态且未明确开源代码或权重许可。
MultiMediate'26 挑战扩展评估域至包含 PInSoRo 数据集的儿童 - 儿童与儿童 - 机器人玩耍会话,引入 NoXi、NoXi-J、MPIIGI 及 PInSoRo 数据集并公开基线代码。该工作通过多模态特征提取,实现了跨领域、年龄范围和文化背景的参与度估算基准,为辅助 AI 系统建模提供透明环境。
该论文针对像素空间流匹配中标准 v-prediction 目标训练困难的问题,利用 Patch-wise PCA 分析发现速度场在次要分量上受原始噪声输入主导的带宽瓶颈。
DTHA 框架利用双教师层级对齐机制,在 THINGS-EEG 数据集上实现零样本脑电到图像检索,Top-1 准确率达 92.4%,较现有最先进方法提升 12.4 个百分点。该研究通过共享编码器结合 CLIP 与 DINOv2 互补偏差,验证了跨范式视觉基础模型在提取层级视觉信息方面的有效性。THINGS-MEG 评估进一步证实了该方法在生物合理性及跨模态泛化上的优势。
Airbnb 推出 OptiCover 框架,解决电商市场冷启动下多表面照片选择难题。该方案结合冻结 CLIP 嵌入的轻量级视觉头与 VLM 语义校验,在首页和搜索页实验中将互动量提升 1.5%、预订者增加 0.35%,每日执行数千万次照片替换并创造百万美元增量收入。目前 OptiCover 已部署至生产环境,验证了动作空间塑造与语义约束对性能的核心驱动作用。
该方法通过梯度下降利用可微物理前向模型,无需训练数据或分割即可从单张 OCT 图像恢复像素级衰减系数。研究在分析解验证基础上,于体外拟真物及 128 名患者的 29,269 张临床血管内 OCT 图像中实现跨平台无修改应用。该技术为定量组织表征提供可扩展框架,支持光学参数与成像模态的通用扩展。
Google AlphaEarth Foundations Embeddings 结合 Fields of the World 边界图,无需处理原始卫星影像即可在约五小时内完成摩洛哥全国级作物分类。该方法针对冬谷物、树生作物及其他作物三类目标,经十次独立测试平均准确率达 (87.17 +/- 0.42%)。实验表明预训练嵌入表示在计算高效的大规模农业映射中具备显著潜力。
针对草图监督分割在固定标注集评估下对语义和几何缺陷鲁棒性不足的问题,作者引入六种受控扰动算子(包括类别腐蚀、空间偏移、方向扰动等)并构建可复现基准。实验显示,在最强设置下,类别腐蚀使 mIoU 从 70.08 骤降至 1.46,而语义锚点腐蚀造成最大性能退化。该基准旨在诊断标注鲁棒性而非仅依赖干净集准确率,代码已开源。
推荐理由:该工作通过审计驱动建立了草图标注鲁棒性基准,量化了语义与几何扰动对分割性能的影响。
dNaViT 是一种基于冻结预训练编码器的离散原生分辨率视觉 Transformer,利用分组产品量化在保持语义与像素信息的同时扩展离散容量。该模型在 12 个视觉理解基准、4 个生成基准及图像编辑基准上表现匹配或超越专用基线,证明紧凑离散词汇可作为通用视觉货币。项目页面、代码、模型权重均已公开,属于技术报告状态。
TMT 模型利用成对可见光 - 红外图像,仅凭文本嵌入差异方向引导 CLIP 图像编码器适配红外成像。该方法引入生成感知协同监督机制,在四个源域不交的红外分类基准上实现最高零样本准确率(48.92%),并在无红外文本监督下取得最佳检索效果与 CART、SemanticRT 数据集上的最高开放词汇分割 mIoU。
针对现有召回率指标过度依赖几何覆盖导致诊断价值不足的问题,本文提出 CADMA 框架。该方法通过真实样本与生成样本间的局部容量匹配,将几何覆盖与有效覆盖分离,从而量化模式缺失和模式坍塌等多样性失效现象,并提供更可靠的评估信号。代码已开源。
作者发布 DisasterVL 数据集与基准,包含约 120 万张来自 142 个国家的灾害图像及 2500 万条结构化标注,涵盖场景描述、事件地点评估、空间关系及视觉问答。
推荐理由:该工作提出灾难场景理解基准与模型,为具身智能在极端环境下的感知推理提供新数据支撑。
针对基于目标的相机-LiDAR 标定中 LiDAR 点云提取棋盘格特征困难的问题,本文提出利用圆柱体 LiDAR 反射率图像将棋盘格定位转化为 2D 检测问题。通过射线感知物理增强生成合成数据以解决标注数据稀缺问题,在四个独立采集的室内外场景中,该方法相比最强图像空间增强基线 [email protected] 提升 16.1-43.1 个百分点,且在 242 次观测中实现了最高的有效目标定位数量。
该研究探讨了利用大语言模型(LLM)直接生成神经网络权重以替代传统训练数据的可能性。作者使用 Claude Opus 5.5 和 GPT-6 Astra 在无需访问任何图像的情况下,生成了用于七项医疗任务的 LeNet 风格 CNN 参数。
该研究提出一种四步蒸馏框架,通过局部响应正则化和教师引导训练,在保留 GLM-Image DiT 自回归先验的同时降低采样成本。学生模型在 GenEval 上取得 0.84 的整体分数和 0.5045 的 CVTG-2K 单词准确率,推理耗时仅 1.742 秒(教师为 5.818 秒),实现 3.34 倍加速且显存需求同为 40 GB。
CM3AE 2.0 提出统一框架,通过事件感知时空掩码重建策略及分层跨模态生成机制,联合学习多模态时空表征并挖掘潜在依赖。在四个多样化下游任务上的广泛实验表明,该预训练框架能持续提升性能,验证了其有效性与泛化能力。
针对现有深度学习模型忽视图像丰富语义上下文的问题,该方法通过提取文本描述和空间定位等语义数据,结合跨模态特征融合模块与提示牵引头进行多模态训练以提升细节恢复。在多个数据集上的实证结果验证了该新方法的优越性,论文共 21 页含 7 幅图和 5 个表格。
TIRAD 提出一种多模态残差学习框架,利用文本表示的残差特征作为门控机制调制图像残差,以显式表达语义差异。该方法在工业基准及跨域迁移实验中均优于现有以图像为中心的残差学习方法。论文已被 ACCV 2026 接收,代码与权重开放许可待注册。
该论文研究了机器人演示数据集如何结合不同经验的遥操作者数据,提出用“数据倍数”衡量两组演示达到相同成功率所需的数量比。研究基于 robomimic 的 Square 和 Can 任务,对比了标记为 Better(更好)和 Worse(较差)的操作员数据。
该研究针对 SEEM 模型在光学相干断层扫描血管造影(OCTA)中分割细血管效果不佳的问题,提出了一种名为 RBA 的读出基适配器。该方法通过生成图像特定的基础图并配合秩为 1 的 LoRA 编码器分支,在不改变原始特征读取分辨率的前提下提升了动脉与静脉的区分能力。
推荐理由:针对 SEEM 模型在 OCTA 血管分割中读出线粒体分辨率不足的问题,提出仅增加 0.47M 参数的 RBA 适配器,在薄血管分割上优于 LoRA 等参数高效方法。
该研究提出一种可复用的街景影像处理管道,明确图像适用性与目标身份。在韩国 1609 个地块的 10311 张图像中,任务筛选与对齐使 AUROC 从 0.684 提升至 0.719,且无需建筑轮廓或额外训练即可匹配人类标签(85.6%)。记录所用图像与选定房屋支持人工虚拟审计,解决了仅凭分数无法验证判断对象的问题。
针对自监督学习的 Vision Transformer 缺乏聚焦机制导致感知表征模糊的问题,作者提出两种无需标注的视觉聚焦损失函数,利用多头注意力机制引导模型关注特定图像区域。该方法促使注意力头出现空间专业化分工,显著提升了空间选择性和多样性,并在零样本图像分割等密集预测任务上改善了可解释性与性能。论文已被 NeurIPS 2026 接收。
该研究评估了 Condition-Aware Label Expansion(CALE)在自建数据集及 RAF-DB、RAF-ML基准上的表现,发现聚合规则而非表征决定方法成败。
针对无监督行人重识别面临的域差距及现有方法不支持多网络架构的问题,本文提出 Mamba 增强的多架构域自适应(MDA)框架。该框架在两个层面构建能力:首先设计包含 Mamba 组件的复合算子以增强域自适应;其次基于此算子构建支持 CNN 和 Transformer 多种骨干网络的通用框架。
推荐理由:提出 Mamba 增强的多架构域自适应框架,在 CNN 与 Transformer 骨干上均提升 Re-ID 性能。
针对视觉语言模型在新类别或领域上的适配问题,该方法通过保留冻结与提示后的四分支预测,结合局部置信度与集合频率偏差进行仲裁。在 ImageNet 上训练后,其在十个跨数据集基准的平均准确率达 69.96%,刷新 ImageNet-S 记录至 52.21%,并在基类到新类的迁移任务中达到 79.77% 的新类别准确率。代码已公开。
推荐理由:提出上下文自适应融合方法,在跨数据集基准上超越现有提示微调技术并刷新 ImageNet-S 记录。
SurgTAP-3D 构建了一个包含 52 万帧、4549 个动作片段及 140 万个二维/三维轨迹点的大规模体内伪三维手术运动追踪数据集。该工作通过接触区域提示等统一框架将未标定单目视频转化为结构化四维标注,涵盖遮挡、烟雾等真实挑战并建立 SurgPose 等基准。
NightSteps 数据集基于全球六城夜间行车记录仪 footage 构建,旨在填补低光照条件下行人过街意图预测(PCIP)的基线空白。Gemini、ChatGPT 及人工评估在该数据集上的测试显示,人类输入准确率达 88.17%、F1 分数为 80.21%,而 Gemini 和 ChatGPT 分别仅为 60% 与 79.13%。该预印本基准可用于未来模型在夜间场景下的性能评估以提升道路安全。
针对低剂量、稀疏视角及金属伪影等不同的 CT 退化物理特性,本文提出 AgentCT,利用基于 LoRA 适配的 Qwen3-VL-4B 控制器识别退化类型与严重程度并路由至专用模型。
SemanticKV 是一种无需训练的 KV Cache 压缩方法,首次利用规划器提取的语义约束指导缓存保留。该方法在 Causal Forcing 任务下将 6.04 GB 显存降至 1.81 GB(3.35x 减少),推理速度提升 1.22 倍且 VBench 总分达 84.10,优于最强压缩基线。
Rapid Activation Dampening(RAD)提出了一种针对大规模开放集人脸识别的高效机器遗忘方案,通过抑制与目标身份关联的神经元实现快速遗忘。该方法引入 Forget Score(FS)指标解决现有度量在开放集场景下的不匹配问题,并在多个近期大规模架构上验证了其在保持模型效用同时显著提升遗忘速度的能力。
论文提出 Flex-DDCM 框架,利用预训练扩散模型先验实现无需压缩特定训练的零样本图像压缩。该方法在 Turbo-DDCM 基础上,通过任务指导噪声选择适配编码后的扩散轨迹,将任务引导效应嵌入压缩表示中。
SegDis 将输出解耦为显式前景概率与条件类型概率,利用 FLR 提供任务无关支持并通过 RTA 依据前景背景关系细化分配。在 USC12K 数据集上,该模型基于 PVT-v2-B2 架构,参数量约为 USCNet 的八分之一,实现了 68.98% 的前景 mIoU 和 78.35% 的整体 mIoU,显著优于 CSCS(提升 5.75)。
arXiv 论文发布面向动态户外场景的 3D 视觉定位(3DVG)新基准 MoT3DVG,包含 nuScenes 数据集中的 850 个场景、31,128 帧图像及 144,568 条含运动描述的提示词。作者提出 DynaVG 框架,通过 SLIDE 模块融合短时局部与长时全局时间线索以对齐语言与点云,在基准上取得最先进性能。材料为预印本,未提及同行评审状态或具体部署结果。
针对视觉 Transformer 在移动端部署的计算与内存挑战,本文提出 RankQ-ViT 框架,实现无需原始训练数据的模型压缩。该方法观察到高斯噪声生成的块相似度矩阵秩较低,引入块感知自对比目标以增强合成样本的特征多样性,并结合秩与语义一致性选择校准样本进行分块重建。实验表明该框架在 ImageNet、COCO 等多任务及低比特量化下有效。代码已开源。