Beyond Visual Cues 论文因训练集泄露被撤回,STFER 框架声称在 AT-USTC 数据集上实现最先进结果但数据无效
Jiaxuan Li 提交的 Beyond Visual Cues 论文因测试集误用于训练导致数据泄露而被撤回,报告的最先进结果不可信。该研究提出的 STFER 框架旨在利用大视觉语言模型生成身份一致性文本以增强跨模态鲁棒性,但在 AT-USTC 数据集上的实验结论已失效。作者已撤稿并准备修正研究以防止传播不准确发现。
Jiaxuan Li 提交的 Beyond Visual Cues 论文因测试集误用于训练导致数据泄露而被撤回,报告的最先进结果不可信。该研究提出的 STFER 框架旨在利用大视觉语言模型生成身份一致性文本以增强跨模态鲁棒性,但在 AT-USTC 数据集上的实验结论已失效。作者已撤稿并准备修正研究以防止传播不准确发现。
针对基于大语言模型的多模态情感识别依赖静态参数化记忆且易产生幻觉的问题,本文提出 AffectAgent 框架。该框架通过查询规划器、证据过滤器和情感生成器三个联合优化的专用智能体进行协作决策,利用 MAPPO 端到端优化并共享情感奖励以确保理解一致性。
该研究针对连杆绕髋关节平衡的平面类线性双足机器人,推导了含膝部的 6-DOF 运动方程并设计控制系统。数值模拟证明未来状态计算与行走性判定可在忽略不计的时间内完成,且通过迭代计算实现了瞬时判定。论文已接受将在 IEEE ICRA 2026 发表,修正了参考文献作者名及公式笔误。
该论文提出 TEMPlate Entropy Regularisation (TEMPER) 方法,用于从 ArcFace 等人脸识别嵌入中移除性别和种族等软生物特征属性。该方法在变分自编码器的潜在空间学习线性映射,以最大化辅助分类器的预测熵并保留配对相似度。实验显示,相比十种先前的后处理方法,TEMPER 在降低属性泄露的同时保持了更高的真实匹配率。
TinyNeRV 框架提出 NeRV-T(0.80M 参数)和 NeRV-T+(1.68M 参数)两种配置,利用频率聚焦知识蒸馏在 UVG 基准上将 PSNR 平均提升 0.70 dB 至 0.78 dB。研究验证了 INT8 量化近乎无损且 INT4 经重训练适配有效,确立了资源受限场景下容量、监督与精度的实用权衡。该成果已发表于 IEEE Access 2026 年期刊。
该论文揭示了多模态混合专家(MoE)模型在视觉语言任务中存在的“看得见却想不出”现象,即模型能准确感知图像内容却在后续推理上失败,而纯文本输入却能正确解决相同问题。
推荐理由:研究发现多模态 MoE 模型存在视觉感知与推理脱节现象,提出路由干扰假设并验证了通过干预激活领域专家可提升复杂视觉推理任务性能。
针对多模态大语言模型视觉令牌冗余问题,提出 MI-Pruner 方法。该方法基于投影空间中的点互信息(PMI)计算相关性得分,以反映跨模态相关性与模内冗余度。无需依赖内部注意力图或修改架构,即可无缝应用于任何预训练 MLLM 进行推理加速。
论文介绍 LatentUM 统一模型,其核心创新在于将所有模态表示于共享语义潜在空间中,消除生成视觉状态时的像素解码中介,使内部推理更灵活高效。实验显示该模型在 Visual Spatial Planning 基准上达到最先进水平,通过自我反思提升视觉生成功能,并在共享空间内预测未来视觉状态以展示世界建模能力。代码与模型已开源,论文为 NeurIPS 2026 Oral 录用版本。
推荐理由:该工作提出共享语义潜在空间的统一模型架构,消除像素解码依赖,在视觉空间规划基准上达到最先进水平并展示世界建模能力。
Project Imaging-X 是对超过 1000 个开源医疗影像数据集的最大规模综述,指出当前数据在模态、器官和任务上碎片化且分布不均,限制了通用医学基础模型的发展。作者提出元数据驱动融合范式(MDFP)以整合分散资源,并发布了交互式发现门户及结构化汇总表格,支持端到端的自动化数据集集成与快速检索。材料为 arXiv 预印本,提供项目仓库链接供社区使用。
针对图像旋转估计的边界不连续难题,该研究对比了三种回归与两种分类法在十六种架构上的表现。分类法在十三种 DRC-D 骨干网中误差最低,其中结合圆周平滑标签(CSL)的方法将平均绝对误差降至 0.81°。在 COCO 数据集上,采用无痕迹协议后,基于 ConvNeXt V2 Base 的圆周高斯分布(CGD)分类法达到 3.76°误差,优于此前最强模型的 6.09°。
该研究针对物体中心学习中固定数量槽位导致同一实体区域被多个槽位竞争的问题,提出一种轻量级的槽位合并操作。方法通过计算槽注意力图的软 IoU 量化重叠度,利用质心更新策略合并选定的槽对以保留梯度流,决策阈值由重叠统计推断且无需额外可学习模块。
针对漫射飞行时间 LiDAR 违反单射线假设的问题,提出一种估算每个像素足迹及相对空间敏感度的简单空间校准程序。该方法利用扫描高反贴片与背景减法恢复像素级响应图,为跨模态对齐提供显式的 LiDAR 到 RGB 对应关系。研究在 ams OSRAM TMF8828 设备上进行了演示验证。
针对大规模预训练视觉模型难以直接应用于 3D 人体骨骼数据的问题,作者提出 Skeleton-to-Image Encoding (S2I) 这一新颖表示法。该方法通过将关节按身体部位语义进行分区排列并调整至标准图像尺寸,将骨骼序列转化为类图像数据。
针对模块化机器人可拆卸关节承受大载荷的问题,本文提出基于 NSGA-III 的多目标步态优化框架,以移动速度、静态稳定性和归一化关节负载为三个优化目标。仿真显示加入关节负载目标后,最大关节反作用力降低 11.5%,最小稳定性提升 41.2% 但前向速度下降 10.5%。
该研究提出 SGR3 Model,这是一个利用多模态大语言模型与检索增强生成(RAG)实现的免训练框架,用于生成语义场景图以支持机器人高层推理。实验显示其性能在免训练基线中具竞争力且媲美基于 GNN 的专家模型,消融研究表明外部信息被显式整合进 token 生成功能。该论文已撤回,无 PDF 可供下载。
论文针对珊瑚礁等长期监测场景中因时间跨度大导致的外观和结构剧变,现有运动恢复结构(SfM)流程失效的问题,提出一种强制跨会话对应关系的联合 SfM 重建方法。该方法结合手工与学习特征建立长时程对应关系,并利用视觉位置识别筛选候选图像对以降低成本,在长期水下数据集上实现了标准 SfM 无法连接的会话间的连贯三维重建。
针对人机协作中人类策略随 AI 行为动态调整的挑战,本文提出 NestRL 方法,将任务建模为交互式部分可观测马尔可夫决策过程(I-POMDP)。该方法通过在各级别对自适应智能体进行联合训练,使智能体学习有限层级 I-POMDP 的解,从而避免收敛于仅适用于特定搭档的不透明协调策略。
针对数字化画作中裂纹与笔触等艺术特征视觉相似导致的检测难题,研究提出将裂纹识别建模为逆问题的混合方法。该方法利用深度生成模型作为底层作品先验,结合 Mumford--Shah 型变分泛函与裂纹先验进行联合优化,最终输出像素级裂纹定位图。
针对现有大语言模型在越视域导航任务中短视行为的挑战,该方法首次引入视频生成模型以利用长视界监督优势。通过提出 SparseVideoNav 技术,将原本需数十秒的视频生成长度压缩为亚秒级轨迹推断,同时保持 20 秒的未来视界跨度。实验表明,该方法在越视域导航任务上的成功率是现有大语言模型基线的 2.5 倍,并首次实现了夜间复杂场景下的有效导航能力。
针对遥感图像大尺度变化与目标稀疏分布导致的多模态大语言模型过拟合问题,研究提出参数高效微调策略 GRASP。该方法利用冻结视觉令牌网格提取空间块构建结构化软提示,通过问答引导的稀疏融合机制动态聚合任务上下文并过滤背景噪声。在多个 RSVQA 基准测试中,GRASP 在保持高参数量效率的同时取得了与现有微调及提示方法具有竞争力的性能表现。
VIOLA 是一种标签高效框架,旨在解决多模态大语言模型在新视频域泛化时标注数据稀缺的问题。该方法通过密度 - 不确定性加权采样策略,从有限预算中选取兼具多样性、代表性和信息量的样本;同时构建混合池并引入置信度感知检索与提示机制,使模型能区分验证过的真实标签与噪声伪标签。实验在九个基准上使用三个大语言模型表明,该框架在低资源设置下显著优于各类基线,实现了低成本下的鲁棒适应。
针对轨道操作中对未知空间目标(RSO)的导航需求,本文研究了可见光、热红外及两者融合的成像方案。研究通过像素级融合结合传感器优势进行前端跟踪,并提出一种基于剪影的新型视觉位置识别方法,该方法无需训练、全 CPU 运行且优于基线。实验对比显示,融合图像配合该剪影识别方法在光照条件、轨迹和定位性能上表现最佳,证明了多模态信息在不同导航阶段的互补性。
针对现有多模态知识型视觉问答(MKB-VQA)基准普遍存在的‘视觉捷径’问题,作者构建了 RETINA 新基准和 MIMIR 多图像多模态检索器。该基准通过 LLM 驱动流程自动构建,包含 120k 训练集和 2k 人工 curated 测试集,专门引入次要主体(相关实体)的图文对以消除捷径依赖。
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。
该论文提出了 SEPS(Semantic-enhanced Patch Slimming)框架,旨在解决视觉与语言之间细粒度跨模态对齐中的补丁冗余和歧义问题。方法采用两阶段机制整合稠密与稀疏文本的统一语义以识别显著视觉补丁,并利用感知相关性的选择结合均值计算来突出关键的补丁 - 词对应关系,从而改善跨模态相似性评估。
PrefCVAE 是一种增强型 CVAE 框架,利用弱标签偏好对赋予隐变量语义属性,在保持基线精度的同时实现了可控且具语义意义的轨迹多样性。该方法以平均速度为例证,验证了偏好监督作为提升基于采样生成模型效率的低成本方案的有效性。研究结果发表于 arXiv,属于预印本状态,旨在解决现有方法缺乏可控多样化轨迹生成的问题。
本文提出了一种面向机器人的伽利略对称性阐述方法,利用刚体变换和位姿表示来构建建模框架。该方法将经典的齐次矩阵代数直接映射到伽利略模型中,为处理涉及惯性测量和时空变量的机器人问题提供了有力工具。作者通过开发地球固定旋转参考系下的车辆运动研究模型以及融合具有不确定时间戳的测量值的算法,展示了该方法的潜力。
针对视觉语言模型在推理时可能复述敏感信息的问题,本文提出了 Cross-Modal Attention Guided Unlearning (CAGUL) 框架。该方法利用跨模态注意力机制识别低重要性的视觉 token,通过外部模块编码遗忘指令以阻断隐私泄露,同时保持模型的参考行为与效用,且无需修改预训练参数。
论文介绍 DYMO-Hair 系统,通过预训练分层 3D 体素潜空间建模梳子引起的头发形变,结合物理仿真器实现大规模预训练以泛化至未见发型。该系统耦合模型预测路径积分规划器,支持视觉参考和自然语言指令的闭环理发动作。实验显示其在几何误差和用户评分上优于基线系统,并在七种不同属性的真实假发上实现了零样本迁移,无需微调即可达成目标。
针对 GNSS 伪距离群值严重干扰载波相位模糊度解算的问题,本文提出一种结合多普勒一致性与 IMU-里程计运动预测的两阶段伪距筛选框架。该方法在连续跟踪时能将 RTK 三维均方根误差降低 96.18%,并在无多普勒检查时将 10 米离群值检测成功率提升至 99.58%(30 秒后)。研究通过一阶误差模型分离不确定性,利用闭式最小膨胀规则调整代码权重,在深城市峡谷等场景中表现优于惯性辅助基线。
该研究回顾了 1990 至 2026 年间发表的 95 项关于跨式装载单元(ILU)识别的计算机视觉文献,发现仅 26 项报告端到端准确率(中位数 94.5%),且缺乏统一基准数据集。现有工作多聚焦静态场景,对车载相机移动拍摄及半挂车、换装箱等特定单元的独立评估关注不足。研究建议利用合成数据与自动覆盖路径规划构建新基准,以降低港口作业错误率并提升运营韧性。
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。
针对田间作物重建中薄重叠结构与光照变化等挑战,作者发布了 AgriChrono 纵向油菜数据集及新视角合成(NVS)基准。该数据集包含约一个月内的 160 次采集会话、四路 RGB 流与两路深度图。
推荐理由:该工作发布纵向油菜数据集与基准,并开源 AgriSplat 方法以解决薄重叠结构重建难题。
该研究提出一种利用 OpenStreetMap Area Graph (osmAG) 结构先验的 WiFi 定位方法,旨在解决传统指纹法需要密集测绘且泛化性差的问题。
CMB-Net 提出一种结合大语言模型与图像 - 文本中心歧义模块的新架构,有效弥补视觉信息语义缺失并抑制幻觉干扰。该网络在图像篡改定位任务中表现优于多数现有模型,且代码已开源。
针对强化学习中对手策略变化导致的非平稳性问题,本文提出基于 PSRO 思想的异步多阶段种群训练方法(AMSPB),包含均匀采样与硬优先级的变体。实验在两个约 40 克的 Crazyflie 四旋翼上验证了零样本仿真到现实迁移能力,记录了捕食者最高 4.87 m/s、逃避者峰值速度 3.31 m/s 的飞行数据。论文已被 IEEE RA-L 2026 接收并将在 ICRA 2027 展示。
针对车辆后轮抓地力丧失引发的过度转向问题,本文提出了端到端的自主驾驶方案,引入 QC-SAC 混合学习算法以克服专家示范数据不足及环境突变难题。实验表明该方法在打滑路面随机避障任务中表现优于现有基线,且经硬件在环仿真验证了其在物理执行器上的可行性,为实车安全控制提供了新的技术路径。
该方法结合预训练抓取模型与视觉语言模型,利用语义推理能力融入特定任务需求。在五种查询策略评估中,整体成功率绝对提升最高达 36.9%,显著优于基线方法。研究证明了 VLMs 增强任务导向操作及人机交互的潜力。
针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。
该论文针对实例分割中人类标注或模型生成轮廓不可靠的问题,提出 CB-LNL(Copula-Boundary Learning with Noisy Labels)框架。