UGG:统一生成几何模型
UGG 是一个针对 4D 场景理解的统一框架,将 RGB 视频与深度、相机位姿等几何表示联合建模。通过为不同模态和时间分配噪声水平,该框架在单一生成模型中将视觉合成与几何预测表述为条件补全任务,从而能从具有不同几何和视觉标注子集的异构数据集中学习。
UGG 是一个针对 4D 场景理解的统一框架,将 RGB 视频与深度、相机位姿等几何表示联合建模。通过为不同模态和时间分配噪声水平,该框架在单一生成模型中将视觉合成与几何预测表述为条件补全任务,从而能从具有不同几何和视觉标注子集的异构数据集中学习。
SIGMO 是一种将多项式 Sigmoid 函数集成到视域内规划器的交互感知运动规划算法,旨在解决拥堵环境下的导航难题。该方法利用物理基础的交互特征分析周围代理的让行分数,在仿真与硬件实验中实现了主动防御行为的平衡且计算轻量。该工作已提交至 IEEE,视频演示及代码资源可通过相关链接获取。
UniFlow-RS 提出单一潜在流匹配预测器,通过结构化视觉目标与任务模态自适应时间步采样(TMAS),在六个任务和十三个数据集上超越现有专用方法。该模型无需针对特定目标适配,即可实现跨未见数据集、任务设置及遮挡条件的零样本迁移,并在近红外假彩色影像中表现稳健。
ViGA-FLAME 提出两阶段框架,通过参数化 - 几何变分自编码器统一头部表面与 FLAME 参数表征。其次,可训练视觉 - 几何适配器将预训练语义特征映射至该潜在空间,在不改变原始视觉流的情况下实现鲁棒三维头部表情估计。该方法在严重面部形变和大视角下表现优于现有前馈方法,代码与权重待 arXiv 注册后开放。
SpecValley 针对异质图邻域聚合会抑制标签信号的问题,提出先学习可微分的光谱谷值位置再结合普通滤波的两阶段架构。该方法在密集异质图基准上表现优异,消融实验证实性能增益源于聚合算子而非下游滤波器。研究正式证明了度归一化响应在特征积累点消失的数学性质,并开源了代码与权重。
针对前馈 3D 基础模型处理长序列时的单目尺度模糊问题,本文提出 Sim(3)-TurboReg 方法,通过引入严格的 Tri-Scale Consistency (TSC) 准则重构兼容性图构建过程。
HIM-INR 模型利用密集采样的组织学图像作为辅助监督,联合重建基因表达谱与组织学表征,仅需稀疏二维切片即可预测任意三维坐标的基因表达。在两个 3D ST 数据集上的实验表明,该方法在缺失切片数量增加时仍优于现有方法。该研究为高成本三维空间转录组数据的连续重构提供了新的解决方案。
CroCoMAE 提出了一种基于 ViT 架构的跨模态自监督学习框架,通过图像级对比学习与 Patch 级掩码建模统一处理 SAR 与光学数据。该模型在场景分类和语义分割两个基准上,优于单模态自监督基线及主流跨模态框架,尤其在少标签条件下显著提升语义分割性能。代码与权重暂未公开,论文状态为 arXiv 预印本。
该方法提出帧级 Transformer 架构,通过连续视频帧的烟雾运动时空联合分析来检测可见与被遮挡林火。模型仅基于 RGB 数据训练并适配低成本商用无人机,在 FLAME2 数据集上取得分割 Dice 92.61%、目标检测精度与召回率分别为 93.21% 和 91.73% 及视频级分类准确率 98.02%。
消融实验证实视觉 Transformer 的位置编码对左右方向判断不可或缺。在 CV-Bench 基准上,仅镜像该编码即可使 Qwen2.5-VL-7B、Qwen3-VL-4B 和 InternVL3-2B 的翻转图像回答准确率分别达到 84.3%、93.2% 及介于两者之间。
MicroBT 提出一种统一框架,利用病灶固有的尺度不变质心属性,通过质心锚定范式同步实现密集分割与实例定位。该方法引入体积校准损失(VC-Loss)和尺寸感知课程优化(SACO),在转移性病例中将微病灶(≤3 mm)定位精度提升约 7%,计数误差降低约 26%。代码已开源,论文已被 BMVC 2026 接收。
针对标注稀缺的声学测井图像,研究将预训练卫星影像模型 DINOv3 微调用于自然与钻井诱导裂缝表征。相比从零训练的 U-Net、YOLOv8 及 Swin Transformer,该适配模型在四个独立钻孔测试中实现了更少的误报漏报及更精准的计数定向。尽管样本量减少会削弱优势,但渐进式上采样解码器配合全微调配置表现最佳,为少标注地质成像任务提供了可迁移工作流。
论文针对预训练图像生成器在语言引导的无人机(UAV)分割中存在的‘渲染与表达目标选择’不匹配问题,提出 DroneSegEdit 框架。该方法结合 RGB 提议渲染与语言接地的提议约束验证机制,利用冻结的多模态大模型骨干网络读取分层状态以推导空间证据,从而在不引入前景外区域的情况下选择支持的主体。
推荐理由:该工作提出 DroneSegEdit,利用语言接地验证解决无人机分割中的实例匹配问题,在 RIS-LAD 数据集上刷新 SOTA。
COMPASS-METS 模型结合三种 nnU-Net 配置与结构化概率锚点,在 BraTS-METS 2026 任务中实现脑转移瘤及术后空腔分割。该模型在小病灶检测上 Small F1 为 0.354、全类别 F1 达 0.779,优于 ResEncXL 基线且公开源代码。
针对高分辨率 3D 形状匹配中空间 - 谱耦合计算量随网格分辨率二次增长的问题,研究提出将其等价于缩放点积注意力机制,利用学习到的描述符作为查询与键、谱基函数作为值。
论文 FastWild-GS 针对互联网照片曝光、光照及瞬态物体差异导致单套高斯颜色无法解释所有图像的问题,提出利用 128 维 Photo Appearance Token 和每通道变换参数描述每张图像。
推荐理由:提出 FastWild-GS,利用 Photo Appearance Token 将野外场景高斯泼溅训练时间从小时级缩短至分钟级。
针对博物馆展览等需要高保真可视化的应用,本文提出 RF3DGS 方法以去除反射干扰。该方法利用多视图间同一 3D 点的最小像素强度与无反射信息强相关的原理,首先通过几何先验优化基础 3DGS 模型估计粗略深度图,进而聚合辅助视图构建清洁透射伪标签作为自监督信号。
本文指出直接商用 Depth Anything V2 等单目深度基础模型在室内导航基准中会导致 63% 的碰撞率,因其系统性高估近距离障碍物距离。作者提出一种轻量级插件模块,在冻结的深度模型上增加 0.58M 参数头,预测每个像素的对数深度修正和不确定性,利用共形校准设定安全边界。
该研究通过仿真与实验发现,移动激光扫描中的异方差性噪声及激光束径会导致树干直径估计偏差随距离和树径变化。提出的偏置补偿方法无需额外校准即可可靠预测并消除直径大于 10 cm 树木的误差,将北方针叶林测试站点的均方根误差降至厘米级以下。对于直径小于 10 cm 的小树,因树皮纹理、非圆形等未知因素限制,该方法精度受限且无法完全补偿。
CJRR-Net 提出一种候选 - 关节重投影排序方法,在 MPI-INF-3DHP 数据集的八相机固定设置中实现未来视角选择。该模型结合当前姿态观测与几何特征,将选视角 2D MPJPE 降至 105.18 像素,优于共享输入 MLP(114.64 像素)及适配 PoseErrNet(117.56 像素)。研究在各类遮挡组中均取得最低平均误差,并支持单视角选择的候选特定几何特性。
论文提出 NIF-VIO 方法以解决传统视觉 - 惯性里程计在加速或旋转载体下因参考系假设失效导致融合误差的问题。该方法基于测量一致性适配融合策略,结合早期约束隔离与局部重优化限制误差传播,并在非惯性条件下引入紧凑模型保留惯性信息。实验表明其在惯性与非惯性条件下均能实现定位性能提升。
论文提出 EgoHMP 框架,利用第一人称视角和头部运动作为交互意图的鲁棒载体,解决 gaze 信号模糊及硬件依赖问题。该方法包含视觉 - 运动对齐编码器、模态感知调制机制的意图预测器以及接触感知的运动解码器,通过全局轨迹自提示和多阶段去噪优化生成物理合理且语义一致的动作。
针对 3D 高斯泼溅在表面重建中深度信息与误差关系探索不足的问题,作者提出 DepthGS 框架。该工作推导了单目与多目设置下深度差异与重建误差的理论关系及上界,据此设计了自适应正则化策略:单目优化采用基于局部深度差异几何可靠性的法向约束调节,多目优化引入跨视图深度一致性正则化以增强相邻视图深度图的一致性。
AstroSeg-vEM 结合 Transformer 与后处理,在保持高分辨率下完成体积电子显微镜数据的星形胶质细胞分割、三维重建及定量分析。该框架在四种小鼠海马数据集上平均 Dice 达 0.92、加权 Dice 为 0.95,且可在消费级硬件高效运行。论文已被 npj Imaging 接收,代码与数据即将开放。
针对交通视频中安全关键事件稀疏且难以检索的问题,本文提出了 AgenticConflictLens 框架。该框架结合结构化交通记忆与专用分析工具,通过粗粒度搜索与细粒度验证相结合的策略,高效提取自然语言查询下的冲突记录。
该论文提出 GEMOR-GS 框架,旨在为连续运行的机器人提供逼真且度量一致的 LiDAR-惯性 - 视觉 SLAM 世界表示。该方法首先通过专用校准段利用直接法对齐离线估计相机与激光雷达的外参,并在标定几何下交替优化关键帧位姿与高斯参数;最终重建全局地图时解除所有限制以提升外观质量。
推荐理由:提出 GEMOR-GS 方法,通过离线外参校准与在线重定位实现高几何精度与可重入性的 3DGS SLAM。
DFIO 是一种将误差状态卡尔曼滤波更新阶段直接嵌入计算图的学习框架,旨在解决因传感器噪声和偏差积分导致的无界漂移问题。该方法在独立预训练后,通过可微测量更新联合优化位移和协方差输出头。
RaRe 框架将多模态大模型生成的思维链转化为结构化关系嵌入,通过自监督对比学习与特定性强化学习优化表示空间。在 VG150 和 PSG 数据集上,该方法相比现有基线提升了类别平衡识别率,代码已开源。该工作已被 NeurIPS 2026 接收。
针对现有三维重建模型难以泛化到非透视相机的局限,本文提出 Camera3R 低秩适配框架,仅需 0.5% 额外参数和不到一天的训练即可将透视预训练网络扩展至任意其他相机模型,同时保持原有性能。材料为 NeurIPS 2026 会议投稿的 arXiv 预印本,代码已开源。
推荐理由:提出低秩适配框架,以极少参数将透视预训练模型扩展至非透视相机。
Uni-Loc 框架利用扫描级监督统一了病理分类与三维定位,无需额外的体素级标注。在包含 355 个标注 CT 的五项任务中,其宏观平均体素级 AUROC/AUPR 达 96.1%/34.5%,优于相关性传播和梯度显著性基线。该成果证明了在无特定病理体素监督下实现有效三维定位的可行性。
论文提出了 RetinexGS 框架,旨在解决标准 3D 高斯泼溅(3DGS)在处理严重欠曝光图像时产生的颜色不稳定、伪影及暗区重建不完整问题。该方法在 RAW 域结合 Retinex 外观建模与传感器感知优化进行低光照新视角合成,通过将高斯颜色分解为视图无关的基础颜色和共享的调制场来约束学习,并利用 DNG 噪声元数据加权损失函数以处理信号相关噪声。
论文提出 RaMOD 框架,旨在从车载单芯片毫米波雷达获取的原始范围 - 方位角 - 多普勒(RAD)立方体中实现实时移动物体检测与速度估计。该方法显式估计帧间自车运动,利用预测的多普勒区域抑制静态结构回波,并将剩余数据编码为多尺度特征以预测目标框及类别。
推荐理由:提出 RaMOD 框架,从车载毫米波雷达原始数据中实现实时移动目标检测与速度估计,在 BRIDGE-Liv 数据集上显著优于现有基线。
ARQ-VAE 提出一种无标签的离散残差量化机制,将 Breakfast 数据集 I3D 特征库存储从 28 GB 压缩至 10 MB。结合 ASFormer 模型,该方法在监督设置下取得 71.5 Edit 和 51.2 F1@50 性能,且无需帧级标注即可支持增量与无监督分割任务。该预印本论文展示了其在长视频存储 - 性能权衡上的显著优势及代码开源潜力。
DMSNet 在 Kvasir-Capsule 数据集上以随机帧级和源视频不重叠验证协议评测,完整测试集 MCC 为 0.442±0.020。研究指出模型排名高度依赖评估协议、训练源多样性及跨数据集偏移,外部 CV2024 数据集表现显著下降。该工作强调需采用源感知验证与严格的跨数据集评估以提升视频胶囊内镜分类系统的可靠性。
PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准。基准测试显示,最佳方法误差约为四分之一,仅微调的合成数据模型(Molmo2-4B)与前沿模型 GPT-6.1-sol 水平相当且均低于非专家标注员(37%)。研究结论表明,单张照片无法证明满足±5% 的工业公差,跨重拍的一致性才是关键指标。
论文介绍了一种统一的 multimodal multitask 框架,能在单一架构内同时完成道路封闭分类(无、部分、完全)和受影响路段关联。模型整合了结构化地图数据、融合街景检测的卫星影像及街景图像,利用模态特定编码器和跨模态 Transformer 注意力机制进行显式推理。
nnUnet 在基于 Cirrus 与 Spectralis 设备 OCT 图像的地理性萎缩分割任务中,以 0.8882±0.0033 的 Dice 系数超越其他四款深度学习架构及阈值基线。该研究通过归一化与修复预处理提升图像质量,证实 nnUnet 在数据受限条件下兼具高精度、稳定性与效率。论文已上传 arXiv,提供完整代码与权重下载许可。
该论文提出一种新的图像地理定位方法,通过在预训练的位置编码器表示空间中学习行为来避免坐标生成的语义不稳定问题。作者引入位置自编码器(LAE)将嵌入映射回公里级精度的坐标,并在此空间内训练名为 DIG 的潜在扩散模型。
针对现有遥感图像超分辨率方法过度依赖相对缩放因子而忽视绝对空间分辨率先验的问题,论文提出 SpatialSR 方法。该方法利用预训练的扩散模型提取特定空间分辨率的纹理风格代码,并通过空间分辨率估计模块动态确定缩放比例及分辨率感知风格一致性约束。实验表明,SpatialSR 在常用遥感图像超分辨率数据集及下游分类、分割任务上均达到最先进水平(SOTA)。
针对眼科手术各阶段缺乏公开多模态视网膜图像刚性配准数据的问题,MICRO 数据集提供了涵盖术前、术中及术后的 1,365 对跨模态图像及标准化标注。提出的 OFS2Reg 框架摒弃传统两步骤分割后检测模式,利用频率引导的结构保持描述子构建关键点拓扑约束,实现像素级跨模态血管结构精准对齐。该研究旨在解决现有深度方法因依赖分割质量而受限的难题,为眼科手术提供关键引导。