跳到正文
11月10日周二
  1. Hugging Face Daily Papers48

    Qwen3-0.6B 在 GSM8K 基准上实现按需精度:仅在解码步不确定性高时从 4 位提升至 8 位权重,成本仅增加 15% 且保持性能接近全 8 位模式

    Qwen3-0.6B 模型通过仅在低精度输出分布熵值超过阈值或前二优势不足时,将解码步骤的权重精度从 4 位动态提升至 8 位。在 GSM8K 基准的 150 个真实问题测试中,该策略以仅增加 15% 的权重读取成本,实现了与全高精度模式相近的性能表现。研究验证了推测机制能在相似字节数下达到零 KL 散度,但未运行随机控制、思维模式规则及第二个模型的对比实验。

11月9日周一
  1. arXiv · 机器人与计算机视觉72

    稀疏全层连接器用于域泛化语义分割

    该论文针对多基础模型融合时深度对齐的局限性,提出稀疏全层连接器(SALC),使各层能访问另一模型的前序层并自适应选择稀疏子集。研究引入候选丢弃正则化以增强稀疏性,在四种基础模型组合及三种域泛化设置下展现出更强的泛化能力。代码已开源。

  2. arXiv · 机器人与计算机视觉15

    妇科图像分割持续学习中的遗忘深度分析:瓶颈层适应策略研究

    针对妇科影像持续学习中任务差异引发的灾难性遗忘问题,研究通过调整 3D nnU-Net 骨干网络的可训练区域发现,仅适配瓶颈层能在大幅保留旧任务性能的同时有效支持新任务学习。赋予不同模块差异化学习率虽能显著降低部分可训练情况下的遗忘程度,但全量更新骨干网络仍会导致严重遗忘且依赖具体参数变化位置。该工作揭示了模型遗忘不仅取决于参数量级更与允许变化的结构部位密切相关。

  3. arXiv · 机器人与计算机视觉62

    SteeringDRL:一种引导扩散表示学习训练轨迹的方法

    论文研究了扩散自编码器训练中重建质量与解耦程度不一致的现象,提出 SteeringDRL 方法结合门控残差 U-Net 和噪声课程来塑造训练轨迹。实验显示该方法在属性解耦基准上表现具有竞争力且种子敏感性降低,并扩展至空间解耦任务以提升无监督分割性能。

  4. arXiv · 机器人与计算机视觉72

    基于野外视频的共享标准物体坐标系涌现方法

    针对跨实例物体姿态表达需统一标准坐标系的难题,本文提出一种无需人工标注或类别条件的方法。通过自监督学习刚性物体的野外视频,利用结构从运动(SfM)提供的噪声相机位姿和特征提取器的语义先验,使模型在共享几何瓶颈中涌现出一致的标准坐标系。该方法在约 160,000 个野外物体视频上训练,在类别级姿态估计基准测试中达到与依赖标准姿态监督方法相当的准确率。代码与检查点已开源。

  5. arXiv · 机器人与计算机视觉62

    TACO:面向视频识别的任务一致开放词汇适应方法

    针对 CLIP 在开放词汇视频识别中的泛化与特化平衡难题,本文指出现有正则化方法忽视了表示偏离训练分布的问题。作者提出 TACO 框架,利用相对结构蒸馏保持 OOD 相关对齐,并通过轻量化专业化投影解耦表示空间与优化空间。该方法在跨数据集及基类到新类设置下取得最先进性能。代码将开源。

  6. arXiv · 机器人与计算机视觉72

    Text-Driven Fusion for Infrared and Visible Images: Achieving Image Scene Adaptation on Hyperbolic Space

    该论文介绍了一种由文本驱动的红外与可见光图像融合框架,利用双曲流形学习解决欧氏空间方法在语义层次和距离度量上的局限。训练阶段使用 BLIP 提取的文本提示作为拓扑锚点,通过双曲嵌入自然适应不同粒度语义,并利用庞加莱球的负曲率特性避免纹理失真;推理阶段无需输入文本即可自适应融合内容。实验表明该方法在基准数据集上优于现有最先进方法,代码已开源。

  7. arXiv · 机器人与计算机视觉68

    概率守恒流引导:一种改进扩散与流模型生成质量的新方法

    针对扩散和基于流的生成模型中,Classifier-Free Guidance 等启发式线性组合忽略生成流形几何、导致样本偏离学习流形的问题,本文通过连续性方程分析证明发散项在采样接近数据流形时会结构性爆炸。为此提出自适应流引导(AdaMaG)规则,同时处理发散项与分数平行项,无需额外推理成本即可提升图像生成的真实感并减少伪影。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。

  8. arXiv · 机器人与计算机视觉67

    DiRotQ:面向 4-bit 扩散 Transformer 的旋转感知量化方法

    论文介绍 DiRotQ,一种 W4A4 后训练量化框架,利用主成分分析识别低秩子空间并保留系数精度,结合 GPTQ 权重量化实现高效推理。在 PixArt 模型上 FID 为 15.9、PSNR 为 19.1 dB,优于 SVDQuant;引入 VLM-as-a-Judge 评估协议以全面衡量感知质量与提示对齐能力。

  9. arXiv · 机器人与计算机视觉35

    Geospatial Foundation Models 领域缺乏统一标准,arXiv 论文审计揭示评估与权重发布现状

    针对地理空间基础模型(GFMs)评估不标准化、权重未开放及预训练配置混乱的现状,一项涵盖 152 篇论文的审计发现近半数研究未发布模型权重且存在大量跨论文结果分歧。作者提出六项具体期望以解决社区协调失败问题,旨在建立共享理解与改进路径,而非指责特定实验室。该工作为 cs.CV 领域提供了明确的标准化行动建议。

  10. arXiv · 机器人与计算机视觉42

    Source-Free Domain Adaptation with Vision-Language Prior:DIFO++方法实现无源域自适应

    DIFO++方法首次利用CLIP等现成视觉语言模型,通过提示学习与知识蒸馏解决仅有无标签目标数据的领域自适应难题。该方法聚焦特征纠缠的“差距区域”生成可靠伪标签并减少语义差异,在IJCV期刊发表且代码数据已开源。实验表明DIFO++显著优于现有最先进替代方案。

  11. arXiv · 机器人与计算机视觉15

    Deep Learning-Based Tracking and Lineage Reconstruction of Ligament Breakup 提出两阶段深度学习框架,实现液膜破裂中配体与液滴的追踪及谱系重建

    该研究针对高速阴影成像中液膜破裂的多尺度瞬态动力学难题,提出包含 Faster R-CNN 检测器与 Transformer 增强多层感知机的两阶段框架。在 Carbopol 凝胶射流实验数据上,该方法通过形态保持的合成数据生成策略,在十四种配置下达到最高 0.872 F1 分数;第二阶段模型在严重类别不平衡下对破裂事件实现 86.1% 准确率、93.2% 精确率和完美召回率。

  12. arXiv · 机器人与计算机视觉38

    Attachment Anchors:腹腔镜结肠手术抓持点预测新框架

    针对微创手术中组织操作复杂且结肠手术研究不足的难题,该工作提出 attachment anchors 结构化表示法,通过归一化局部几何与机械关系降低预测不确定性。在包含 90 例结肠手术的实测数据集上,该方法相比仅用图像的基线显著提升了抓持点预测精度,尤其在未见过的术式和主刀医生等分布外场景下增益尤为明显。结果表明该中间表示是学习驱动的结肠手术组织操作的有效方案。

  13. arXiv · 机器人与计算机视觉42

    Remote Sensing Change Detection via Weak Temporal Supervision 方法利用现有单时相数据扩展观测,无需新标注实现遥感变化检测

    该方法通过引入额外时间观测并利用“真实双时相对大多无变化”的假设生成弱标签,结合对象感知变化图与迭代 refinement 处理噪声。在 FLAIR 和 IAILD 数据集扩展版上验证了零样本及低数据 regime 下的竞争力,并在法国大范围区域展示了可扩展性潜力。论文已接受发表于 WACV2027,代码与权重开放许可情况需查阅原文。

  14. arXiv · 机器人与计算机视觉27

    ReefNet:珊瑚礁细粒度识别数据集与基准评测

    ReefNet 整合约 92.5 万硬珊瑚标注及独立采集的 Al-Wajh 数据,构建含 39 个分类标签的 47.9 万样本基准。预训练模型在零样本任务中表现最佳,DINOv2 在 Al-Wajh 测试集上宏观召回率达 65.79%。该资源旨在解决长尾识别与地理分布不均挑战,Al-Wajh 作为区域压力测试而非全球鲁棒性证明。

  15. arXiv · 机器人与计算机视觉38

    Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data 论文被 CVPR 2025 接收

    针对糖尿病视网膜病变分级中的域偏移及模型缺失挑战,研究提出 GUES 方法,通过变分自编码器生成扰动实现数据中心自适应。在冻结与可训练模型的基准上广泛实验表明,该方法在小批量条件下仍具鲁棒性且优于传统迁移学习方案。该论文已被 CVPR 2025 接收,代码或权重开放许可情况原文未详述。

  16. arXiv · 机器人与计算机视觉72

    Source-Free Domain Adaptive Object Detection with Semantics Compensation 论文发表

    该研究针对无源域自适应目标检测方法中强数据增强可能擦除类别相关特征的问题,提出弱到强语义补偿(WSCo)方法,利用弱增强图像作为锚点丰富强增强特征的语义空间。实验验证了该方法在标准基准上的有效性,且可作为通用插件集成至现有流程。论文已被 Pattern Recognition 期刊接收。

  17. arXiv · 机器人与计算机视觉57

    Flow-Guided Target-Space Alignment via Path Consistency:一种基于路径一致性的目标空间对齐方法

    论文提出了 FlowAlign 方法,将条件流匹配重用于训练时的对齐信号而非推理时的传输模型,以引导源侧表示与固定目标空间对齐。该方法在保持实例级对应关系的同时兼容全局目标空间结构。理论分析表明其通过控制端点精度和捕捉局部几何来改善配对对应性。实验涵盖合成数据、配对单细胞多组学基准及图像 - 文本对齐任务,结果显示其在不同模态设置下均能提升实例级对应并保留目标空间结构。

  18. arXiv · 机器人与计算机视觉58

    ROSE:面向多模态大模型终身知识编辑的风险感知正交子空间导航框架

    针对多模态大语言模型在连续事实更新中面临的局部侵蚀和灾难性遗忘问题,本文提出了 ROSE 框架。该方法通过限制参数更新至先前编辑子空间的正交补集来缓解遗忘,并引入动态计算的风险掩码以保护维持模型稳定性的关键事实参数子空间。

  19. arXiv · 机器人与计算机视觉78

    超越分割:为 ImageCAS 数据集增加窦口地标、根植中心线图及开放权重定位模型

    该研究针对现有公开冠状动脉窦口标注缺失或仅隐含的问题,为最大的公共冠状动脉分割数据集 ImageCAS(涵盖1000名患者)补充了精确的窦口标注与基于这些新地标生成的中心线图。

    推荐理由:该工作为最大的冠状动脉分割数据集 ImageCAS 补充了窦口标注与根植中心线图,并验证了开放权重模型在定位任务上的性能。

  20. arXiv · 机器人与计算机视觉58

    EventHOI:面向智能眼镜的事件驱动资源高效手物交互日志记录

    该论文提出 EventHOI 系统,通过耦合选择性 RGB 捕获与手物交互感知编码,利用低功耗事件传感器确定何时需要 RGB 采集及何处保留视觉细节,并结合 IMU 自运动消除以指导触发与压缩。原型系统在 50 小时基准测试中相比纯 RGB 基线降低后端功耗 5.8-10.4 倍、上行带宽 2.9 倍,且交互识别精度损失极小,使智能眼镜通过 BLE 稳定传输视频成为可能。

  21. arXiv · 机器人与计算机视觉73

    UniMore:面向统一理解与生成的细粒度监督方法

    该论文针对预训练统一多模态模型在图像生成和文本描述中缺乏细节特异性的问题,提出 UniMore 后训练方法。该方法从图文对的细粒度内容出发,设计两条独立优化的路线:生成路线预测对应短语的 grounded crops 以匹配视觉目标,理解路线结合正样本拟合与对缺失或改变细节的负样本排序。实验显示该方法在多项理解与生成基准上均取得提升。

  22. arXiv · 机器人与计算机视觉82

    仅需少量梯度符号:视觉语言模型的少样本适应方法

    论文指出视觉语言模型少样本适应时梯度估计存在严重校准偏差,但小幅度梯度的符号仍具信息量。为此提出 SignSparseSGD 和 DynSignSparseSGD 两种无需维护状态、仅利用梯度符号的优化器。

    推荐理由:针对少样本适应中梯度估计噪声大的问题,提出无需维护状态且仅利用梯度符号的优化器,在多项基准上表现优异。

  23. arXiv · 机器人与计算机视觉48

    Measurement-Aware Multimodal LLM 用于无参考低剂量 CT 质量评估

    研究提出基于 Qwen3.8-27B 的测量感知多模态大语言模型,通过结合图像域噪声、锐度等六项百分位测量值来解释评分。在 LDCT-IQA 2023 测试集上,该模型整体得分为 2.735,与重训挑战冠军持平且显著优于零样本基线。将测试时测量的顺序打乱会使分数降低 0.048,主要源于噪声项的影响。

  24. arXiv · 机器人与计算机视觉73

    分级卷积网络:无尺度下的尺度不变性与抗未知模糊能力

    Tanush Shaska 发布论文提出分级卷积网络(Graded convolutional networks),利用图像高斯射流与退化映射实现尺度归一化,解决未知高斯模糊下的特征提取难题。实验显示该架构在 MNIST 数据集上两像素模糊条件下准确率达 88.4%,优于传统尺度归一化导数网络的 66.2%;在 Lindeberg 网络中则将准确率从 91.5% 提升至 95.1%。

  25. arXiv · 机器人与计算机视觉83

    AR-Edit:无需反演的免训练自回归视频编辑方法

    该论文提出 AR-Edit 方法,通过分析 DMD 蒸馏的自回归视频扩散模型的自注意力动态,发现查询键稳定而值特征编码演化内容的不对称性。该方法仅需单次前向传播即可捕获源身份并缓存值特征,在去噪过程中选择性注入,从而在不依赖反演的情况下实现高保真流式视频编辑。

    推荐理由:提出无需训练与反演的视频编辑方法,利用自注意力机制特性实现流式实时编辑。

  26. arXiv · 机器人与计算机视觉45

    Zero-Shot Benchmarking of Unified Multimodal Models for Shallow-Water UAV Image Distortion Assessment and Restoration 评测报告

    该研究首次对五款冻结权重的统一多模态大语言模型进行零样本基准测试,评估其在无参考图像条件下识别浅水无人机影像畸变并恢复的能力。在包含 1000 张图像的基准中,最佳模型的畸变存在检测平衡准确率为 0.654,PSNR 增益为+0.255 dB,但部分模型仍出现幻觉或改变场景结构的现象。结果显示仅凭识别退化并不意味可靠的物理恢复,该工作提供了可复现的未来研究基线。

  27. arXiv · 机器人与计算机视觉42

    CRTrack-Cap:跨视角稠密视频目标描述新基准与基线框架

    CRTrack-Cap 构建包含 425 条全局轨迹和 335 个身份的标准描述,解决多相机视图独立处理导致信息割裂的问题。研究团队提出结合 VECA 关联与 CEG 证据门控的参考框架,在跨域测试中 CV-CHOTA 得分达 33.48。该基准为计算机视觉领域提供了统一的跨视角轨迹描述方案及强基线模型。

  28. arXiv · 机器人与计算机视觉21

    Dual-Region Slice Aggregation 用于 CT 基肾肿瘤分类

    该研究提出一种区域感知架构,通过分离池化肿瘤与周围组织特征并融合放射组学,在 KiTS23 及外部测试集上分别实现 0.8078±0.0154 和 0.9094±0.0015 的 AUC。相比单肿瘤读出基线,该方法使平均 AUC 提升 1.50 至 2.34 个百分点,验证了区域读出与切片聚合在适配冻结视觉特征中的联合作用。论文已提交 IEEE ISBI 2027,代码与数据许可状态待定。

  29. arXiv · 机器人与计算机视觉38

    多模态知识牵引训练提升视频异常检测性能

    针对弱监督视频异常检测任务,该方法利用大语言模型与文本提示建立先验信息,并通过字典学习压缩数据以增强鲁棒性。实验发现图像描述存在不一致,因此引入辅助信息确保相似帧描述的文本一致性。最终提出的特征处理方案结合跨模态注意力机制,在准确性与稳定性上超越现有最先进方法。

  30. arXiv · 机器人与计算机视觉31

    循环细化在医学图像分割中的作用研究

    针对小样本与成像伪影导致的分割网络性能下降问题,研究者在骨干网络中引入轻量级循环细化模块(含 CRFs、Hopfield 网络和卷积 GRU)。实验基于 Kvasir-SEG 和 ARCADE 数据集验证,新增参数少于 1.5%,在干净数据上提升最高 1.4 个百分点,噪声环境下提升高达 17 个百分点并降低 HD95。代码已公开于指定链接供复现。

  31. arXiv · 机器人与计算机视觉38

    SPSC:通过语义保持与子空间校准实现零样本跨受试者脑电图像重建

    SPSC 框架利用对象掩码对比正则化(OMCR)和子空间候选门控(SCG),在无需目标标签或嵌入的情况下提升跨受试者脑电到图像的无监督重建效果。该模型在 THINGS-EEG 数据集留一受试者验证设置下,将 CLIP 相似度从 0.552 提升至 0.713,Alex.5 得分从 0.612 提升至 0.745。研究证明了语义校准条件在无监督推理中支持目标主体生成的有效性。