Supervised Scoring 提升手术动作中心定位增益:arXiv 预印本
该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。
该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。
针对开放词汇目标检测中模型偏向基础类别导致新类别语义坍塌的问题,论文提出了 PR-OVD 框架。该方法首先进行粗粒度分区以隔离背景与类别特征,随后在各类别内进行细化以提升决策边界清晰度,并设计了受认知启发的结构提示(Structure Prompt)为新型类别提供视觉锚点。实验显示,PR-OVD 在两个基准测试中使新类别检测性能平均提升 6.5%,同时提升了分割和分类等任务效果。
针对 OKS-mAP 无法区分可见/遮挡关键点及忽略关节角误差的盲区,研究者在 COCO、CrowdPose 等四数据集上验证了新协议。实验显示聚合 mAP 高估遮挡场景性能(Delta_occ 为负),且 OneEuro 平滑可将跳变率降低 9-10%。该开源工具包补充而非替代现有指标,代码与权重已开放许可。
针对单车视角受限导致的遮挡与检测失败问题,该研究提出一种无需传输完整特征图或密集传感器数据的高效协同感知框架。该方法通过优化通信开销,旨在解决现有方案阻碍实际部署的瓶颈,为复杂交通场景下的安全运行提供新路径。
X-SiT 是首个提供人类可读预测的 inherently interpretable neural network,利用空间对应的皮层原型进行病例推理。该模型在阿尔茨海默病和额颞叶痴呆检测中达到 state-of-the-art 性能,并揭示分类错误以对齐已知疾病模式。代码与论文已作为 MICCAI 2025 预印本公开提交。
U-WNO 是一种结合小波分解、算子学习与编码器 - 解码器机制的新型模型,旨在通过时空域模式跟踪实现区域分割。该工作仅在二维超声图像上针对不同孕晚期进行了演示,但作者因不再积极 pursue 当前形式而主动撤回了预印本。
针对临床 CT 与同步辐射微 CT 间存在的 32 倍分辨率差距及物理差异,本文提出一种从像素生成转向拓扑推断的新范式。该方法通过结构双重超分辨率(SDN),耦合正向物理退化与逆向结构推断约束,在低分辨率输入上确定性预测不变微观结构。模型在测试集上实现了与高分辨率参考一致的六种形态参数指标,SSIM 达 0.8,并验证了跨数据源的泛化能力,确保学习到的表征捕捉真实三维拓扑而非二维像素统计。
该论文提出 Bitemporal Mamba-Diffusion for Change Detection (BMD-CD) 框架,旨在解决遥感图像变化检测中密集注意力计算成本高及传统特征融合难以区分真实变化与外观差异的问题。
论文提出 CitySTAR,这是一个无需训练的框架,旨在解决复杂场景中从自然语言到城市级点云的 3D 定位问题。该方法将描述语义组织为跨模态约束,利用 CodeLLM 工具生成多模态证据构建场景图,并通过双超图建模目标上下文拓扑及双向验证实现结构消歧。
论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。
推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。
针对无人机图像集空间时间关联被常规分割基准割裂导致评估偏差的问题,研究基于 WeedyRice-RGBMS-DB 数据集,在固定 124 张目标采集测试集下对比了“目标保留”与“目标暴露”两种协议。实验显示 RGB+MS 模态在目标暴露后 IoU 达 0.7822±0.0269,优于完整保留时的 0.7317±0.0201,且早期融合对光谱位移更敏感。代码与支撑材料将在论文被接收后公开。
Dual-Part MLBNet 架构通过多侧编码器块与多头解码器分支,实现了心血管导管造影术中导丝、导管、血管及背景的高概率分离。模型在体模、合成人造主动脉及动物模型的造影数据上训练评估,有效区分主导背景类与前景结构并具备高整体准确率。该研究针对现有二元分割局限,满足了同时分割导管场景多种结构的快速、准确且可解释性需求。
该预印本提出 VOIM 系统,这是一种无需训练的开放词汇 3D 实例映射方法,能够从 RGB-D 或单目 RGB 视频构建物体及其位置的地图。系统在 ScanNet++ 数据集上取得了比最强基线高 10 个点的现成类别 mIoU,且在仅使用单目视频时表现优于配备深度和真实位姿的对比方法。研究还通过四足机器人的实地导航实验验证了所建地图在现实世界中的可用性。
arXiv 论文介绍了一种名为 MGN-AIR 的像素级图像复原框架,旨在解决传统统一策略无法应对不同区域退化类型和程度差异的问题。该方法通过学习估计像素级视觉提示词,结合文本与视觉提示提供全局与局部退化线索,引导模型在每一像素处确定观察重点及复原方式。实验涵盖去噪、去雨、去模糊、除雾、除雪和低光增强等多种任务,结果显示该方法在多基准测试中均显著优于现有方法。
论文 RefineAny3D 提出将单目 3D 目标检测中的深度误差修正转化为视觉空间对齐问题,而非数值回归。该方法利用视觉语言模型(VLM)扩展词汇表以使用动作 token 进行类别决策,并通过大规模思维链数据集监督模型基于显式视觉证据做出判断。
针对基于潜在表示的扩散 Transformer 超分辨率因压缩瓶颈导致细节与输入图像关联弱的问题,本文提出像素接地超分辨率(PGSR)框架。该方法在 VAE 压缩前提取并保留低清图像的像素证据,并通过条件侧轨迹引导和解码器侧像素接地两个阶段复用该信息以约束生成过程。实验表明,PGSR 在保持大模型冻结的前提下,有效改善了真实感与保真度的权衡,生成了更忠实于输入的视觉结果。
该研究对比了地面测量、全信息场景核心像素及模拟人机协同三种光谱角映射(SAM)等算法在无人机可见光与近红外高光谱成像下的 PFM-1 地雷检测效果。结果显示自适应相干估计器(ACE)仅需两轮确认和九次候选检查即可验证所有区域,而 SAM 变体需数千次审查;完整审查引导策略在七个目标区验证后达到全信息场景水平。代码已开源,论文获 IEEE WHISPERS 2026 口头报告录用资格。
论文介绍 Spatial-IQ 分层诊断框架,利用 NVIDIA Isaac Sim 生成约 80,000 个堆叠 3D 结构数据集,将物体计数任务拆解为 9 个子任务并加入心理旋转探测。
论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。
推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。
该论文提出了 VideoTreeSearch (VTS) 框架,旨在解决长视频 grounded 问答中现有代理方法缺乏细粒度回溯能力导致过早收敛的问题。VTS 将任务建模为在自适应时间树上的迭代自修正搜索,构建了包含语义连贯片段的非均匀树结构,并训练智能体通过 zoom_in、zoom_out、shift 和 answer 四种离散操作进行导航。
该论文提出 TryOnCrafter,这是首个针对相机可控视频虚拟试穿(CaM-VVT)任务的统一 DiT 框架。方法通过蒸馏高保真 2D 试穿先验到基于 3DGS 的穿衣 3D 头像,并结合 SMPL-X 序列与度量对齐的背景点云构建可渲染 4D 试穿代理。该代理作为几何锚点约束合成视频,确保在任意相机运动下保持纹理密度、物理形变一致性及结构同步,支持重定位、子弹时间等下游应用。
SierpinskiCam 通过引入辛普森圆顶纹理线索与参考视频条件化机制,解决了现有几何引导在目标相机偏离源轨迹时出现的新区域缺失问题。该方法无需架构修改或逐视频适配,即在保持外观配准的同时实现了显著的相机可控性与几何一致性提升。实验表明其在多样且具挑战性的重拍场景中均取得了优于基线的性能表现。
针对放射学中图像 - 报告配对存在的全局监督与局部病灶不匹配问题,该研究提出 GLINT 框架,通过稀疏门控对齐和密集特征正则化,在无需掩码监督的情况下实现了 3D CT 的零样本分割。该方法同时支持 2D CXR 和 3D CT,在分类、报告生成及分割任务上均优于自监督编码器和医疗视觉语言模型。代码已开源。
针对长视界视频生成中的几何一致性难题,本文提出了基于深度图的记忆检索框架 CovRAG。该方法利用预训练 3D 先验构建目标视图覆盖图作为轻量级证据,并通过最大化残差覆盖增益迭代选择能解释未被时序上下文或先前记忆覆盖区域的帧。
论文提出 S2MDF 模块,旨在解决组合隐式表面表示中多个符号距离场(SDF)产生几何互穿、违反物理合理性的问题。该方法对向量值 SDF 施加硬约束,无需修改架构即可在训练或后处理阶段应用,计算开销极低且兼容标准网格化算法。实验表明,S2MDF 能将交叠减少至数值精度水平,同时保持重建质量,优于现有缓解策略。
针对未见类别和含噪观测下的 3D 形状补全难题,该研究提出 DinoComplete 框架,通过从 DINO 特征蒸馏多视图语义体并训练学生网络预测稠密语义特征,将其与几何表示融合并通过多尺度体素 Mamba 模块进行长程推理。实验表明该方法在 ShapeNet 未见类别和 ScanNet 对象上,相比先前的确定性或生成式方法具有更具竞争力的补全质量,同时参数量更少、显存占用更低且推理速度更快。
针对视觉几何 Transformer 因全局注意力机制导致的计算成本随序列长度平方增长问题,本文提出 Good Token Hunting 策略。该方法通过两阶段框架进行 Token 选择:首先在帧间层面基于多样性保留关键帧以确保场景覆盖,随后在帧内层面利用全局注意力模式的熵引导分层稀疏化以剔除冗余 Token。
针对无人机视角下严重自运动和相机抖动导致的小目标检测难题,本文提出一种仅依赖图像的视觉引导检测框架。该方法首先利用基于单应性的全局运动补偿对齐相邻帧,随后引入双区间运动提取策略捕捉短时和长时运动线索,并通过轻量级双区间运动注入模块增强特征金字塔网络中的特征表示。
该论文指出代表性驾驶视觉语言模型(Driving VLAs)存在反事实障碍插入下的盲点规划问题,即车辆出现在前方时轨迹仍不变。研究通过偏差 - 方差分析发现模型依赖 ego 状态和指令的捷径,并提出了一种受逆运动学启发的架构:利用 LLM 预测未来视觉场景提供密集监督,并设计独立的逆运动学网络仅基于当前和未来视觉状态解码轨迹,以抑制对 ego 状态的依赖。
推荐理由:该研究通过逆运动学架构解决了智驾 VLA 模型依赖 ego 状态捷径的问题,仅用摄像头在 NAVSIM 和 nuScenes 上实现了 SOTA 轨迹规划性能。
针对第一人称视角下的 3D 双手姿态估计与手势识别难题,该工作提出 EgoEV-HandPose 端到端框架及首个大规模真实世界立体事件数据集 EgoEVHands。
arXiv 论文介绍 PointForward 框架,旨在实现高保真驾驶场景重建。该方法初始化稀疏世界空间查询并通过时空融合聚合多视图信息以强制跨视图一致性,引入场景图组织动态实例并利用 3D 边界框实现实例级运动传播。实验显示其在大规模自动驾驶基准上达到最先进水平。材料为 NeurIPS 2026 接收的预印本版本,未报告真实机器人部署结果或具体硬件要求。
推荐理由:提出 PointForward 框架,通过点对齐表示解决多视图不一致问题,在大规模自动驾驶基准上达到最先进水平。
LARGO 是一种在权重空间操作的超网络,通过正交分解压缩 $2^N-1$ 个专用模型以处理多模态图像分析中的缺失输入。该方法在 BraTS 2018(4 模态、15 场景)和 ISLES 2022(3 模态、7 场景)数据集上,于 52 种配置中领先 47 种,Dice 指标平均提升 +0.68% 至 +2.53%,超越 mmFormer 等基线。
该论文研究了视频语言模型在无训练条件下对快速人类动作进行零样本语义理解的效能,以剑道为案例。实验评估了 10 至 120 Hz 不同采样率下的全观测原始视频,发现最近类原型(NCP)准确率在 120 Hz 时最高,且 70-120 Hz 区间的平均表现优于 10-60 Hz。
该论文针对现有 MLLM 难以直接处理高维超光谱数据的局限,提出了 VSR^2 免训练视觉 - 光谱 - 报告推理框架。该框架将每个样本转化为 RGB 语义视图、PCA 主导光谱变视图及结构化定量证据报告。在 HM-Bench 基准(含 19,337 问答对)上测试显示,引入超光谱信息使平均准确率从 38.90% 提升至 40.95%,表明超光谱数据对当前 MLLM 有效但鲁棒推理仍是挑战。
作者发布 CROWD 数据集,收录来自 YouTube 的 10.7 万段未编辑城市行车记录仪片段,覆盖 238 个国家和地区、超 3.6 万小时视频。数据排除事故与剪辑内容,仅保留常规驾驶场景,并附带时间、车型及 80 类目标检测与多目标跟踪的预标注 CSV 文件,支持跨域鲁棒性与交互分析研究。
推荐理由:该数据集提供全球城市行车记录仪片段及预标注目标,支持跨域鲁棒性研究与无视频重分发下的可复现基准分析。
PolGS++ 提出一种物理引导的偏振高斯泼溅框架,通过集成偏振 BRDF 模型解耦漫射与高光分量,并引入深度引导可见性掩码机制以在无光线追踪下约束切空间一致性。该方法仅需约 10 分钟训练即可提升反光表面重建质量与效率,在合成及真实世界数据集上的广泛实验验证了其有效性。
针对动态人群场景中的人为感知变异问题,论文提出了免训练的主动证据采集框架 DIVRR。该方法结合问题引导的房间指引与相关性触发的视角增强来指导探索,并利用选择性记忆准入机制保留高评分证据以压缩显存占用。研究构建了基于 Habitat 的动态人群具身问答数据集 DynHuman-EQA,实验表明 DIVRR 在动态场景下的准确率与显存效率均优于现有基线。
针对单目 3D 面部重建中自监督训练导致表情情感信息缺失的问题,论文提出 FIELDS 方法。该方法在 FLAME 参数空间学习富含情感信息的表达表征,利用扫描拟合目标直接约束相关参数以抑制过度形变,并联合训练的情感头利用离散情绪与连续效价 - 唤醒度标注提升参数对情感分析的有效性。实验表明,FIELDS 在跨数据集设置下提升了预测参数的效用,且在刚性与相似性对齐模式下均实现了更低的整体重建误差。
针对少样本语义分割(FSS)决策过程不透明的问题,本文提出 Affinity Explainer (AffEx) 方法,直接从匹配分数提取归因图以解释预测依据。该方法无需梯度或外部扰动,在两个基准测试的七种架构上均优于传统归因方法。代码已开源,论文被 NeurIPS 2026 接收。
论文提出 ALICE-LRI 方法,旨在从已校准的旋转多束激光雷达点云生成无丢失的范围图像,而无需工厂校准文件或包级数据。该方法估计投影相关的内在校准参数(如光束配置、角分布和每束几何校正),在 KITTI 和 DurLAR 数据集上实现了所有点云的零丢失点,重建偏差低于制造商规格且支持实时运行。研究还展示了其在压缩场景下能提升重建质量并优化质量与压缩的权衡,适用于需要高测量保真度的下游应用。