Grad-CAM 与 CRAFT 在 CNN 架构下的可解释性研究:VGG16、ResNet50 及 ConvNeXt-Tiny 的 Faithfulness 对比分析
该研究系统评估了 VGG16、ResNet50 和 ConvNeXt-Tiny 三种 CNN 架构在 ImageNet-1K 子集上的可解释性,发现随着训练推进,复杂架构表现出更高的 Faithfulness 但更低的 Sensitivity。
该研究系统评估了 VGG16、ResNet50 和 ConvNeXt-Tiny 三种 CNN 架构在 ImageNet-1K 子集上的可解释性,发现随着训练推进,复杂架构表现出更高的 Faithfulness 但更低的 Sensitivity。
Color wave 通过设备屏幕引入随机视觉刺激,对静态图像、预录视频及实时深度伪造三类注入内容进行分类与检测。实验显示该方法在受控条件下具备强判别信号,但在过曝、低亮度及主体运动等工况下存在性能局限。研究建立了针对注入攻击的专用评估协议,揭示了主动光照机制在不同操作条件与规避策略下的成功或失效原因。
ASML 方法利用 Sequential Content Fusion 模块抑制冗余并保留非重叠区域,结合 Spatial Feature Aggregation 维持空间布局及 Geo-InfoNCE 损失函数优化硬负样本区分能力。
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。
DPGS-SLAM 通过异步扩散背景补全与溯源感知高斯映射,解决动态物体干扰视觉 SLAM 的难题。系统利用 SAM2 识别动态区域,结合微调扩散模型生成遮挡背景外观,并由 Metric3D v2 预测深度以初始化临时高斯原语。
SAFE-Hair 通过解码标准头皮 UV 域中的持久毛囊,从单张肖像直接生成可用于造型编辑的显式发丝资产。该方法引入附着、碰撞及弯曲先验以增强几何有效性,并在 HairBench-3D 基准上将 Chamfer 距离优化至 3.28 mm、F-score 提升至 81.7。该框架已接受 NeurIPS 2026,代码与权重待开放许可确认。
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。
论文介绍 BetaGrasp,这是一种结合四分类握持标签(crimp、sloper、pinch、jug)作为模式切换的 3D 扩散策略,运行于 Franka 机械臂与 16-DoF LEAP 手部。实验在弹簧测试台(带棘轮测力计)上验证,结果显示该标签使平均滑移力从 9.6 N 提升至 14.3 N,完全脱手率从 44% 降至 10%,而仅靠点云编码的基线策略无法区分握持类型且成功率仅为 25%。
推荐理由:BetaGrasp 通过引入四分类握持标签作为模式切换,将仿真到现实的滑移力提升显著,大幅降低完全脱手率。
针对流式三维重建中因不可靠更新导致长期几何漂移的问题,本文提出 HIST3R 框架。该方法在 CUT3R 基础上,利用局部一致的历史状态修正更新方向,并根据当前观测与历史的视觉差异调节更新幅度。实验显示,在 ScanNet、TUM-Dynamics 等数据集上,HIST3R 显著降低了绝对轨迹误差并提升了重建精度,且保持了原有的内存占用和推理速度。
推荐理由:提出 HIST3R 框架,通过历史状态修正更新方向并调节幅度,解决长视频重建中的几何漂移问题。
论文提出 CSG-Nav 框架,通过整合开放词汇检测、深度定位与多视图证据加权,解决长程感知不可靠及幻觉偏差问题。在 HM3Dv1/v2 和 MP3D 数据集上实现零样本导航成功率分别为 58.9%、71.6% 和 44.3%,并在室内外真实环境完成部署验证。代码已开源。
推荐理由:提出基于置信度的语义几何融合框架,在 HM3D 等数据集实现零样本导航新 SOTA,代码已开源。
论文提出了 UltraVoxelGS,这是一种针对三维超声重建的 Feed-Forward(前馈)高斯泼溅方法,首次实现了快速重建与物理保真的实时渲染效果。该方法通过 voxel-to-Gaussian 的前馈路径解耦了表示大小与输入数量,并提出了感知超声特性的外观渲染策略以处理声学传播导致的视图依赖现象。
该研究针对水下领航 - 跟随编队控制中感知条件受限和计算资源有限的问题,提出了一种可靠性自适应的多模态感知框架。该方法融合视觉、声学测距和水动力测量数据,通过自适应加权各模态贡献并建模时间依赖性,在嵌入式 NVIDIA Jetson AGX Orin 上实现了低延迟推理(17.62 ms)。
论文指出开放词汇分割模型在部署超出训练类别时,会静默丢失某些类别且仍输出高置信度掩码,但训练损失下降甚至 mIoU 上升。研究证明哪类崩溃完全由类名列表决定:基于类名与训练词汇的文本相似度即可预测崩溃风险,该排名在九个模型家族中 AUROC 达 0.69-0.96。
推荐理由:研究发现仅凭类名列表即可预测分割读出的崩溃风险,无需查看图像。通过调整词汇距离或训练幅度可恢复已消失的类别,为模型鲁棒性提供新视角。
arXiv 论文提出 LO-World,这是一个统一的 4D 世界模型,在共享鸟瞰图(BEV)潜在空间中联合预测 LiDAR 点云和 3D 语义占用。该方法通过耦合高效的混合范围体素自编码器和流匹配生成器,利用历史上下文缓存降低迭代采样延迟。
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。
该论文测试了八种开源视觉语言模型(VLM)在脑肿瘤或异常检测任务上的表现,评估其陈述的置信度是否可作为安全筛选答案的依据。
该研究提出 BCVS(Budget-aware Correspondence-driven View Selection)算法,这是一种无需姿态估计的视图采样方法,能在 CPU 上实现超过 22 FPS 的处理速度,支持在线过滤以优化移动机器人的三维感知。
研究对 EfficientNetV2-M、ConvNeXt-V2-Tiny、Swin-V2-S、ViT-L/16、DINOv2-L 及 MedSigLIP-448 六种架构进行四分类评测,发现测试集准确率在 94.5% 至 95.6%,且存在 36% 的图像含训练近重复样本。
FMA-Net 提出统一框架,利用指令引导潜空间翻译补偿缺失模态,在 WMCA 数据集 70% 模态缺失下将平均 ACER 从基线 4.24% 降至 3.22%,深度与红外完全不可用时 ACER 为 5.23%。该框架通过面部特征适配器整合全局结构与局部欺骗线索,并借助合成到真实域对齐减少特征差异。实验在 WMCA 和 PADISI-Face 数据集上验证了其在灵活不完整模态下的鲁棒性。
该预印本论文提出了 Global Rotations from Aggregated Matches (GRAM) 和 Multi-view Optimization with Rotation-only Reprojection Error (MORE),旨在通过最小化边向旋转代数残差直接估计全局旋转,替代传统的双视图相对位姿优化与旋转平均步骤。
该研究提出了 LangDepth 架构,通过冻结 CLIP 编码器和可学习的概念键提取场景描述符,利用场景先验模块(SPM)为室内和室外场景分别设定全局深度区间锚点。模型在 NYU Depth V2、KITTI、DIODE 等数据集上实现了高 delta_1 精度,且无需大规模监督数据或伪标签。实验表明,该机制能有效处理跨域尺度差异,并在户外场景中由先验主导预测结果。
GeoPilot 工作流将大语言模型诊断、数值工具重建及外部几何评估结合,生成可执行的程序或相机配置干预。在 224 张 Metashape-raster 开发图像上,共享内参假设使六个原生坐标指标全部改善,平均表面到参考距离减少 7.04%;而在独立棋盘格样本上的参考辅助对齐则限制了该增益。
该论文提出了 Flow from Adaptive Token Estimation (FATE) 方法,通过解耦匹配尺度与光流分辨率,利用像素到 token 的关联实现可靠匹配与精确重建。在 FlyingChairs/FlyingThings3D 训练后,该方法在 Sintel Final 和 KITTI 数据集上实现了最高的零样本准确率,特别是在运动边界和遮挡区域表现优于现有方法。
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。
LocateAnyMesh 是一个视觉语言模型,利用冻结的 3D 编码器将彩色表面点映射为紧凑 token 序列,并将其与图像和指令 token 结合。该模型无需渲染查询视图或进行视图模板匹配,新物体仅需单次编码即可处理,无需针对特定对象微调。
MICE(Multi-animal Interaction Context Encoder)是一款针对小鼠行为的分层基础模型,能联合预训练处理 1 至 4 只小鼠及 7 到 27 个关键点的数据。该模型通过层级个体编码器和 Perceiver 风格社交编码器,实现单检查点适配任意群体规模且无需重训。在涵盖六个数据集的四项评估协议中,MICE 匹配或超越现有基于关键点的基线,代码、权重与数据已开源。
该论文指出传统单目 3D 检测公式存在因使用 2D 框高导致恢复的是物体前表面而非中心的系统性偏差。作者提出 MonoPCA 框架,通过 PCDepth 模块利用透视几何进行方向与尺寸感知的修正以消除偏差,并引入 GeoAlign 教师 - 学生架构将视觉基础模型的几何表征迁移至轻量级模型以增强属性感知。
Martine 是一个用于受控 3D 物体表面重建的基准数据集,包含 28 个具有透明材质和精细结构的物体,在单光和多变光条件下从 84 个视角采集了 9568 x 6376 像素的图像。
论文提出 FastGRT,通过解耦光路遍历与混合及重用前向计算,将基于高斯的光线追踪训练速度提升 1.9 至 4.97 倍。该方法在 Vulkan 中实现并开源,是首个支持训练和渲染的 Vulkan 版 GRT 实现,同时保留了原有的渲染公式。
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。
研究提出将注意力分解为贡献与拉取两种归因图,在 MAPLES-DR 数据集上验证了“拉取”图的因果解释性最高。该方法虽无像素级监督,但精度达到 HRDecoder 模型的 70%,且比遮挡法快 800 倍。代码与演示已公开,相关成果将提交至 ISBI 2027。
论文指出当前空中视觉语言导航器常出现‘到达目标位置却未识别物体’的问题,原因是模型学会了抵达地标而非识别指令中的具体对象。作者提出 MAP-VP 模块,在导航器停止后自动将指令中的地标绘制到无人机视野中,再结合微调后的 4B 视觉语言模型定位目标。
论文提出 FLAVOR 框架,通过分层时空地图解决无人机在资源受限环境下的全局探索问题。该方法将稠密几何约束于机器人局部地图,仅保留紧凑的全局观测与任务上下文;利用轻量 LiDAR 关键帧可见性记录支持前沿推理,并将未解析的前沿作为待办任务关联里程计锚点。
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。
论文提出了 TransArt3D 框架,旨在解决仅凭少量图像重建可交互三维关节资产这一高度欠约束问题。该方法利用视频扩散模型捕捉物体在状态间运动的先验,将其转化为显式的部件结构和关节运动学。
针对移动机器人在室内环境中对路径两侧家具和结构的三维感知需求,本文提出一种运动辅助的单雷达双侧近场成像框架。该方法利用球形波前模型关联场景反射率与步进频率多输入多输出观测数据,通过双边发射天线组合实现宽带方向加权,结合滑动孔径反投影进行相干聚焦,并利用 Top-K 功率融合整合不同可见性的局部图像。
Viscot-steer 是一种无需训练的激活引导框架,将视觉思维链解耦为定位与推理向量并在目标模型间迁移。该方法在高分辨率理解、通用感知及数学推理基准上,平均比最强基线提升 1.86 个百分点。项目页面已提供,代码与权重开放许可状态待确认。
SAVAR 是一种基于视觉自回归建模的生成式编解码器,通过传输早期尺度 token 和紧凑描述符解决超低保真度下的源不一致问题。在 Kodak 和 CLIC2020 数据集上,该模型将 LPIPS 感知失真降低约 8%--9%,DISTS 指标最多降低 22%。