Lost in Read-out:通过闭式编辑定位视觉语言模型中的图像质量差距
论文指出视觉语言模型(VLMs)作为零样本图像质量评估器时,其好坏判断与人类意见仅中度一致。层探针实验表明,图像质量信息在视觉编码器和最后一层语言层中均可线性解码,偏差主要源于最终输出层的读取机制,该层过度奖励色彩丰富度而低估清晰度。
论文指出视觉语言模型(VLMs)作为零样本图像质量评估器时,其好坏判断与人类意见仅中度一致。层探针实验表明,图像质量信息在视觉编码器和最后一层语言层中均可线性解码,偏差主要源于最终输出层的读取机制,该层过度奖励色彩丰富度而低估清晰度。
动作条件化的世界模型虽能生成逼真的视频,却可能做出糟糕的规划决策。本文提出 CURE(Certify, Upweight, Rollout, Explore)技术,通过证书评估模型是否可信赖并决定后续操作:重新加权训练数据以去偏、测试时滚动更多样本或在支持缺失处探索新数据。
推荐理由:提出 CURE 证书引导技术,通过评估决策质量而非视频感知质量来诊断并改进用于规划的世界模型。
在 AudioFuse 模型中,尽管融合得分表现强劲,但频谱图分支因训练失衡而未被使用。研究提出包含删除分支、线性探测及单视图训练的三部分诊断方案,证实该架构单独训练 AUC 超 0.9 却存在早期优化不平衡。此现象仅在 PhysioNet 数据集观察到,ICBHI 或 CirCor 上未完全满足诊断标准,建议报告分支删除与未训练对照探针以验证各分支有效性。
论文提出 Fast Training-Free Low-Light Video Enhancement with a Frozen Image Diffusion Prior,在无需低光照训练数据和重新训练新相机的情况下增强低光照视频。
针对视觉世界模型在实体姿态和空间关系上的递归误差限制长视界规划问题,本文提出 Joint Graph--Visual Dynamics Correction (JointGV) 插件。
推荐理由:提出 JointGV 插件,在不重构视觉模型前提下利用图动力学修正长视界预测漂移,在 DMC 与真实倒立摆实验中显著降低误差。
MentalGrid 基准评估显示现有多模态大语言模型在无需视觉反馈的动态空间模拟任务中存在感知局限与推理不足。为此提出的三阶段课程学习框架利用 16k 专用样本训练出 SpatialWalker,其平均性能较基线提升 33.8%,超越 Gemini-3-Flash 等专有模型。该模型在跨域基准上保持 4.9% 的平均增益,证实空间模拟是构建广泛空间智能的关键基石。
针对不可靠感知下的集体估计问题,本文提出了 DGF-Asym 去中心化方法,通过基于回顾性预测性能的不对称同伴加权扩展了 DeGroot-Friedkin 模型。该方法无需先验传感器噪声统计或显式故障模型即可达成共识,并在异步通信下支持模拟群体导航任务。实验显示其在嘈杂观测和时变传感器故障场景下比三个基线更稳定且可靠维持决策标准,但决策时间更长,整体性能受故障比例、群体规模和影响力阈值选择影响。
FPF-DM 分解方案通过测度变换将状态依赖乘性噪声纳入粒子权重,恢复多项式形式泊松方程以支持闭式增益计算。该方法在四元数和对偶四元数流形上实现,10 个粒子的仿真验证其在 4D 姿态跟踪与 8D 点云配准任务中优于基线滤波器。该预印本论文未开源代码或权重,仅作为非线性滤波新理论提出。
该技术提出一种基于半透明三角形的场景表示方法,通过推导三角形泼溅窗口在像素上的精确闭式解实现抗锯齿。该方法无需重新训练即可消除现有模型的严重混叠效应,相比 2x2 超采样展现出更少的时域混叠并支持多尺度训练。实验表明其在降低分辨率下能匹配或超越超采样训练效果,且仅剔除无法达到渲染器 alpha 截止值的三角形以优化性能。
该论文针对高光谱图像(HSI)和激光雷达数据中模态特征判别可靠性空间变化未被显式建模的问题,提出了 ReDF 框架。该方法通过类原型库量化各位置特征的可靠性,利用估计出的可靠性构建加权共享表示并指导基于邻域一致性的双向跨模态特征修正,进而自适应调整融合表示中各模态的贡献度。在三个公开数据集上的实验表明,其整体准确率和 Kappa 系数均优于对比方法。
针对视觉定位中环境变化大与计算资源受限的挑战,本文提出 EfficientVPR 轻量级单阶段框架。该方法利用场景感知视觉提示调优以少量参数适配预训练特征,并结合实例依赖的关键局部特征增强模块强化判别区域。
该研究针对跨机构的临床任务适配问题,利用配对腹部 CT 扫描和放射学报告对预训练的 3D 医学 VLM 进行了自监督适应。实验对比了全量微调与参数高效微调(PEFT)两种策略:全量微调收敛快但易过拟合,而 PEFT(图像编码器用 ConvLoRA,文本编码器用 LoRA)在更新约 1% 参数的情况下达到了相当的性能,AUC 为 0.79,F1 为 0.70。
该研究指出当前指令引导的视频编辑奖励模型常因过度追求时间一致性而导致“运动坍塌”,在 VE-Bench 基准上对抑制了运动的候选项选择率高达 97%。为此,作者提出一种结合 RGB 帧差流与针对运动抑制及伪造运动负样本进行偏好训练的运动感知奖励模型,并通过蒸馏锚点保持与人类质量判断的一致性。
该论文提出保护性扩散模型(PDM),通过蒸馏迭代教师网络并结合目标残差投影损失进行后训练,实现了一次训练即可为多张新图像生成扰动样本。该方法在人脸和艺术作品等任务上优于九个基线模型,且成本仅为教师的十分之一。材料为预印本版本,未提及同行评审状态或具体部署场景。
论文介绍 Progress Predicts Policy (PPP),该方法通过学习语言条件的标量场并利用其微分诱导命令,结合共享世界模型读取动作梯度以生成连续或离散动作控制。实验表明,在无需额外标注的情况下,仅拟合演示进度值即可实现优于行为克隆的策略性能,适用于仿真与真实机器人操作任务。
推荐理由:该工作提出通过语言条件标量场学习混合策略,无需独立动作头或迭代搜索,在仿真与真实机器人操作中优于行为克隆。
Guoping Xu 等人提出 LeViT-UNet++,这是一种旨在平衡局部细节保留与全局上下文建模的高效编码器 - 解码器架构。该模型引入 Haar 小波多尺度下采样模块以分解特征表示并提取多尺度结构信息,同时开发基于深度卷积的解码器来融合 Transformer 块的全局表示与局部空间特征。
论文提出了 PRUDENT 方法,用于加速大型视觉语言模型(VLM)。该方法利用一个小 VLM 对剪枝后结果的异议信号,将节省下来的计算资源重新分配给那些小 VLM 认为不可靠的问题进行二次回答。在 18 个基准测试中,PRUDENT 在相同的平均视觉 Token 预算下优于八种现有的剪枝方法,且在预算更紧张时优势更大。代码和数据已公开。
推荐理由:提出 PRUDENT 方法,利用小 VLM 对剪枝结果的异议来重新分配视觉 Token,在多个基准上优于现有方法。
针对手动从参考视频中重建动画三维块状布局成本高、限制创作者使用及配对训练数据生产的问题,该工作提出 MAVE 框架与 MAVEBench 基准。MAVE 结合度量观察、代理建模和基于证据的验证,在共享度量坐标系中恢复相机、人物运动及几何证据,由代理构建受约束的可编辑环境,并通过程序化检查报告不一致性以指导优化。
推荐理由:该工作提出 MAVE 框架与基准,从电影镜头重建可编辑三维场景,为视频生成提供结构化条件。
Sample-Aligned Decoders (SAD) 通过样本对齐与编码器锚点保留技术,解决潜在生成模型在测试时未见真实潜变量的分布差异问题。该方法在不增加推理开销的前提下,将 REPA-E 的 FID-50K 指标从 1.15 提升至 0.98,并兼容判别器引导及文生图任务。代码与模型已开源,适用于 ImageNet 等主流生成架构。
论文提出 VoxelSBFL 方法,将工作空间划分为体素以替代传统代码元素进行故障定位分析。该方法结合工具中心点轨迹与执行结果构建可疑度地图,能在无需访问模型内部的情况下识别高失败风险区域并评分未见过轨迹。
MedImgAnnotator 是一款集成编辑、掩码匹配及插件管理的半自动批量标注工具,将主动标注时间从开源工具的 206.5±32.87 秒降至 59 秒。该工具已在 MICCAI 2026 CARE Challenge 肝分割优胜者处用于处理 6412 个 MRI 容积数据,且经 12 名用户评估显著提升了易用性。目前提供可执行文件与 Python 脚本版本供下载。
COAST 是一种基于 B-Spline 的在线轨迹规划器,通过 A*前端生成几何简单安全飞行走廊并利用二次规划优化控制点,在确保严格安全约束的同时将平均计算时间控制在 5 ms 以内。该方法利用 B-Splines 有限支撑特性保证曲线不越界,并结合 MINVO 变换与摄动最小化矩阵实现动力学可行且平滑的轨迹。研究已通过高保真仿真实验验证了该算法的有效性,源代码已公开。
本文针对视觉语言模型的在线蒸馏(OPD)范式,挑战了其对后门传播具有天然抵抗力的直觉。研究发现,一旦超过临界阈值,攻击成功率会迅速接近 100%,且该过程不依赖显式恶意响应,而是由教师模型分配的异常概率质量累积驱动。作者提出了一种无需显式注入触发器的新型触发器设计,揭示了 OPD 中被忽视的后门传播机制及其潜在安全风险。
推荐理由:该文挑战了在线蒸馏对后门传播具有天然抵抗力的直觉,揭示了在特定阈值下攻击成功率可达 100% 的机制及无需显式触发器的新设计。
该研究报道了在 Unitree G1 上实现的完整自主人形跑步系统,该系统参加了 2026 年世界人形机器人运动会的 100 米、400 米和 1500 米项目。
针对车载通信预算受限问题,本文提出 Spatial Elastic Consensus (SEC) 框架,通过双向供需共识分配令牌预算以聚焦关键缺失证据而非冗余信息。该方法采用反膨胀先处理流程确保预算精确合规,并利用轻量形变采样器聚合稀疏消息以补偿空间上下文与姿态漂移。在 OPV2V、V2XSet 及 DAIR-V2X 数据集上,SEC 在 64KiB 严格预算下均取得最佳 [email protected] 性能。
针对渐进式神经坍缩分类器在持续学习中出现的“路由漂移”现象,研究提出 Reliability-Calibrated Routing(RCR)轻量级后处理分类器。该方法在不重训表征的前提下,通过结合标准化 ETF 对齐与径向合理性证据,显著修复了全局路由损失。实验显示,其在五分之六的设置下实现了最优 Class-IL FAA,最大提升达 +6.75 FAA,并有效降低了所有六种设置下的类间遗忘。
本文介绍 Visual Generative Lab (VGL),一个用于研究扩散模型如何学习和泛化基础视觉技能(如大小、位置、旋转、数量等)的受控实验框架。通过基于规则的合成数据训练,研究发现默认设计下模型的外推能力有限:尺寸和位置在训练范围外仅几像素即退化,数量泛化准确率约 50%,且组合泛化更依赖技能组合数而非数据集规模。代码与数据生成脚本已开源。
SpatialMind 提出 GeoFus 模块,通过门控网络动态调节浅层至深层几何特征以适配不同认知层级任务。该方法引入负熵正则化损失防止门控坍塌,在 VSI-Bench 基准测试中取得 72.3 的最优分数。源代码已公开提供。
SignAligner 是一个提示条件视觉语言跨度生成器,联合训练于 BOBSL 语料库的字幕跨度和单词跨度。经重叠奖励优化后,该模型在 BOBSL 测试集上达到 66.68 [email protected],优于同架构基线及交叉熵续写方法。其能根据手语位置动态定位查询词,无需依赖视频中心固定位置,支持字幕对齐与单词跨度生成以供人工审查。
SkiNet-Sim 提出一种融合数据感知转换与令牌的解释 Petri Net 形式化模型,旨在解决传统形式在工业应用中因语义简单或过度专业化而难以落地的难题。该研究通过机器人执行层建模及完整工业巡检任务案例,对比了经典形式与新形式在仿真及模型检测中的结果,并提供了轻量级工具以支持通用应用的数据感知状态空间探索。
论文介绍 CoBoVLA(CodeBookVLA),这是一个拥有 2.5 亿参数的视觉 - 语言 - 动作模型,通过引入可解释的离散码将指令理解、规划与控制解耦。实验显示,在 LIBERO-Goal 基准上其成功率达 91.4%,优于 SmolVLA(82.8%);在指令同义改写测试中表现更稳健,且控制延迟仅为每步 17ms。材料指出语言理解仍是主要失败来源,并提供了预印本链接与补充材料。
该研究报告了 25 台双臂机器人的运动学、遥操作控制及真实机器人微调实验结果。研究发现,位置可达性会高估方向感知任务覆盖率;并行化身体部位控制可将任务完成时间减少 43-53%;主动搜索演示能将臂选择准确率从 50% 提升至 100%;推理时校准错误会导致所有试验失败;策略仍保留约 90% 的无效绕行路径长度。报告建议在大规模采集前评估有效工作空间、控制效率及运动质量,以消除系统诱导的补偿行为。
DGV-DLIVO 提出一种针对水电溢洪道等长地下结构重复几何特征的自适应融合方法,利用激光雷达退化方向作为主动引导信号。实验显示该方法在手持或车载采集下保持连续运动估计,40 米隧道序列进度比达 91.4%,显著优于现有 LIO、LIVO 和 VIO 方法的停滞或发散问题。源代码与补充视频已公开提供。
该研究提出一种基于 nnU-Net 的自配置框架,通过复用分割模型的编码器特征与预测概率进行图像级分类。实验显示复杂配置未持续提升性能,最终方案在公开榜单 Overall 得分为 0.8056。该方法在 FLARE 2026 Task 2 四项测试任务中综合排名第一,DSC、NSD 及 AUROC 指标均最优,且推理耗时低于每例 60 秒、显存占用低于 4GB GPU。
该论文提出 FailureGen 方法,通过微调动作条件化的 Cosmos 世界模型,将记录的真实失败执行轨迹迁移到成功宿主上下文中,生成带有时间事件标注的合成视频以扩充故障场景数据。初步实验显示,结合合成数据的检测器平均精度为 0.51,优于仅用真实数据的 0.41,且能检测到更多故障区间。材料为预印本论文,未报告真实机器人部署结果或具体开源仓库。
针对现有基准依赖常识先验的问题,研究团队构建了ContraSense基准,通过反直觉图文对强制模型基于视觉证据推理。在包含开源与闭源多模态大模型的全面评估中,最强闭源模型准确率仅约60%,而人类参与者达到96.04%。该结果揭示了当前MLLMs在忠实视觉理解上的不足,ContraSense基准已公开提供。
论文提出 SR-VLA 框架,解决视觉语言动作(VLA)策略在推理阻塞下一段动作时产生的控制停顿问题。
SandBAR 是一种针对水下图像恢复的新型统一频带非对称架构,旨在解决光散射和浑浊导致的低频外观失真与高频细节丢失问题。该架构在块、编码器和目标层面组织频带不对称性,引入保留后注意力修复槽位的频带非对称三明治块及 SPARK 模块,分别对低频进行通道感知的大范围校正和对高频进行轻量局部细化。
PURE 是首个针对电商领域的多粒度多模态身份匹配诊断基准,涵盖感知、理解、推理及证据判断四个维度。该基准包含 1,457 道选择题和 14 个任务,验证显示跨十款最新多模态大模型的整体得分介于 47.1% 至 86.0%,揭示了现有模型在视觉差异定位与变体规则判断上的短板。
针对自然图像模型在超声扫描中语义提示不可靠的问题,DAP-MR 通过专用退化 token 与连续幅度路由器解耦类型与严重程度。该方法可无缝集成至单步或多步扩散框架,无需改变核心结构。实验表明,其在合成及真实无配对超声数据上均实现了更优的恢复质量与跨域泛化能力。