BG-REAL:面向生成与合成背景替换的图像伪造检测基准
BG-REAL 是一个基于 Open Images V7 构建的公开基准包,包含 1200 个源组共 7000 个样本(6000 真实锚定 +1000 合成对照),覆盖六种编辑家族。
BG-REAL 是一个基于 Open Images V7 构建的公开基准包,包含 1200 个源组共 7000 个样本(6000 真实锚定 +1000 合成对照),覆盖六种编辑家族。
针对城市人行道导航中复杂结构与动态行人行为带来的挑战,本文提出 SidewalkBench 基准。该基准基于 NVIDIA Isaac Sim 构建,包含程序化生成与真实扫描的高保真场景,并集成了丰富的反应式行人事件与高效动画系统。
推荐理由:SidewalkBench 基于 Isaac Sim 构建高保真城市人行道仿真环境,对 9 个视觉导航模型在行人交互与长程任务上的表现进行量化评估。
CodecSplat 提出一种将压缩集成到前馈 3D Gaussian Splatting 生成流程中的框架,通过编码中间 2D 特征来避免对不规则 3D 表示的低效压缩。在 DL3DV 和 RealEstate10K 数据集上,该方法分别实现了每场景 20.00-107.77 KiB 和 3.37-12.51 KiB 的存储体积,比直接压缩生成结果小一个数量级。代码已开源。
论文提出 SAGE 框架,旨在解决几何基础模型因缺乏大规模 3D 标注而进展受限的问题。该方法利用互联网视频流作为可扩展的适配来源,通过分层挖掘管道将视频转化为训练轨迹,并结合稀疏几何锚定与稠密可微一致性进行混合监督。
推荐理由:提出利用互联网视频通过弱监督信号对几何基础模型进行可扩展适配的方法,在多个基准上显著降低 Chamfer Distance。
POBF 通过盒外修复图像解决标签错位,并结合难度与过拟合评分筛选高效训练数据。在四个基准数据集上,该方法平均提升 5.83% 且准确率领先基线 2.29%-3.85%,验证了其在不同生成模型和架构下的鲁棒性。该研究作为预印本发布于 arXiv,旨在解决大规模数据策展困难下的视觉定位学习问题。
论文介绍 Self-Building Labs(SBL),该系统能从空房间或现有设施出发,自动构建实验室布局、数字孪生、机器人技能及实验工作流以达成高层科学目标。研究通过量子点合成实验验证了其在不同机器人与配置下的端到端能力,旨在提升科学自动化的可访问性、灵活性与可扩展性。
Video Geometry Corrector(VGC)是一种后处理视频到视频模型,通过合成配对监督数据学习将扭曲输入映射为几何一致目标,利用光流辅助分离相机与物体运动。实验表明该模型在姿态条件和提示驱动基准上提升了多源生成器的几何一致性,且扩展至更大骨干网络可支持更通用的视频 refinement 任务。论文已被 NeurIPS 2026 接收,代码与数据许可状态待项目页确认。
针对罕见遗传综合征患者图像稀缺且分布不均的问题,该方法利用 Phenotypic Disease Image Database 合成数据增强 GestaltMatcher-Arc 与 GestaltMML 模型。
该研究针对现有方法在视频生成中难以兼顾动态多样性与物理一致性的问题,提出 PhysRepair 框架。该方法采用生成 - 诊断 - 修复范式,通过时空因果约束定位无效状态并指导局部重生成,结合经验增强情境学习适应多样物理故障。实验显示其在固体力学、流体力学等多个领域均能提升视频生成的物理合理性。
针对作物管理中水亏缺胁迫检测缺乏合适公共数据集的问题,作者发布了 ADA 2025 数据集。该数据集包含超过 500 GB 的幼龄糖甜菜数据,涵盖健康与缺水胁迫状态,整合了热成像、高光谱、RGB 及深度图像,并附带环境元数据和相对含水量、叶片厚度等真值。材料展示了数据集在区分胁迫与健康植株方面的有效性,相关代码与数据已公开。
推荐理由:公开了包含热成像、高光谱等多模态数据的甜菜缺水胁迫数据集,填补该领域公开数据稀缺的空白。
当前视频世界模型的内存测试常将场景设置、动作执行与结果展示混为一谈,导致低分被误读为遗忘。本文提出 MIST 评测,分离变化指令与应留下的记忆痕迹,定位到模型能设景却无法执行指令的瓶颈。
推荐理由:提出 MIST 评测与 M3-Agent 方法,从执行侧诊断视频世界模型的记忆失效瓶颈并提升基准。
ShadowCast 提出合成并注入阴影的新策略,直接利用分割标签提取掩码并探测亮度估算投射方向,无需学习网络或采集元数据。该方法在 Vaihingen、Potsdam 和 LoveDA 三个基准上持续优于基线,且结合标准增强与正则化技术时带来额外增益。该工作表明随机阴影注入是遥感图像分割中简单有效的互补增强策略。
该论文提出 Momentum 方法,通过参考相机阵列构建同步视频作为场景动态共享记忆,利用图结构在相邻设备间传播生成以协调时空一致性。WorldUpdate 阶段生成全局动态记忆,WorldInteract 阶段将目标相机控制锚定于此记忆,确保移出视野的动态内容(如车辆、行人)能保持状态并在重入时一致呈现。
推荐理由:原文提出了利用多机位视频记忆与图传播机制解决动态场景一致性的方法,并提供了 CARLA 数据捕获流程与评估框架。
论文针对现实请求中实体信息稀缺且搜索结果混乱的‘野外’场景,构建了 Savanna 基准测试集。作者提出 Locate-Corroborate-Isolate 范式,即通过文本搜索锁定目标身份、多源交叉验证候选图片并裁剪干净参考图。
推荐理由:作者构建了野外图像生成基准并提出了 Locate-Corroborate-Isolate 范式,开源了模型与训练数据。
针对从长视频序列重建高质量可渲染 3D 场景的任务,现有前馈方法在显存和存储成本上存在瓶颈。该工作提出 LonGaussian 流式框架,利用预训练骨干网络解码几何特征,并通过多帧点跟踪合并重复观测、深度一致性过滤抑制错误遮挡的高斯分布。实验表明该方法在 DL3DV 和 RealEstate10K 基准上提升了新视角渲染质量并显著减少了高斯数量。
X-Splat 提出统一表示框架,通过共享几何参数与表面深度一致性损失,解决多模态冗余与对齐难题。在 InsideOut 及 Flower & Insect 数据集上,该方法实现了更稳健的跨模态对齐、更高 RGB 渲染质量且未牺牲 X 射线重建效果。该工作作为 SIGGRAPH Asia 2026 会议论文提交,包含 19 页正文与补充材料共 13 张图示。
该论文介绍 Scene-Designer,一个通过学习设计与批判互补经验来掌握设计智能的代理框架。作者构建了 Scene-OTA-35K(提供观察 - 思考 - 动作监督)和 Scene-OTC-15K(提供观察 - 思考 - 批判监督)两个数据集,分别用于学习场景设计与质量批判。
本文提出一种无需额外训练的框架,将冻结的姿态估计器 VGGT 与重建骨干网络 TokenGS 结合,解决坐标系不一致与平移尺度失配问题。在包含 107 个场景的测试中,该方法在全视角及仅四张稀疏视图条件下均能达到接近 COLMAP 参考的质量(22.47 PSNR),实现了完全无需 COLMAP 的姿态自由重建流程。
推荐理由:该工作通过坐标系对齐与尺度修正,证明冻结的 VGGT 与 TokenGS 组合在稀疏视图下即可达到全视角质量,无需额外训练。
论文介绍 HilbertGen-3D,这是一种基于希尔伯特 - 多重分形条件化(HMC)的拓扑感知条件扩散框架。该方法计算多尺度体素度量,通过三维希尔伯特曲线序列化以暴露结构化空间依赖关系,并估计广义分形维度,将其编码为全局嵌入和多尺度令牌注入去噪器。
推荐理由:提出基于希尔伯特 - 多重分形条件的拓扑感知扩散框架,在 ShapeNet 数据集上显著提升了生成质量与多样性。
论文介绍 ArchWorld 基准,包含互联网规模的真实地标照片集合及丰富元数据,旨在评估和改进单步前馈估计场景结构的 3D 基础模型(3DFM)。研究分析了当前模型在不同地理区域的性能差异,发现误差不仅源于数据分布和场景规模,还受区域特有建筑特征与背景干扰影响。
论文提出 Agent World Model in the Wild (WildAWM),这是一个完全由开源模型驱动的流水线,用于合成可控的图形用户界面、模型上下文协议服务和命令行接口联合支持的执行环境。
推荐理由:提出全开源的 WildAWM 环境合成管线,生成需百步以上解决的长程任务以训练通用计算机操作智能体。
针对联合嵌入预测架构(JEPA)中不可预测特征难以编码的问题,研究提出“预测闭合”表征法,证明特征选择取决于集合属性而非个体可预测性。实验表明,当某特征有助于预测其他特征时,即使其本身不可预测也能被保留;通过辅助目标或侧信息间接引导策略可强化特定特征的表示。该方法为 JEPA 的特征选择提供了新的理论视角与实验验证。
论文提出了 CoworkEnv,这是一个用于合成可执行训练环境的框架,旨在帮助 AI 协作者(AI coworkers)协调工具、跨轮次通信并适应变化的工作空间状态。
PathFM 是一种利用流匹配技术生成完整未来路径的时间序列基础模型,其蒸馏采样器能在单次量化查询时间内为单系列生成多条路径。该模型在 fev-bench 和 TIME 基准上达到具有竞争力的边缘精度,并在新增能量与变差函数指标的 fps-bench 上优于所有外部基线。实验表明其在混沌系统中能维持长期变异性,而强基线则迅速崩溃。
瑞士工程科技公司 Terra Quantum 与 Empa 联合开发了名为 LP-FNO(激光加工傅里叶神经算子)的人工智能模型,用于预测激光焊接中的三维熔池动态。据称该模型的预测速度比传统方法快达 10 万倍,消除了实现实时工艺控制及部署工业数字孪生技术的关键计算瓶颈。
论文介绍 Data World 多智能体引擎,该引擎在生成文件前显式指定其背后的世界机制,以解决数据代理训练中环境成本高、隐私限制及结果难验证的问题。研究通过人类偏好筛选出涵盖 16 个领域的 50 个保留世界的 100 个任务构建基准,并生成了来自 1,037 个独立世界的 2,135 个训练任务。
推荐理由:提出 Data World 引擎,通过合成环境与任务解决数据代理训练的隐私与验证难题。
该论文介绍 OmniVerifier-C1 模型,这是一种将复杂提示或环境规则自动分解为细粒度组件并分配逐点分数的视觉验证器,以提供连续且信息丰富的批判信号。研究通过解耦强化学习策略联合优化子问题二元判断与全局对齐评分,在迷宫和数独等结构化世界建模任务中证明了该方法的有效性。
针对遥感多模态大模型场景专业化受限问题,该方法提出“先填后推”策略,构建含 RGB、SAR 等多源数据的 CPRS 数据集及 HarborEval 评测基准。
论文提出 SADGE 指标,用于在不进行下游模型训练的情况下预测合成图像数据集在常见计算机视觉任务中的表现。研究指出仅凭外观或几何相似度无法可靠预测性能,二者需通过非线性交互共同作用。
推荐理由:提出 SADGE 指标,证明外观与几何相似度的非线性交互能预测合成数据在检测、分割等任务的下游性能。
针对分布外(OOD)物体常被漏检的问题,论文提出 SynOE-OD 方法,利用文本引导修复和开放词汇对象检测器离线生成并验证合成离群样本,进而微调检测器以新增 OOD 类别且无需推理时辅助分支。
针对现有一次过三维场景合成方法易产生碰撞等空间幻觉的问题,论文提出 SceneReVis 框架,利用多模态反馈执行迭代的诊断与行动循环以显式拦截并解决冲突。研究构建了包含因果构建轨迹的 SceneChain-12k 大规模数据集,并提出从监督微调过渡到智能体强化学习的两阶段训练方案。
推荐理由:提出基于多轮强化学习的自反思框架,通过因果构建轨迹数据集解决三维场景合成中的空间冲突问题。
arXiv 论文介绍 Mallea 系统,该系统利用编码智能体从文本提示中推断物体交互需求,联合规划物体结构、属性及规则以支持紧凑表示。系统通过生成式渲染器结合当前结构与记忆的纹理外观来推进世界状态,并允许用户动作引导演化或编辑属性而不影响现有状态。材料为预印本版本,未报告真实机器人部署结果。
推荐理由:原文提出 Mallea 系统,通过编码智能体构建可编辑的文本驱动世界模型,支持对象交互规划与纹理记忆。
ResStreamGS 提出残差敏感双流框架,针对全场景内容中大量高斯属性时序稳定的问题,将稳定部分每 GOP 传输一次而仅对残差敏感部分进行帧级硬件解码。实验显示该方法在复杂全场景体素视频上相比 V$^3$基准提升后编码 PSNR 0.84dB(7.51--8.35 dB 区间),降低平均负载高达 56.5%,并在高通骁龙 778G 平台实现 30.883 FPS。
该论文提出了 SHRED 框架,通过大规模异质性自博弈联合训练车辆、行人和骑行者,无需依赖人类驾驶演示或轨迹回放。实验显示,该方法在 Waymo Open Sim Agents Challenge 中优于无演示基线及参考策略方法,且在 nuPlan 地图几何零样本评估下保持真实感;在交互密集的 InterPlan 基准上规划性能全面领先。消融研究表明自博弈中的异质性显著提升了交通真实性和规划效果。
推荐理由:提出无需专家演示的异质交通参与者自博弈框架,在仿真挑战中优于基线并提升规划性能。
该论文挑战现有 AI 范式与世界模型的感知推理能力上限,定义有效连贯认知速度作为衡量系统在现实快速变化下保持行为可靠性的基准。研究通过强化学习代理在不重训情况下将现实变化速度提升 50 倍进行评测,发现受细胞机制启发的 Co^4 架构在 Transformer 和门控 MLP 基线上均取得显著更高的有效连贯认知速度,论证了扩展连贯认知作为可靠 AI 原则的可行性。
论文介绍 CoDA 框架,解决生成式仿真环境物理有效但不利于训练的问题。该框架通过共享异构记忆实现仿真数据引擎与动作策略的协同进化,利用视觉语言批评将验证后的诊断转化为重建困难和辅助训练的生成程序。
推荐理由:该框架通过共享记忆让仿真引擎与策略协同进化,利用视觉语言批评生成针对性训练程序,在四个操作任务家族中将分布外成功率从 5.3% 提升至 27.6%。
该论文提出 GeoState,一种用于预测性 3D 世界建模的视角解耦几何表示方法。该方法通过场景 tokenizer 聚合多视图基础模型特征以生成与相机无关的场景状态,并由几何解码器利用相机射线查询;自回归世界模型预测未来场景状态,同时单独建模相机运动。
针对轨道光照剧烈变化导致检测失效的问题,该研究提出用基于分类变分自编码器(VAE)的学习度量替代几何可见性检查。在逼真物理仿真中,该方法将平均亮度提升至 0.57,81.6% 观测值高于 0.25,显著优于几何规划方案。
DetNO 提出一种无需训练或修改采样器的新方法,通过最大化 RBF Gram 矩阵对数行列式实现 RKHS 体积最大化,有效解决文本到图像生成中的分布坍缩问题。该方法在 SD1.5、SDXL 及 SD3 三个骨干网络上均取得领先的批次内多样性指标,并在低样本量合成数据增强任务中显著提升了下游少样本分类准确率。代码已开源,相关成果将在 ACCV 2026 会议上进行口头报告。
SparK-SAR 框架基于 ConvNeXt-RS 编码器与轻量级解码器,在 Copernicus-Bench 四项任务上分别提升 4.7% 至 5.8%,且参数量仅为 ViT 基线的约 1/5。