DAPointRWKV:一种用于点云补全的域自适应视觉 RWKV 框架
DAPointRWKV 提出了一种基于 RWKV 的新框架,通过几何感知骨干网络、面向 RWKV 的渐进解码器及双重结构正则化解决点云补全中的几何偏差与适配难题。在合成与现实基准上的广泛实验表明,该方法一致优于现有 CNN、Transformer 及 Mamba 类最先进方法。论文已被第 34 届 ACM 多媒体会议接收,代码与权重暂未提及开放许可。
DAPointRWKV 提出了一种基于 RWKV 的新框架,通过几何感知骨干网络、面向 RWKV 的渐进解码器及双重结构正则化解决点云补全中的几何偏差与适配难题。在合成与现实基准上的广泛实验表明,该方法一致优于现有 CNN、Transformer 及 Mamba 类最先进方法。论文已被第 34 届 ACM 多媒体会议接收,代码与权重暂未提及开放许可。
针对预训练视觉模型缺乏显式三维或姿态监督的问题,本文提出了 PoseBench 基准以系统性评估其姿态感知能力。该基准通过保留的渲染视图在受控条件下探测内在结构,利用真实图像查询评估鲁棒性,并引入基于姿态图的细化方法作为补充探针。
针对汽车零部件更换成本高且浪费的问题,本文提出一种基于配对观测(完整模型与合成损坏部件)的缺失几何重建流程。该方法利用无噪声颜色、深度和轮廓图像识别缺失区域,并通过多视角体素重建估计缺失部分;引入预训练 DINOv2 模型以验证候选缺失区域并探索视觉特征对重建的辅助作用。
论文提出 LOWP 规划器,通过两套可学习查询直接读取相机特征,无需构建稠密鸟瞰图或监督物体与地图。在 nuScenes 基准上,其平均 L2 误差为 0.296 米,参数量仅为稠密方法的 53%,同 GPU 下速度提升 1.7 倍;在 NAVSIM 仿真中得分为 85.9 PDMS;在 Bench2Drive 闭环控制配置中于 218 条路线上得分 65.5。
论文 DAC-MACE 提出了一种针对相机重定位的场景坐标回归方法,通过残差上下文适配器(RCA)和全局上下文编码器(GCE)增强特征表达并优化混合专家路由。在剑桥地标数据集上,该方法将平均每场景中位数平移误差降至 13.0 cm,优于 GLACE(13.6 cm)和 MACE(14.4 cm)。研究还展示了各模块对降低误差的累积贡献,并在 7-Scenes 数据集上提升了召回率。
研究提出 KnifeHunter 数据集与 KHNet 架构,在含 12.5 万干扰图的测试中实现 85.7% mAP。针对 UKBWV-27 试点集(118 分钟),混合叙事桥接管线在六项指标中领先五项,但仍有 13.6% 事件无证据支持且 27.7% 语音归因错误。研究建议划分就绪等级以区分辅助任务与需验证输出。
论文 OfficeTwin 提出一种面向机器人的框架,将受限自由度摄像头采集的不完整、弱纹理且存在重复结构的办公场景观测,转化为仿真就绪的数字孪生体。该方法先施加度量与结构约束,再利用办公空间的结构冗余性,将重复的工位配准到共享标准坐标系中,从而通过互补观测恢复被遮挡几何而不产生幻觉。在真实办公扫描数据上,OfficeTwin 成功恢复了每个工位的独立水密实体,性能优于前馈重建和生成式基线方法。
DASH-SLAM 是一种单目 SLAM 系统,将预训练的 Depth Anything 3 模型生成的度量深度预测直接集成到共享关键帧位姿图中,无需针对特定任务进行微调。
论文 RigidGS 针对 3D 高斯泼溅(3DGS)在交互式 VR/MR 应用中存在的掩码噪声与标签几何耦合问题,提出一种端到端管线。该方法通过深度与时序感知的掩码细化模块解决 SAM2 的过包含与欠包含缺陷,并利用 COLMAP 投影投票在上游确定物体身份并在训练中冻结,将监督仅导向几何优化。
推荐理由:该工作提出固定身份与几何解耦设计,解决现有方法在复杂几何下的掩码噪声与标签耦合问题。
针对微创手术中解剖结构识别受限于小样本数据集和自然场景方法的痛点,该工作发布了包含 121,018 个标注帧的手术视频语义分割数据集 ATLAS-120k。同时提出了 ATLAS 模型,利用域内基础模型嵌入并引入程序与手术阶段的上下文查询及帧间传播机制。
推荐理由:该工作发布了包含 12 万帧的手术解剖数据集 ATLAS-120k 及上下文感知模型 ATLAS,在分割精度与时序一致性上超越现有基线。
针对潜在扩散模型在人体动作生成中面临的重建与生成质量权衡问题,本文提出 Diffusable Motion Tokenizer (DiMoT)。该方法通过 Critic Spectral Adaptation (CSA) 抑制高频率潜变量能量以改善文本条件化优化,并利用 Alpha-Flow Motion Decoder (AMD) 进行平均速度预测以实现高效的一步解码。
该工作提出仅使用面部 landmarks(478 点)和 blendshapes(52 系数,ARKit 标准)的轻量级隐私感知流程,消除原始视频存储。在 CREMA-D 和 RAVDESS 数据集上训练的六款架构,相比 ImageNet-pretrained ResNet50 基线,在未见过主体上参数少 12-124 倍且对悲伤等细微表情更鲁棒。
针对渲染保真度无法区分不同编辑能力的局限,研究提出 Pass@k 指标以评估 k 次点击内选定对象完成规定编辑的成功率。在包含设计师手绘的四个参考集上,635 项编辑任务中多形状组合部分在 Pass@1 下的失败率达 64%-88%,显著高于单形状部分的 6%-40%。研究验证了高保真度不保证高可编辑性,且特定诊断指标与设计师工作努力程度相关。
REFORM-3D 提出一种表征中心的评估框架,用于在获取鲁棒性、跨模态解剖对齐及解剖转移三个维度上评测冻结的 3D 医学视觉基础模型。该框架引入 Med3DINO 编码器家族,其在 62.6K 未标注 MR/CT/PET/CTA/CBCT 体积数据上预训练,验证了各模块特异性优势而非单一模型排序。
针对 Mamba 架构在三维医学图像分割中计算量大的问题,研究提出通过知识蒸馏将 1.39 亿参数的 SegMamba-V2 教师模型压缩为约 0.96 百万参数的小学生 TinyUNet3D。
GMD-Mamba 提出一种将输入通道分组并在单遍中沿不同方向展平的扫描机制,仅在深层编码器使用 Mamba 架构。该模型在 BraTS2023 数据集上以约七分之一 SegMamba-V2 的参数量(19.2M),实现了 92.0% 的平均 Dice 系数和 2.7 的最低 HD95 指标,同时在 MSD Spleen 数据集上也展现出竞争力。代码与实现细节已公开提供。
针对传统哈希匹配无法识别未知儿童性虐待材料的挑战,本文分类综述了实时音视频分析、内容分类打标及行为监控三类 AI 技术。实验对比 Google Cloud Vision AI 和 Sightengine 在色情内容分类及青少年年龄估计上的差异,指出后者存在显著局限并强调 AI 仅能作为辅助工具而非最终判定依据。
该基准对比了 8 种自然图像预训练编码器(如 ResNet、CLIP)和 10 种医疗专用骨干网络在 ADNI 及 PPMI 数据集上的年龄、性别预测与疾病分类任务。结果显示,2D 自然图像预训练模型表现优于基于超 10 万脑 MRI 体积训练的 3D 模型,揭示了 3D 医学影像表征学习的挑战。研究代码已开源于 GitHub。
针对超高分辨率(UHR)遥感视觉问答中在大场景下定位细粒度证据的挑战,本文提出 EarthJev 框架。该框架将区域评分与答案生成分离,利用空间指针验证器引导探索或跳过搜索,并通过轻量级头部对冻结表征的候选视图进行批量打分。
推荐理由:提出 EarthJev 框架,通过分离区域评分与答案生成及冻结回答模型,在超高分辨率遥感问答任务中显著降低延迟并提升准确率。
该研究提出两阶段架构,先用卷积神经网络分类筛选受损图像(准确率 98%),再经目标检测层定位划痕、凹陷等缺陷(mAP 0.5)。论文采用迁移学习统一模型以适配多场景,虽 mAP 指标看似偏低但已讨论原因。代码与数据许可状态待 arXiv 注册确认。
QGDL-Net 通过可学习质量门控机制优化编码器特征,在 BraTS 2021 数据集上实现 Dice 0.9747、IoU 0.9506 等指标,优于 U-Net 和 Attention U-Net。
SD-ViT 通过随机深度监督让 ViT 每层块均产出判别性嵌入,在仅用一半计算成本下恢复超 96% 全深度性能且无需修改参考画廊。该方法保持的识别精度与常规全深度训练骨干网相差不到 0.4 IJB-C 分点,单阈值即可从四分之一深度起沿用。该成果已作为预印本接受于 WACV2027,代码与权重暂未提及开放许可。
针对心电图分析中难以视觉评估的 QT 间期风险,研究采用基于临床电生理知识的伪彩色编码替代单色输入。在未经微调的英国生物样本库癫痫队列外部验证中,该模型 AUC 达 0.903-0.914,较单色模型的 0.719-0.720 显著提升并恢复三至五倍高危心跳。伪彩色编码使解释定位与稳定性在几乎所有方法上改善,证实输入表征是决定预测性能与解释质量的关键可控因素。
该研究发布了由机械臂驱动柔性条带、含四台 iPhone 拍摄及相机位姿的四视角视频数据集,并基于此构建了首个 3D LaGSplat 基线。LaGSplat 以抓具加速度为强制项拟合解码器,在未见视图上渲染出 26 至 33 dB PSNR 的画质,且支持浏览器实时交互演示。相关数据集、检查点及训练代码均已公开。
MAPA 提出了一种针对冻结自编码器潜在空间的蒸馏方法,通过软分配将原型均匀分布至类内不同模式以解决原型集中问题。该方法在五个三维医学分类任务上,相比最强潜在基线使聚合平衡准确率提升 4.2 个百分点且保持相同原型数量。论文已获 WACV 2027 接收,代码与数据许可状态需参考原文补充材料。
该论文指出视频大模型在物体穿越屏幕计数任务上的失败并非因缺乏客体永存性,而是读出机制无法解码计数信号。研究通过合成测试床与真实视频审计(REALCOUNT)验证了这一点,并提出两种修复方案:局部化监督与离散事件符号侧信道,将同类计数准确率从 46.7% 提升至 65.0%,在特定条件下可达 94.4%。
Synaptics Scan Core 采用专用扫描架构,在保持主无线电处理应用流量的同时持续监测邻近接入点,实现主动漫游以支持<80ms 延迟和<2%丢包率。该方案通过分离网络发现与应用流量,解决了传统 Wi-Fi 因背景扫描导致的连接中断、高功耗及延迟问题。此技术适用于制造、物流等需连续视频流与 AI 推理的自主移动机器人场景。
该论文针对结构化视觉任务(如手势识别、表情分类),指出单纯像素空间存在高维噪声问题,提出以地标导出的特征图为核心分析对象,构建包含坐标、距离、角度及混合表示的系统化特征框架。研究通过静态手势识别案例的扰动与消融实验表明,混合几何表示在结合互补几何组件方面表现最优,揭示了特征构造作为建模决策的重要性。代码已公开。
针对现代图像生成系统常渲染熟悉物体为不合情理相对尺寸的问题,作者提出 GenScale 基准,包含 900 个图像条目及 1643 对锚点 - 目标尺度关系,涵盖常见物体、带度量维度的人机产品生成及失败生成的尺度修正。
该论文提出了首个基于毫米波雷达的无人机车载动态避障感知与控制系统,分析了感知范围、相对速度与控制延迟之间的时空边界条件。系统结合轻量级交互多模型跟踪器与直接输出规避加速度的控制屏障函数控制器,在 Raspberry Pi 4B 上实现端到端处理延迟约 14ms,从检测到规避指令的系统总延迟为 75ms。
针对缺乏独立精度检查的摄影测量重建,Hold-out self-validation 方法在十组 GNSS 参考航拍及多个基准测试中表现失效。其标准形式在四十个稀疏重建中评分恒定为 1.00,即便相机位置误差高达 5.9 倍或模型仅含一个正确相机时仍无法识别错误。研究结论表明该自验证机制无法替代检查点,且无法发现所有重建重复的误差。
针对现有公开数据集缺乏满足测绘级要求的真值姿态问题,作者构建了覆盖连续 10 公里街道网络的 FHNW Muttenz 数据集,包含高分辨率参考影像及四相机五场景的查询序列,两期采集数据配准精度达 5mm,图像与参考影像配准后位置误差为 6-9mm、姿态误差低于 0.1°。
针对现有几何基础模型(如 VGGT)确定性操作且无法生成超出观测支持的合理几何结构的局限,本文提出在潜在空间直接进行流匹配的方法。该方法利用学习到的 3D 先验,无需显式表示(如高斯、网格或视频 VAE 潜变量),并通过黎曼流匹配尊重潜在空间的几何结构(零均值超球面乘积流形)。
推荐理由:该方法在几何基础模型的潜在空间直接进行黎曼流匹配,无需显式表示即可生成合理的 3D 几何结构。
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。
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。
GELS 系统利用紧凑磁强计阵列,无需预校准场图即可通过欧拉齐次关系实现内窥镜医疗工具的内窥导航与亚级偶极子定位。基准实验验证了该闭式 6-DoF 定位流程,求解器中位运行时间为 172.00 微秒。扰动分析指出传感器不一致性与偶极模型失配是主要精度限制因素。
针对流式 3D 重建中受限于恒定内存预算导致的长序列漂移问题,本文提出一种无需训练、零参数且永不丢弃帧的标量帧级门控机制。该方法基于内部特征变化推导封闭形式的写权重,灵感源自 SLAM 的关键帧选择策略。
ObjView-Bench 是一个用于评估以物体为中心视图规划的新基准框架,旨在解决现有评测混淆物体复杂度、规划难度假设及物理可达性约束的问题。该工作将视图规划评估解耦为三个独立量:作为物体侧属性的全向自遮挡、观测饱和难度以及通过集合覆盖公式定义的协议依赖型规划难度。
针对红外图像中微弱目标在复杂背景下易产生误报的问题,本文提出 OABL 框架,利用标注的稀疏点直接学习目标结构并优化背景负样本,避免生成伪掩码。该方法在三个公开数据集及 SIRST3 基准上,相比 PAL 训练将检测概率提升 1.06--7.82 个百分点,同时将误报区域率控制在 $2 imes 10^{-5}$。
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。