JDCNet 使用置信度门控特权模态蒸馏实现保成本 X 射线推理
JDCNet 利用仅在训练阶段可用的同患者 CT 数据,通过置信度门控机制辅助 ResNet-18 模型进行胸部 X 光分类。在 BIMCV-COVID19 公开数据集的预注册实验中,该方法使平衡准确率平均提升 0.020,最佳配置较监督基线提高 0.037(95% 置信区间 +0.016 至 +0.058)。然而模型在外部 X 光测试集上表现仅相当于随机猜测,表明跨域泛化仍需独立配对数据复现。
JDCNet 利用仅在训练阶段可用的同患者 CT 数据,通过置信度门控机制辅助 ResNet-18 模型进行胸部 X 光分类。在 BIMCV-COVID19 公开数据集的预注册实验中,该方法使平衡准确率平均提升 0.020,最佳配置较监督基线提高 0.037(95% 置信区间 +0.016 至 +0.058)。然而模型在外部 X 光测试集上表现仅相当于随机猜测,表明跨域泛化仍需独立配对数据复现。
论文介绍了 FlatLands,这是一个用于评估单目视角室内地板图补全(metric BEV)的数据集和基准。该资源包含来自六个度量 3D 数据集的 270,575 个观测记录,涵盖对齐的观测、可见性、有效性及真值地图,并支持分布内与分布外协议。
针对现有文本到图像模型仅能处理显式颜色名称而难以理解情感等隐含概念的问题,作者提出了 ColorConceptBench 基准。该基准基于 6,584 条人工标注数据,系统评估了 1,281 个隐含颜色概念的关联能力。
该研究针对学习型规划器对驾驶数据长尾分布敏感的问题,提出 FlowDrive 框架。该方法采用轨迹模式重加权策略平衡采样数据,并引入条件修正流将噪声直接映射到轨迹分布。通过加入受控引导与轻量后处理(FlowDrive*),在 nuPlan 和 interPlan 基准测试中实现了接近或超越规则基线方法的最先进性能。代码已开源。
PLANTEUR 是面向法国海外领地卫星图像的作物类型映射基准,提供 Sentinel-2、Sentinel-1 和 Landsat-8 序列及地块标签。该基准涵盖六个热带区域与八类标签空间,支持标准测试集及留一岛协议以评估跨辖区泛化能力。代码与数据已在 GitHub 和 Hugging Face 开源,并评测了全监督模型、线性探针及微调基础模型。
该论文介绍 PROVE(Perturb-and-Repair Optimization for Vision-Language Evaluation),这是一种无需外部强监督或人工标注的自博弈框架。系统通过扰动、验证、修复和再验证的闭环,利用同一多模态骨干网络的参数更新来训练验证器,从而提升细粒度组合理解能力和视觉细节鲁棒性。
推荐理由:提出自博弈框架 PROVE,通过扰动 - 修复闭环训练视觉语言验证器,提升细粒度组合理解能力。
研究利用地面激光扫描(TLS)点云对 25 个永久林地进行高斯分解,以连续方式量化灌木至树冠层的几何垂直连通性。多尺度分析显示,3-6 米单元在空间细节与交互模式表征间取得平衡,中位数皮尔逊相关系数介于 0.83 至 0.96。该方法克服了离散分类系统的局限,为提升梯级燃料刻画及野火风险评估决策提供支持。
该挑战赛提出在骁龙 8 Elite Gen 5 和 Dimensity 9500 GPU 上实现全高清图像增强,要求运行时间低于 300 毫秒。研究基于 iPhone 3GS 与 Canon 70D 采集的 DPED 数据集进行模型设计评估。论文提供完整模型描述,代码与权重开放许可待定。
该报告总结了 Mobile AI 2026 Challenge 中针对移动 GPU 的高效 ISP 模型方案,展示了在骁龙与联发科平台上将 RAW 数据重构为高质量 RGB 图像的工程实践。
arXiv 预印本论文提出 Practical Image Coding Agents (PICA) 框架,利用四个协作智能体(感知、改进、编码、后编码)解决传统编码器难以适应多样化压缩目标及含退化输入的问题。
推荐理由:提出 PICA 多智能体框架,通过感知、优化与后处理协同实现场景自适应图像压缩。
DPAGait 提出一种结合 2D 动态姿态与 3D SMPL 信息的双分支网络,利用 DPPS 表征提升信息熵以解决衣着、物体及视角变化导致的识别退化问题。该方法在 SUSTech1K、CCPG 和 Gait3D 四个野外数据集上验证了有效性,其中后两者支持或可估计 SMPL 信息,展现了跨时间变化的强泛化能力。完整框架代码与权重待 arXiv 注册后开放。
该综述回顾了光学字符识别(OCR)在基础模型时代的演进,将其定义为基于视觉证据的忠实转录。文章将当代系统分为模块化工具、专用文档 VLM、混合工作流、通用 VLM 及商业产品五类,对比了架构与生成式 OCR 的幻觉问题。研究还指出了评估定义不一致及真实拍摄条件覆盖不足等挑战,并提供了相关工作的持续追踪链接。
针对夜间图像复杂退化导致的质量评估难题,作者发布了 NightIQA 数据集与基准套件,包含由现代设备采集的 1,769 张高分辨率真实图像、专为多模态大模型设计的 1,078 道视觉 grounding 选择题以及生成 8 万张高保真图像的合成管线。基于该数据微调后的 Qwen3-VL-8B 在开源方法中表现最优,且整体准确率超过领先的闭源模型,验证了领域专用数据与结构化监督的价值。
论文提出 DOVE(Dental Optical Visual Encoder),基于约 53 万张无标注口腔照片进行域自适应自监督预训练,旨在解决口腔影像分析依赖昂贵专家标注的问题。
作者发布了 BhopalMLS 数据集,包含印度博帕尔约 10 公里道路走廊的 12 亿余点云及 1.9 万标注实例,涵盖细粒度静态类别与动态子类。实验显示微调后的基础模型 Utonia(L) 和 Concerto(L) 在该数据上表现优于从头训练的基线,且向其他区域迁移时效果显著优于反向迁移。研究归因于该数据集对非规划城市子类型的丰富覆盖,而非单纯的数据量或几何结构。
Therapy-FIS 是首个面向心理治疗场景的公开数据集,基于 890 名治疗师和 8 名模拟患者的视频记录提供面部、声学及文本信号。该资源建立了 Therapist Performance Rating 与联合表现评分两项下游任务基准,并引入 DyadicFIS 作为竞争基线,在两项任务中分别取得 0.2807 和 0.3299 的宏观 CCC 分。
MambaHand Net 提出双流框架,结合 CNN 提取帧级局部身份特征并利用双向 Mamba 建模长程行为依赖。该方法在 SCUT-DHGA 基准数据集上取得最先进平均性能,验证了融合 CNN 与 Mamba 架构对动态手势认证的有效性。论文为 arXiv 预印本版本(arXiv:2611.04626),代码与权重尚未公开。
针对大视觉语言模型推理时计算开销大的问题,本文提出 BtsPruner 框架,该方法无需训练即可通过识别视觉 Token 从局部细节到全局代表的角色演变过程进行剪枝。实验表明,在 LLaVA-1.5-7B 等模型上,仅保留 32 个视觉 Token(占总数 5.6%)即可保持 91.6% 的原始性能,并在高分辨率设置下实现最高 5.95 倍的 CUDA 延迟加速。
推荐理由:提出无需训练的基于角色感知的视觉 Token 剪枝框架,在大幅减少输入 Token 数量下保持高性能并显著降低推理延迟。
这篇论文提出了一种无需标签预训练的卷积 beta-VAE 编码器,专门针对去除杂波的原始雷达测量数据(60/77 GHz),旨在解决微多普勒谱图在迁移学习中的泛化不足问题。研究者在十个设置下对比了该冻结编码器与端到端监督模型及基础模型,结果显示其在跨用户、跨任务和跨硬件场景中均能保持最佳或接近最佳的识别性能。代码已开源。
针对 Vision-language 模型(如 CLIP)在测试时数据扰动下因模态偏差导致置信度过高的问题,本文提出 CDIM 方法。该方法在表征层面结合冻结的自监督骨干网络(DINO v2)与 CLIP,优化层面引入带门控的信息最大化目标以排除不可靠样本,预测层面进行在线 logit 调整。实验表明 CDIM 在 ImageNet-C、CIFAR10-C 等基准上优于现有基线,代码已开源。
针对历史航空影像跨年份传感器差异导致一致时间序列稀缺的问题,研究团队开发了无需历史训练样本的双轨工作流。该流程对 2009-2017 年高质量影像采用预训练 U-Net/ResNet-34 结合 SAM 模型优化边界,对 2004-2008 年低质量影像则通过基于 NLCD 的时空桥接与标签回溯重建。
VidUEU-Agent 提出一种四阶段自动化管线,从原始视频中合成指令数据以支持多模态理解、编辑及统一任务。该框架能基于下游训练结果自主迭代数据分布,优化质量与平衡性,并构建了包含 10 万样本的 VidUEU-100K 数据集。实验表明,在基准测试上微调基线模型可取得显著且一致的性能提升。
论文 SphereFlow 提出一种将不同模态投影至共享超球面潜在空间的框架,利用流匹配(flow matching)实现跨模态补全。针对标准高斯噪声源与单位范数数据流形不匹配及线性插值偏离球面的问题,作者通过替换噪声源为观测模态潜变量并采用时间加权损失函数进行几何修正。
推荐理由:提出基于超球面几何传输的缺失模态补全方法,在医学影像翻译任务中实现最先进生成保真度并显著缩小与全模态基准的差距。
该预印本研究了在无目标条件下对相机-LiDAR 融合的外参变换进行校正后是否应被下游系统采纳的问题。研究在 Argoverse 2 合成漂移数据上评估了单帧与多帧对齐策略,发现单帧 Canny 对齐在轻度漂移下有害,而多帧对齐虽改善旋转但恶化平移且联合误差指标为负。
推荐理由:该预印本通过日志分离协议评估了无目标外参校正的质量与递归风险,指出单帧对齐在轻度漂移下有害且联合误差指标为负,不支持将其作为可部署的校准门禁。
论文提出 StepX-OPD,将原本分阶段进行的多教师同策略能力整合与少步采样合并为单阶段训练。该方法让一个学生在接受冻结专家监督的同时学习少步采样,通过回归低噪声部分的 velocity 来解决 rollout 的 KL 权重速度失配问题,并针对能力整合导致的非请求文本生成问题提供了改进变体。
论文针对全切片多实例学习中模型忽视组织空间结构的‘空间盲区’问题,提出 ResTopoMIL 方法。该方法在训练图残差前冻结成分预测器,并利用坐标重分配分离损失进行优化。
该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。
推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。
该论文提出一种无需梯度、成对数据或微调的权重空间编程(WSP)方法,旨在利用大语言模型直接编辑扩散模型的参数以改善图像复原质量。作者构建了包含去模糊、超分辨率等任务的精确回归场景,并提出了三项技术猜想:LLM 能在有限前向传播预算内定位质量缺陷层;对特定权重方向的小规模编辑可提升 PSNR 和感知质量;递归循环能累积增益形成最小化自提升(RSI)闭环。
推荐理由:提出利用大模型在权重空间直接编辑扩散模型以改进图像复原质量的猜想,并设计了诊断 - 编辑 - 评估的递归自提升循环框架。
该论文提出 P-SER 框架,通过重构复数值和向径差通道 HRRP 中的主散射点及观测几何,利用空间结构、目标尺度与能量分布推导类级散射原型与样本显著性先验,为特征学习与旧类知识保留提供物理约束。
针对长尾单样本等极端数据稀缺场景,该方法通过掩码引导参考注意力与排斥噪声优化组件,在 CUB-LT 数据集 IF100 指标上最高提升 2.50 和 2.94 分。实验验证了其在少样本及背景偏移评估中的鲁棒性,有效解决了生成样本缺乏判别细节的问题。该研究已被 WACV2027 接收,代码与论文将公开。
该研究提出 CHROMA-MILL 数据集与 CTI-Retinexformer 模型,解决低光照图像增强(LLIE)与自动白平衡(AWB)的联合优化问题。现有方法通常先增强后校正,但缺乏评估 AWB 的地面真值;本研究在 RAW 域混合四种校准光源以合成物理有效的照明混合物并构建精确色度真值。
该研究系统对比了 ViT、MAE、DINO 及 MultiMAE 等预训练骨干在包含 RGB、LWIR、NIR、Event 及深度分割等多传感器的自动驾驶任务中的迁移效果。实验基于 curated 的 2.82M 图像数据集,发现 MultiMAE 作为开箱即用的基线表现强劲且鲁棒性高,针对性改进虽带来增量提升但整体稳健。论文已获 WACV 2027 接收,代码与数据许可状态待进一步确认。
该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。
推荐理由:该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。
针对多任务抓取策略训练需要大量演示数据的挑战,作者提出了一种基于 YUBI 平台的电池供电手持采集器。该设备采用软性倾斜手指包裹物体,通过可见形变作为接触力的视觉代理,且机械结构与机器人夹爪匹配。
针对现有单路径方法在生成与理解双路径上联合遗忘不足的局限,研究提出 UniForget 框架。该方案在 BAGEL-7B-MoT 和 Janus-Pro-7B 模型上分别实现 80.0% 和 92.7% 的联合遗忘率,显著优于基线。分析显示该方法在抑制目标概念的同时需权衡能力保留,相关代码与论文已在 arXiv 发布。
CRAD 提出一种去中心化知识蒸馏框架,通过共享类后验实现异构架构间的参数聚合且无需中央服务器。该方法在 CIFAR-10、CIFAR-100 及 PathMNIST 数据集上,于严重非独立同分布条件下显著优于均匀平均等基线方法。代码已公开,论文已被 WACV 2027 接收。
论文介绍 MulTaBench 基准,包含 40 个数据集(20 个图像 - 表格与 20 个文本 - 表格任务),旨在解决现有评测仅关注模态共现而忽略任务特定微调的问题。实验表明,针对目标进行表示调优能提升多种表格学习器和编码器规模下的性能,该基准已获 NeurIPS 2026 Spotlight 接收。
论文提出 GDMD 框架,通过优先优化蒸馏梯度而非原始像素输出来重新定义奖励机制,解决了传统扩散蒸馏在少步生成中牺牲质量的问题。实验显示,该方法使 4 步模型的质量超越多步教师,并在 GenEval 和人类偏好指标上显著优于现有 DMDR 结果。
推荐理由:提出 GDMD 框架,利用梯度强化学习解决蒸馏与采样速度冲突,在少步生成任务上超越多步教师及现有 DMDR 方法。
针对现有视觉语言系统缺乏人类中心对齐评估框架的问题,本文提出 Anthropogenic Regional Adaptation 范式及 Geographical-generalization-made-easy (GG-EZ) 方法。
该论文针对一致性模型从头训练时的不稳定性和低可复现性问题,从流图视角进行理论分析并揭示退化解成因。作者提出改进的自蒸馏方法 iSD 以优化梯度范数,并结合训练时分类器自由引导扩展为 iSD-T,在图像生成及无需预训练扩散模型的策略学习任务中提升了性能与稳定性。