PR3DICTR:模块化 AI 框架用于医学三维图像检测与结果预测
PR3DICTR(Platform for Research in 3D Image Classification and sTandardised tRaining)是专为三维医学图像分类构建的开源框架,基于 PyTorch 和 MONAI 社区标准开发。
PR3DICTR(Platform for Research in 3D Image Classification and sTandardised tRaining)是专为三维医学图像分类构建的开源框架,基于 PyTorch 和 MONAI 社区标准开发。
HyDRA 提出一种免训练框架,利用轻量级分类器区分同质与异质智能体并自适应选择融合策略,结合锚点引导位姿图优化以缓解定位误差。实验显示该方法在架构异质性下匹配最先进水平,且在潜在域异质性下将 [email protected] 较晚融合提升近 25%。该工作已接受发表于 WACV 2027。
SegMate 提出一种高效的 2.5D 框架,在 TotalSegmentator、SegTHOR 和 AMOS22 数据集上达到最先进精度,相比基线模型计算量降低最多 2.5 倍且显存占用减少最多 2.1 倍。
针对微创手术中组织操作复杂且结肠手术研究不足的难题,该工作提出 attachment anchors 结构化表示法,通过归一化局部几何与机械关系降低预测不确定性。在包含 90 例结肠手术的实测数据集上,该方法相比仅用图像的基线显著提升了抓持点预测精度,尤其在未见过的术式和主刀医生等分布外场景下增益尤为明显。结果表明该中间表示是学习驱动的结肠手术组织操作的有效方案。
论文提出了 OpenView,这是首个研究图像外(OOV)理解能力的框架,旨在让多模态大语言模型推理可见帧之外的物体、活动与场景。该方法包含四阶段流程,利用全景图像合成大规模多样的多选 VQA 数据,并构建了 OpenView-Dataset 数据集和 OpenView-Bench 基准以评估选择准确率与推理合理性。
针对具身智能体在序列任务中难以复用过往探索积累的空间知识这一挑战,本文提出 3DSPMR 框架,利用视场(FoV)覆盖作为显式几何先验来增强记忆、推理与探索能力。
论文提出 SFHand,这是一种首个通过流式第一人称 3D 手部动作预测进行表征学习的方法。该方法利用自回归架构从视频和语言指令中连续预测未来手部状态(包括手部类型、2D 边界框、3D 姿态及轨迹),并配备 ROI 增强记忆层以捕捉时间上下文。
推荐理由:提出通过流式第一人称手部动作预测进行表征学习,开源了配套数据集与模型,在仿真及真实世界操作中均取得领先性能。
ReefNet 整合约 92.5 万硬珊瑚标注及独立采集的 Al-Wajh 数据,构建含 39 个分类标签的 47.9 万样本基准。预训练模型在零样本任务中表现最佳,DINOv2 在 Al-Wajh 测试集上宏观召回率达 65.79%。该资源旨在解决长尾识别与地理分布不均挑战,Al-Wajh 作为区域压力测试而非全球鲁棒性证明。
HB-TPM 方法通过从有序源任务学习平滑曲线族,成功适应稀疏观测下的轨迹结构。在 30 个独立向量任务中,其将平均切片-Wasserstein 距离较源适配 VAE 降低 21.0%-41.8%;基于 100 条模拟光子记录测试显示,相比仅拟合目标或预测源均值,该方法分别使轨迹均方根误差降低 50.2% 和 23.6%。
针对国际空间站 GEDI 任务约 10 米的地形定位误差,研究将全球 30 米分辨率数字高程模型超分辨至 1 米以替代稀缺的航空激光雷达数据。在日本西部陡坡森林实验中,轨道级单偏移修正结果与航空激光雷达基准基本一致,但观测级逐点修正因输入模型误差无法抵消而不匹配。结论表明若无 1 米分辨率数据,融合全球数据的超分辨 10 米模型仍可实现有效的轨道级位置校正。
AnimWeb-Bench 是首个针对从视频重建完整动画网页的代码生成基准,包含 124 个涵盖 7 大领域和 33 种动画类型的真实网页。该基准通过静态外观保真度与动画保真度两个维度评估多模态大语言模型(MLLM)及编码智能体,发现显式帧检查与渲染反馈能显著提升代码智能体的重建质量。相关代码与数据集已公开,旨在填补现有评测仅关注静态截图或孤立动效的空白。
Multiscale Closing Index (MCI) 是一种基于多尺度数学形态学的新型度量,取值介于 0 到 1 之间,数值越小代表两个二维点集的结构一致性越高。
该研究针对现有公开冠状动脉窦口标注缺失或仅隐含的问题,为最大的公共冠状动脉分割数据集 ImageCAS(涵盖1000名患者)补充了精确的窦口标注与基于这些新地标生成的中心线图。
推荐理由:该工作为最大的冠状动脉分割数据集 ImageCAS 补充了窦口标注与根植中心线图,并验证了开放权重模型在定位任务上的性能。
针对现有方法难以捕捉中高层几何纹理的问题,该方法提出基于 DINO 特征相似度聚类并将纹理区域从 2D 提升至 3D 的分割方案。研究微调了 SAM3 模型以适配三维几何纹理识别任务,同时开发了交互式工具实现基于几何与纹理相似性的模型检索及编辑功能。实验表明该方案在几何纹理分割上显著优于现有方法,可赋能遗产保护、模型编辑和 3D 打印等应用。
研究提出基于 Qwen3.8-27B 的测量感知多模态大语言模型,通过结合图像域噪声、锐度等六项百分位测量值来解释评分。在 LDCT-IQA 2023 测试集上,该模型整体得分为 2.735,与重训挑战冠军持平且显著优于零样本基线。将测试时测量的顺序打乱会使分数降低 0.048,主要源于噪声项的影响。
论文 FlowMoP 针对多人体 3D 运动预测中确定性范式的局限,提出了一种联合生成多样化未来运动的条件流匹配框架。该方法通过 B-spline 重参数化压缩生成状态空间并强制时间平滑性,利用双流 Transformer 使每个智能体的预测基于观测到的邻居运动进行交互感知预报。
Tanush Shaska 发布论文提出分级卷积网络(Graded convolutional networks),利用图像高斯射流与退化映射实现尺度归一化,解决未知高斯模糊下的特征提取难题。实验显示该架构在 MNIST 数据集上两像素模糊条件下准确率达 88.4%,优于传统尺度归一化导数网络的 66.2%;在 Lindeberg 网络中则将准确率从 91.5% 提升至 95.1%。
论文介绍 BEV3SR,这是一个无需训练且对骨干网络无关的框架,旨在利用带有相机参数的 RGB-D 视频进行显式的三维空间推理。该方法将视频观测转化为可查询的度量鸟瞰图(BEV)场景记忆,并将每个查询形式化为证据感知的空间任务:若需几何证据则通过几何推理器在指定参考系中计算答案;否则通过视觉证据对齐器检索与物体一致的 RGB 帧以支持 VLM 定位。
论文提出了 Seeing What Matters 基准,用于评估机器人是否具备根据当前指令获取特定观测证据以支持操作的能力。该基准涵盖咖啡机、抽屉柜和微波炉三个仿真桌面操作领域,提供 860 个冻结评估案例及超过 11.5 万个评测集。
该研究首次对五款冻结权重的统一多模态大语言模型进行零样本基准测试,评估其在无参考图像条件下识别浅水无人机影像畸变并恢复的能力。在包含 1000 张图像的基准中,最佳模型的畸变存在检测平衡准确率为 0.654,PSNR 增益为+0.255 dB,但部分模型仍出现幻觉或改变场景结构的现象。结果显示仅凭识别退化并不意味可靠的物理恢复,该工作提供了可复现的未来研究基线。
该研究开发了一种完全在智能手机上运行的无监督学习模型,利用姿态估计数据评估前交叉韧带(ACL)受伤风险。模型对 Drop Vertical Jump 和 Single Leg Hop 两项测试的平均敏感性与特异性分别达到 78%、78% 及 75%、74%,支持低成本实时筛查方案的发展。论文发布于 arXiv,属于计算机视觉领域的预印本。
作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。
推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。
SpconvTransformer 模型通过融合卷积分支的局部特征与 Transformer 分支的全局上下文,在车辆激光雷达 3D 目标检测和鸟瞰图检测任务中分别达到 81.45% 和 88.09% 的平均准确率。该架构将方向相似度提升至 91.10%,显著优于现有算法,有效解决了三维卷积神经网络感受野受限的问题。论文发表于 CAIBDA 2026,代码与权重暂未提及开放许可。
该论文提出了 Video2Asset 框架,旨在将多视角视频转化为可独立编辑的持续更新场景。核心挑战在于如何在运动与遮挡下累积部分且不完整的观测而不破坏物体身份或混淆证据。
CRTrack-Cap 构建包含 425 条全局轨迹和 335 个身份的标准描述,解决多相机视图独立处理导致信息割裂的问题。研究团队提出结合 VECA 关联与 CEG 证据门控的参考框架,在跨域测试中 CV-CHOTA 得分达 33.48。该基准为计算机视觉领域提供了统一的跨视角轨迹描述方案及强基线模型。
该研究提出一种区域感知架构,通过分离池化肿瘤与周围组织特征并融合放射组学,在 KiTS23 及外部测试集上分别实现 0.8078±0.0154 和 0.9094±0.0015 的 AUC。相比单肿瘤读出基线,该方法使平均 AUC 提升 1.50 至 2.34 个百分点,验证了区域读出与切片聚合在适配冻结视觉特征中的联合作用。论文已提交 IEEE ISBI 2027,代码与数据许可状态待定。
针对四旋翼飞行器在未见轨迹上姿态估计泛化性不足的问题,该研究提出一种改进的学习型惯性里程计方法。通过采用机体坐标系表示并融入扭矩动力学至学习流程,模型预测短时相对位移并与 IMU 测量融合进扩展卡尔曼滤波中。实验表明该方法在公开数据集上的速度误差低于现有最先进方法,且源自旋翼信号的扭矩输入信息量最大。代码、数据管道及训练好的模型均已公开。
针对多自由移动相机的场景几何对齐问题,本文提出轻量级测试时优化框架 MViS,通过空间变换器网络联合处理多视图帧以预测单视单时的单应矩阵。该方法在几何引导对齐与外观细化两阶段中均约束多视图与时序一致性,无需场景特定超参数调优且对快速相机运动鲁棒。在标准双视角基准上表现优异,并引入首个包含多个自由移动相机的标注数据集以支持复杂场景评估。
该方法针对激光雷达无人机自主三维探索,在保留少量候选目标后利用时间受限的 RRT* 规划估算可行路径成本进行重排序。实验显示其在三个仓库类环境中探索轨迹缩短最多 14.1%,两场景下探索时间减少最多 9.5%。同时保持了与 OctoMap 基线相当的地图细节,实现了效率与建图质量的平衡。
论文 ExQuery 针对稀疏查询基 3D 检测器统一编码异构信息的局限,提出显式结构化查询框架。该方法将解码后的查询组织为共享语义上下文切片与中心、尺寸、朝向及速度等物理状态特定切片,并在从编码到分支回归的过程中保持该结构以重构时序查询。实验在 nuScenes 基准上展示了具有竞争力的检测性能,消融研究验证了所提模块的有效性。
RadarDINO 框架通过校准的 RGB-雷达几何将 DINOv3 描述符转移至雷达体素,引入显式几何监督与顶点关节损失以约束重建形状。该方法在 M4Human 数据集上优于所有三个评估分支的最先进基线,解决了稀疏点云信息丢失及原始张量缺乏细粒度语义的挑战。
论文提出 EPAR 方法以改进基于记忆库的多模态工业异常检测性能。针对冻结预训练编码器导致的域差距及现有对比学习难以捕捉空间关系的问题,该方法通过预测掩码区域的嵌入来适应编码器,并结合 VIC 正则化提升判别力;同时利用噪声抑制网络细化粗糙的像素级异常图,仅学习特征与最近正常原型的差异而非外观本身。
该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。
推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。
针对现有立体匹配模型仅预测左视图视差导致左右不一致的问题,作者提出一种轻量级跨注入扩展方法。该方法在迭代细化阶段将显式的左右不一致性作为额外输入线索耦合两次推理过程。实验表明,该方法在所有基准测试中显著降低了左右不匹配度(Booster 数据集上降低超过一半),同时保持锐利的物体边界,并减少了单视图视差误差。该论文已被 WACV 2027 接收。
针对关键点易受遮挡和截断的问题,本文引入物体关键线检测任务,预测每个实例的固定语义有序无限直线集。研究扩展 YOLO 以支持连续 Hesse-normal 形式的参数化输出,并定义物体关键线相似度(OKLS)作为评估指标与回归损失。在视觉起降的跑道感知实验中,该方法在四种线参数化方案中检测精度最高,且能直接集成到标准 YOLO 头中而不降低关键点性能或增加显著延迟。
推荐理由:提出基于 YOLO 的物体关键线检测框架,在跑道感知任务中实现高精度且无额外延迟。
LAAS-GEPETTO 团队发布开源单图人体网格恢复模型 InstantHMR,基于 Momentum Human Rig 参数化模型并在 SAM 3D Body 数据集上训练。
针对音视频分割任务中单模态语义不完整及跨模态语义差距大的挑战,本文提出 BYOAVP 框架。该方法设计自监督音频增强模块以对齐音频表示与视觉嵌入,并开发动态原型约束模块利用动量更新优化像素级类别感知与定位能力。实验表明该框架在两个基准数据集的六个子任务上均达到最先进性能,展现出强鲁棒性与泛化性。
针对 LiDAR 点云稀疏非欧几里得特性导致语义与域风格混淆的问题,提出 FIND 框架,利用 B-Spline 拟合构建局部自适应滤波器,在双流架构中分离域不变内容与域特定干扰。实验表明该方法在跨数据集适应和鲁棒性基准上显著优于现有最先进方法。代码已公开。
AttrEcho 框架通过区域对齐视觉属性融合(RAVF)与特征令牌聚合(FTA),解决预训练编码器细粒度细节不足问题。在 THINGS-EEG 数据集上,该模型实现受试者内 200 路检索 Top-1 准确率 94.8%、图库扩至 1600 张时保持 82.1%,跨受试者检索 Top-1 达 25.3%。研究证实显式视觉属性与空间对齐融合对细粒度 EEG 图像检索至关重要。
论文 CoMET 针对车端传感器无法观测而路侧传感器可观测的车辆,提出了一种无需训练参数的共享平移误差追踪方法。该方法在决策时刻仅利用可用信息,通过匹配互为最近邻的检测对来估计偏移量并更新卡尔曼滤波,从而修正所有路侧检测框(包括车端未见的目标)。