LITHOS 多模态岩相图像分类与可解释性评估报告
基于 105,802 个专家标注颗粒的评估显示,LITHOS 双流视觉Transformer在正交偏振光输入缺失时,25类中有20类真类概率下降幅度大于正交偏振光替换。五种XAI归因方法对同一输入生成不同可视化地图,且超像素删除分析中所有41个95%置信区间均包含零值。研究证实仅凭分类准确率或视觉检查无法确立模型误差结构、模态敏感性及归因行为等关键性能维度。
基于 105,802 个专家标注颗粒的评估显示,LITHOS 双流视觉Transformer在正交偏振光输入缺失时,25类中有20类真类概率下降幅度大于正交偏振光替换。五种XAI归因方法对同一输入生成不同可视化地图,且超像素删除分析中所有41个95%置信区间均包含零值。研究证实仅凭分类准确率或视觉检查无法确立模型误差结构、模态敏感性及归因行为等关键性能维度。
PAR 提出一种基于重建的多视角异常检测框架,利用特征扰动共识聚合模块生成视图一致伪异常表征,并采用专用解码器结合傅里叶注意力抑制身份映射。在 Real-IAD 数据集上,该方法在样本级、图像级和像素级检测任务中均优于最先进方法。代码已开源,论文已被 ACM Multimedia 2026 接收。
TIRAD 提出一种多模态残差学习框架,利用文本表示的残差特征作为门控机制调制图像残差,以显式表达语义差异。该方法在工业基准及跨域迁移实验中均优于现有以图像为中心的残差学习方法。论文已被 ACCV 2026 接收,代码与权重开放许可待注册。
针对工业边缘设备图像因降采样和压缩导致的分辨率损失及伪影问题,本文提出一种集成超分辨率(SR)与压缩伪影去除(CAR)的端到端质量增强框架。该框架采用统一训练策略,平衡人眼感知与机器视觉目标,并探索了固定权重与基于不确定性的动态权重损失函数以优化重建质量与下游任务性能。
SurgTAP-3D 构建了一个包含 52 万帧、4549 个动作片段及 140 万个二维/三维轨迹点的大规模体内伪三维手术运动追踪数据集。该工作通过接触区域提示等统一框架将未标定单目视频转化为结构化四维标注,涵盖遮挡、烟雾等真实挑战并建立 SurgPose 等基准。
针对低剂量、稀疏视角及金属伪影等不同的 CT 退化物理特性,本文提出 AgentCT,利用基于 LoRA 适配的 Qwen3-VL-4B 控制器识别退化类型与严重程度并路由至专用模型。
NuJEV 是一种针对核感知的新方法,旨在通过定位和分类细胞而非单纯生成计数来实现更准确的量化。该方法在 Qwen3-VL-2B 模型上联合训练视觉 LoRA 和平行头,利用单一图像编码同时预测细胞存在、中心和类型。
PointNeXt 模型在约 7.8 万参数下结合局部形状描述符与残差茎叶修正,在 Raspberry Pi 5 上实现了 PlantNet 任务延迟从 330.33ms 降至 96.82ms。
REDiff-AD 框架通过多样性驱动的 In-context MMDiT,在无需模型训练或目标掩膜的情况下,利用单张参考异常图实现高效采样并生成高保真缺陷。该方案引入自适应参考条件增强与多样性引导模块,解决了真实缺陷稀缺难题,显著提升了下游分类、检测与定位性能。代码已开源,论文被 WACV 2027 接收,适用于大规模工业异常数据增强任务。
Agent2BIM 是一个基于智能体的 Scan-to-BIM 框架,系统评估了实验室及机电场景下七种现实捕获配置的建模效果。实验显示,智能手机 LiDAR 输入使组件位置在 20cm 内的重建比例达 86%,而纯全景图仅 9%;先验 IFC 模型虽能提升机电连接度但可能传播误差。该研究揭示了视觉证据与度量数据在智能体竣工建模中的互补作用,论文已上传至 arXiv。
今年7月起,由新石器与上汽大通联合开发的X6T无人车在上汽大通南京工厂投入使用,承担车辆结构件从仓库到产线的转运任务。四个多月连续运行,该车型经受住真实产线检验,被厂方评价为“跑得稳、越用越好用”。
进博会上,安波福宣布首批它石智航A系列机器人进入真实产线,计划2026年底前完成百台级部署并覆盖8大工艺;同时向合作伙伴供应高性能计算平台。舍弗勒启用太仓数智工厂,集成制造、场景训练与数字孪生功能,人形机器人相关业务订单约4亿欧元。
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。
DINO-Nucleus 提出一种参数高效框架,利用多级别自监督 DINOv2 表征实现显微镜图像中的细胞核实例分割与计数。该模型联合预测区域、像素流及中心点,并通过轻量级 LoRA 模块适配预训练骨干网络以降低成本。实验表明,该方法在保持参数效率的同时,实现了强力的分割与计数性能。
ProtoCouncil 引入 MedSAM、DINOv3 和 V-JEPA 2.1 三个基础编码器,在微超声层面学习整体腺体等三级解剖原型以支持可追溯决策。该模型在五折交叉验证中达到 82.9% AUROC,零样本外部测试优于既往方法,且通过编码器分歧机制将不可靠预测的平衡准确率提升 7-15 个百分点。
SCHUNK R-C2、Universal Robots ActiNav 及 FANUC M-20 等机器人集成方案使中端制造商以低成本实现高精度生产。
MVTec、BMG 和博世力士乐组建合作伙伴关系,将 HALCON 软件、ctrlX OS 操作系统及 Nexeed Integrated Vision 应用整合至统一平台。该方案旨在减少编程、接口配置及系统集成工作量,支持检测、测量、机器人引导等工业场景部署。
中科慧远视觉技术于 2026 年 11 月 7 日完成辅导备案登记,正式启动 A 股上市进程。公司由中科院博导张正涛创办,构建了“慧视”、“慧脑”及“慧灵”三大标准化平台,并推出搭载多模态成像系统的 CASIVIBOT 工业具身质检机器人。目前该机器人已发布 Z1-Lite、Z1-SE 两款型号,分别面向微电机电子检测与硬质材料刀具检测场景,产品在国内服务五十余家行业龙头企业。
FLASH 是一种针对工业异常检测的合成异常生成框架,旨在解决真实缺陷稀缺时的数据扩充问题。该框架采用‘一次生成、多次合成’范式,仅利用正常图像和视觉语言模型(VLM)指导生成少量缺陷图并建立可复用补丁库。
OraRefer 提出一种患者级筛查模型,利用分割引导基础模型读取每张照片并结合风险因素进行融合决策。在 714 名患者的 3000 张图像上,该模型 AUROC 达 0.919;设定 90% 灵敏度时检出率 95%,仅漏诊 61 名癌症患者中的 3 例,特异性为 0.610。由于阈值无需重训练,各诊所可基于本地校准样本自主设定保证的操作点。
针对仅拥有正常样本的单类工业异常检测场景,该方法将冻结视觉 Transformer 的深度视为离散状态转移序列,利用层间余弦相似度定位 DINOv2 ViT-L 等模型中的四个关键故障线。
推荐理由:提出基于冻结 ViT 层间故障结构的单类异常检测器,在 MVTec-AD 等基准上实现 99.75 AUROC。
针对现有工业异常检测多依赖静态模式而忽视动态缺陷的问题,本文提出 MUSTARD 框架,利用光学流引导的关键帧选择和增强模态捕捉局部运动模式与全局动态演化。该方法仅需少量正常样本即可实现高效适应且具备高决策可解释性,实验表明其在时空异常检测及提供合理解释方面表现优异。代码将公开可用。
DEQ-Det 提出一种无需额外标注的架构,通过构建前景与背景互补参考解决模拟 IC 器件布局中的几何变异干扰。该方法在五个保留类别上实现 10 次和 30 次提示下的宏观 AP50 分别为 39.41 和 53.03,分别超越最强基线 3.97 和 9.71 个点。消融实验证实 ROI 背景证据能在相当召回率下有效降低假阳性,支持其干扰抑制作用。
该方法利用摄像头感知与活动识别构建操作员占用热力图,依据 ISO/TS 15066 原则权衡速度与距离以优化防护场。在两家工业合作伙伴的实测中,防护区域缩减约 17%,生产力提升 9%。该配置结果仅作为风险评估建议,需人工审查而非自主控制机器人控制器。
MammoSeek 是一种乳腺摄影智能体,旨在复现放射科医生先形成全局印象再对可疑区域进行选择性放大的阅片流程。该智能体在生成每侧乳房的初步印象后,自主决定哪些检测候选者值得近距离观察,并仅在高分辨率视图下检查这些区域。
针对无标注掩膜的皮肤病变分割任务,现有方法依赖特定规则或用户选择区域。本文提出 GENIQ,一种无需训练的方法,利用文生图扩散模型生成的健康皮肤和病变图像构建原型,并从未标记图像中选取最相似片段进行优化。
Marconi Associates 指出美国机器视觉并非工程师总量短缺,而是缺乏融合光学、控制及现场部署经验的特定技能组合。2026 年上半年北美市场交易增长 7.8%,但高薪无法抵消高频差旅等隐性成本,单一职位描述易导致候选池萎缩。企业需明确区分算法开发与应用调试角色,并关注候选人实际项目经验而非仅看品牌平台背景。
HoloCT 是首个将 CT 解读与体素级分割统一的通用三维基础模型,基于包含 19.5 万扫描及 620 万指令对话的 HoloDATA 训练。在多中心验证中,其病灶分割与报告生成分别优于竞品 18.2 和 15.3 分,甲状腺肿瘤筛查平均准确率达 85.1% 并超越四位放射科医生。该研究揭示了语言引导分割与三维掩码生成的双向语义空间协同效应,相关代码与数据待开放许可。
作者发布了 Rohbau3D-Semantics 数据集,该数据集为先前发布的 Rohbau3D 领域数据中的激光扫描点云添加了稠密的语义和实例级标签。数据包含来自 14 个勘测站点的 504 个场景,保留了真实激光扫描的非均匀采样、测量伪影等特性。数据集提供 17 类建筑组件及背景类的标注,并附带生成对齐全景图和立方体图表示的脚本,旨在支持复杂构建环境下的三维场景理解研究。
11 月 5 日,长安汽车两江工厂正式上线首例涂装视觉 AI 刷胶机器人,通过基于深度卷积神经网络(CNN)的 AI 视觉检测系统精准识别刷胶位置并优化作业轨迹。该技术使 PVC 工序每小时产量(JPH)提升约 8%,单次推理响应达毫秒级,风险识别检出率与报送准确率均超 99.5%。此次上线推动质量管理从事后检查向过程监控转变,是长安汽车在冲压、焊接等工序部署视觉检测后的进一步拓展。
卡德克斯(Kardex)推出整合投影指令与手势感知的智能分拣助手,通过本地计算单元协同 FulfillX 仓库执行系统优化拣选流程。该方案支持条码扫描及序列号识别,能应对产品形态变化并适应环境光照波动。Fred Fox Jr. 强调需在实际站点评估视觉对节拍时间的影响,确保系统在复杂工况下的稳定运行与高可用性。
据北京市市场监督管理局公示,中国石油集团昆仑制造有限公司将与宇树科技股份有限公司等经营者新设合营企业。该合营企业拟从事工业具身智能机器人解决方案业务,交易后昆仑制造及其一致行动人持有 60% 股份,宇树科技、泛界智能各自持有 20% 股份。
作者发布了 Cracks in the Foundation (CiF) 数据集,包含约 150,000 张高分辨率瓷砖图像,旨在解决土木工程缺陷分割的数据稀缺难题。评估显示,即便针对特定领域监督的专用模型性能也仅达到约 25% mAP,而零样本基础模型面临严峻挑战,表明当前视觉 AI 在建筑环境中的稠密理解尚未解决。
针对航空制造中飞机蒙皮自动铣削的系统性需求,该研究提出了一种结合空间切线连续性(STC)与分层分支搜索(HBS)的点云边缘检测新框架。该方法在合成模型及真实蒙皮工件上验证了性能,其提取的边缘精度优于现有基线方法,为后续加工提供了关键参考。
LCM-UNet 是一种融合多基础可重参数化适配器的 3.3 万参数量 U 型网络,在 ISIC 2017/2018 和 PH²数据集上分别取得 88.62%、89.73% 及 90.46%的 Dice 分数。
SteelHuman 通过聚合手持稀疏视角下的冻结 DINOv2 token,在 600 个外折堆料上实现与操作员估计 13.4% 的总变异距离。针对 HMS 四类厚度定义的分配误差,图像依赖型分配将组内 TV 从 25.1% 降至 11.2%,且无需适配即可对齐 DOES 数据集分类类别。
该论文提出了 FlowTranslator 框架,旨在实现图像内的机器翻译(IIMT),即在保留周围视觉上下文的同时替换图像中的文本。该方法无需大规模配对训练数据,利用 OCR 和 LLM 生成翻译提示词并注入基于扩散模型的 T2I 架构中。
TCINet 提出任务特定特征适配器与组织条件感知机制,在 PanNuke 数据集上多类泛optic质量达0.519、二分类为0.692。该模型在 MoNuSeg 零样本检测 F1 得分为0.876,且在 PanNuke fold 0 将 mPQ从0.505提升至0.525。代码已开源供计算机视觉领域使用。
该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。
推荐理由:研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。