BaseRSI:一种通过免训练内部化实现递归自我改进的基座视觉语言模型
论文提出 BaseRSI 新范式,将递归自我改进从提示词和工具层面向模型自身迁移。该方法引入 ReGap 机制监督每个 Transformer 块的高维激活差异,并利用 ReKey 算法将该信号回归写入少数关键值神经元中。
论文提出 BaseRSI 新范式,将递归自我改进从提示词和工具层面向模型自身迁移。该方法引入 ReGap 机制监督每个 Transformer 块的高维激活差异,并利用 ReKey 算法将该信号回归写入少数关键值神经元中。
针对单图内在分解这一病态问题,本文提出 RAID 方法,利用 DINOv3 特征构建教师 - 学生网络架构,在无需成对监督的情况下解耦外观因素。该方法将重建与分解解耦,仅需轻量级投影即可预测所有内在属性,模型参数量仅为 165M,推理速度比扩散先验快 100 倍,且在鲁棒性和质量上表现优异。材料为预印本论文,未涉及真实机器人部署或产品发布。
该论文针对双时相遥感图像的变化检测与描述任务,提出显式语义锚点方法,将实体存在、时间变化和空间范围等视觉特征转化为生成条件。模型结合预测引导读出与三个因子头估计激活值,通过记忆令牌和词汇偏置两条路径指导生成,无需额外语言标注即可从现有图像推导目标。在 LEVIR-MCI 和 WHU-CDC 数据集上的实验显示该方法在联合检测与配文方面表现优异。
arXiv 论文《EviScope: Evidence-Conditioned Sampling for Long-Range 3D Detection》由中科院自动化所等机构研究人员提交,提出了一种名为 EviScope 的最小化模块。
该论文提出 NativeSeg 框架,利用 LoRA 适配的 Qwen3.8-27B 模型在 2D 空间视觉 Token 上直接进行密集掩码解码、体积分级和局部放大,无需外部 SAM 解码器。实验显示该方法在成人 CT 上将 Round 0 DSC 提升约 19.81 分点,并在儿科数据上实现 87.04% 的零样本分割精度,同时能安全地优化现有 2D nnU-Net 等基线模型。
针对视觉语言模型处理长交错输入时预填充耗时过长的问题,论文提出 SkimPrefill 方法。该方法利用一个未训练的小型混合模型(Qwen3.5-0.8B)在低分辨率下快速读取完整输入并筛选关键单元,将其作为精简提示词传递给目标大模型。
Reliable Tree Recruitment 框架利用 RGB UAV 正射影像,经最多五次迭代将阿克雷州保留树冠从约 500 增至 960、马兰昂州从约 700 增至超 3100。其树冠级 F1 达 92.2%,显著优于单任务与多任务 DeepLabV3 基线(分别为 53.5% 和 45.2%)。该方法仅需少量标注即可在热带森林中以消费级无人机低成本扩展物种库存。
针对标注昂贵且资源受限的复杂数据集,该研究提出基于 YOLO-World 特征聚类的主动学习框架,优化目标检测训练初期样本选择。在 Aquarium 和 NWPU VHR-10 数据集上,该方法使图像评估 mAP50 平均提升 6.6%,物体评估提升约 11%。算法实现代码已公开,验证了基础模型在早期循环中的优势。
该论文针对 Representation Alignment (REPA) 方法中固定监督层的局限,提出 AdaREPA 框架。该方法通过测量流匹配与对齐目标之间的梯度兼容性,以 softmax 分布在线采样最佳监督层,从而适应学生模型随训练进程变化的学习需求。实验表明,在 ImageNet-256 上,AdaREPA 能加速收敛并提升生成质量,且无额外推理成本。
针对全切片图像分析中平均分割精度掩盖局部失败的问题,本文提出 SCOUT 风险引导级联架构。该方法利用轻量审计网络评估分割误差分布并优先处理候选区域,结合冻结病理基础模型与初始掩膜进行非对称共识融合,以在减少漏检的同时限制假阳性。
OCTR2A 架构利用变高度对向角落 RGB 相机,在单张消费级 GPU 上以 10Hz 频率实现实时轨迹投影与预测。该方法在真实场景下达到 0.144/0.154 米 ADE/FDE,较 SIND 基准最强方法提升 66.7%/41.7%。研究配套开源了基于 Blender 的合成基准 R3ST++ 以支持特定站点微调与域适应。
该研究调查了权重编辑是否能改变模型在处理承诺与惠及更多人之间的权衡方式。在概念监督的文本模型中,通过调整拟合选择权重,使覆盖正式承诺所需的收益大于普通承诺。实验显示该方法在六种独立训练的文本阅读器上,对 100% 的目标普通冲突和 83.3% 的目标正式冲突均能选出较大群体,同时保留了小冲突的成功率和事实准确性。
CROMPT 提出一种针对语义分割的零样本域自适应框架,引入跨模态特征增强与渐进式难易适应策略。在两个基准数据集上,该方法相比强基线及最先进方法均取得提升,mIoU 增益达 1.63%-2.63% 且推理复杂度保持不变。该工作为恶劣天气下的鲁棒分割提供了高效解决方案,代码与论文已公开。
该论文提出 ActiveForager,这是一种针对直播视频的流式处理智能体,旨在解决严格内存和延迟限制下的问答问题。该方法维护一个干净的短工作窗口,仅在需要时按需收集额外证据(如放大高分辨率帧、回忆历史事件或等待未来帧)。
论文提出了 LookAway 方法,解决视觉语言模型在处理长视频时持续读取关键值缓存(KV cache)的高计算开销问题。该方法让模型先在视频中写下带时间戳的笔记以记录关键信息,随后在推理过程中隐藏视频 KV Cache。
本文提出一种教师监督的训练方法,首次证明连续时间扩散和流模型可在不存储图像的情况下从随机初始化进行训练。该方法让学生回归教师在滚动噪声样本池上的速度,通过随机步数推进轨迹获得独立、稠密且近似连续的噪声水平。实验涵盖 12 个来自 6 个家族的教师模型及 6 个数据集,在 CIFAR-10 上表现优于同规模标准训练,且学生网络可比教师小 4 倍。代码已公开。
该论文提出 SpiderMark 框架,结合频域算法注入与基于学习的概率验证,无需修改预训练扩散模型权重即可嵌入结构化蜘蛛网图案并实现高准确率检测。实验显示该方法在九种评估条件下八次达到最高固定阈值准确率,且对未见 COCO 提示保持强检测能力,同时 CLIP 相似度和 FID 测量表明其对提示对齐和图像质量分布影响较小。
针对 EEG/MEG 信号噪声大且个体差异显著的挑战,该研究提出统一框架,通过双流适配、频域校准及相位引导温度调制实现跨模态语义对齐。在 THINGS-EEG 和 THINGS-MEG 数据集的受试内与受试间设置下,该方法持续优于强基线。代码将于近期发布。
arXiv 论文 SEER 提出一种无需训练的测试时修复层,用于解决开放词汇语义分割中的局部结构化错误。该方法将后预测修复转化为证据条件化的标签传播,利用冻结的视觉语言模型验证闭集区域证据,并通过执行门控机制确认证据的可操作性。在八个标准基准上,SEER 在不更新 OVSS 权重的情况下将平均 mIoU 提升至 58.0。
Lamarck 模型通过增强专家网络与 Mahalanobis 路由器,在无需保留早期图像的情况下实现了免回放域增量学习。该方法在 CDDB-Hard 基准上将最终准确率提升 4.4 个点,并在十二个冻结骨干基线中领先 5.2 个点。该研究预印本已发布,代码与权重开放许可待定。
ReDraw 是一款两阶段视觉语言模型(VLM),将汉字修复重构为可缩放矢量图形(SVG)代码的生成与编辑任务。该模型利用骨架思维链推理及感知结构奖励的强化学习,在保持现有路径不变的前提下补全严重残缺笔画。研究构建了包含 1.2M 合成样本的数据流水线,并从 320 个标注真实字符衍生出最多 6,400 对适应样本以验证性能。代码与演示将在论文接收后开放。
APS 提出一种无需训练的框架,通过动态规划优化时间分区以适配查询帧相关性,在有限视觉预算下实现高效帧选择。实验表明该方法在 Video-MME、MLVU 和 LongVideoBench 基准上均优于均匀采样及其他竞争方法,且具备跨模型规模与架构的泛化性。
HyGeoBench 基于高光谱影像构建包含一万道题的诊断基准,从推理可靠性、先验证据对比及光谱判别三个维度评估多模态大模型局限。针对细粒度识别不足问题,HyGeoAgent 通过自适应工具使用整合区域观测与 PCA 分析实现性能提升。实验显示该框架在地质图像解译的各诊断维度均优于对应基线模型。
STAR++ 发布了一个包含约 170 万对通量一致图像对的基准,涵盖哈勃望远镜(HST)观测的 36 个滤镜。提出的 FISR++ 模型引入滤镜感知适配器(FAA)和空间模糊解耦损失(SADL),在保持通量准确的同时实现未见滤镜泛化。实验表明该方法在重建质量和物理一致性上均优于现有天文超分方法。
针对放射学中 CLIP 风格对比预训练中出现的零样本评估先升后降及大样本训练失效问题,作者提出这是由于未配对报告间存在临床事实重叠导致的目标误配。通过构建合成测试床验证该结构假设,论文提出了无需架构修改的 CorLIP 方法,仅在文本断言与图像一致时视为正样本。该方法消除了峰值后的性能退化,使大样本(B=2048)训练稳定收敛,并显著提升了数据增益,且可从胸部 X 光迁移至三维 CT 模态。
HHW-Ego 提出定制退化流程与两阶段增强框架,利用高光谱数据优化色温以解决可穿戴设备缺乏配对参考图导致的画质短板。该方案在包含 5000 组室内外昼夜场景的多源配对数据集上微调,显著提升了 Real-ESRGAN 和 PFT-SR 的 PSNR、SSIM 等指标并获人类偏好验证。
针对视觉语言模型难以关联不同视角图像的难题,该研究提出 ReSynth 方法,结合 Qwen3-VL-8B 的感知能力与 Qwen-Image-2.1 的生成编辑能力,通过局部编辑和视角生成分配前后可比及多图关系数据。
该研究指出 LiDAR 与相机的观测一致性并不等同于传感器内部几何的准确性,系统性的 LiDAR 高度偏差会被吸收到估计的外参中。作者利用同步的 LiDAR 强度和相机估算的棋盘格姿态,联合估计了跨记录共享的传感器特定高度修正及每个记录的外参。
arXiv 论文 TOMAS 针对第一人称视频中不同操作意图导致手部轨迹差异大的问题,提出了一种结合拓扑感知手物推理机制与自适应分阶段机制的新框架。该方法将手部骨骼结构与物体语义关联以推断潜在操作,并利用数据集特定的标注进行监督学习;同时引入可学习的时序边界组织未来动作,通过特定阶段的几何子目标引导轨迹细化。实验表明该模型在多个公开基准上实现了多维度和多目标手部运动预测的最优性能。
针对潜扩散模型中未受约束的潜在维度扩展易导致流形崎岖和漂移的问题,本文提出 Dual-Manifold VAE(DM-VAE),利用内部低维分支提取平滑拓扑骨架以锚定高维重构分支。
Angular Conditional Distillation(ACD)通过引入角坐标接口重构学生分类器,并采用尺度不变条件蒸馏过滤不可转移的绝对置信度。该方法作为通用即插即用方案,无需特征适配器或额外推理成本,在多项实验中超越现有知识蒸馏方法达到最先进水平。代码已公开于相关 GitHub 链接,适用于计算机视觉与人工智能领域。
该研究针对多模态大语言模型在多模态持续指令微调中易遗忘历史知识且忽视任务间异质性的问题,提出Coverage-Calibrated Expert Injection and Residual Arbitration框架(CIRA-MoE)。
针对传统方法忽略时间特征的问题,该研究提出融合速度与加速度信息的 XYPlot 和 Pairwise Distance 图像表征。在 Balabit、TWOS 等数据集的预印本研究中,结合位置感知的 2D-CNN 架构实现了最优效果,Balabit 测试集平均 EER 低至 5.21% 与 12.70%,TWOS 为 4.94%。
论文提出 SAGE(Sampling with Anisotropic Gaussian Expectation)方法,针对光流估计中的相关性特征计算问题,设计了基于各向异性高斯期望的特征采样方案。
针对矢量图形(SVG)生成模型逐 token 推理速度慢的问题,本文提出 Sightline 方法,通过匹配起草者视野的长窗口与宽泛草稿树进行投机解码。实验在 MMSVG、MMSVG-2M 和 SArena 等六个基准上验证,该方法在所有设置下均为最快的无损解码器,且能显著减少因循环结构导致的截断损失。代码与数据已公开。
ROBIN++提出一种从单域纠缠转向双域协同的设计范式,将频率域版权水印与空间域篡改水印解耦注入并耦合验证。该方法利用对抗优化算法在生成阶段最大化提取鲁棒性且无视觉伪影,同时通过内容感知扰动确保对局部篡改的高灵敏度。实验表明该模型显著优于现有方法,有效缓解了版权恢复与篡改定位之间的长期权衡矛盾,代码已公开。
该论文针对选择性状态空间模型(SSMs)在图像恢复中因线性化导致的扫描顺序敏感性难题,提出 CoScan 方法。该方法通过可微代理监督学习图像依赖的空间填充遍历路径,并引入多尺度构建策略与频率引导起始选择机制,以提升因果上下文形成效率。材料为 NeurIPS 2026 录用论文,在多个恢复基准上表现一致且开销低,代码将开源。
ReDiC 提出结合可恢复性代理与相对恢复难度的训练课程,仅调整退化生成策略而保持架构不变。该方法在合成基准上将 NAFNet、SwinIR 和 MambaIR 的平均 PSNR 提升约 2.5 dB,语义评分提高约 3 分。真实智能眼镜采集的 200 组数据经 LLM 与人工评估证实了进一步增益。
Isthmus 方法通过在网络损失和推理代码不变且无额外成本的前提下,将训练数据对沿时间三角形边缘补充 5%,成功修复了一步采样器丢失不确定性及不稳定的问题。该方法在 MRI 重建、人脸补全及 CIFAR-10 等任务上显著提升了校准度至 0.96 并恢复了与多步采样的相关性至 0.93,且训练时长延长三倍后效果依然稳健。
该研究通过无梯度权重空间编程,利用编码智能体在未告知位置的情况下,成功恢复了 SmolVLM-256M 和 LFM2-VL-450M 中因浮点精度导致的缩放行噪声。实验表明,仅靠统计证据提示即可引导修复受损权重并恢复模型准确率,但无法发现单纯交换行列且未改变存储值分布的故障。研究建议报告权重格式并包含舍入对照组以验证修复效果。