Conformal Point 与 Calibrated Conic:计算机视觉中的几何可视化新方法
Richard Hartley 在 arXiv 发布预印本论文,阐述 conformal point 和 calibrating conic 及其相互关系。该方法用于直观计算图像角度与方向等几何属性,并修正了前版小错误。代码与数据暂未开放,仅提供 PDF 与 HTML 实验性预览。
Richard Hartley 在 arXiv 发布预印本论文,阐述 conformal point 和 calibrating conic 及其相互关系。该方法用于直观计算图像角度与方向等几何属性,并修正了前版小错误。代码与数据暂未开放,仅提供 PDF 与 HTML 实验性预览。
该论文针对无图轨迹预测中缺乏道路拓扑先验的挑战,提出了以目标条件化专家路由 Transformer(GCERT)为核心的框架。方法首先通过中心化移动平均分解历史运动特征为平滑趋势与局部残差,随后利用双级专家路由机制生成交互特定消息并自适应变换节点状态。最终将多模态未来轨迹与回归、分类及目标预测目标联合优化。材料仅包含预印本摘要与技术细节,未涉及真实部署结果或同行评审状态。
PathoGaze1.0 数据集收录了 11 名病理学家在两个月内对 397 张 CAMELYON16 乳腺淋巴结全切片图像的诊断行为,包含 18.69 小时眼动数据、171,909 次注视点及 1,140 个诊断决策。
该论文针对现有大视觉语言模型在视频时序定位任务中依赖结果监督导致的幻觉问题,提出 TAR 框架。该方法引入时间锚点作为透明可审计的检查机制,强制思维链过程持续对齐视觉证据并迭代校准预测,显著提升了推理的忠实度与最终准确率。研究还展示了利用标准 7B 模型自动采集高质量思维链数据的自举范式,实验表明其在视频时序定位任务上达到最先进水平且生成自主、渐进优化的推理痕迹。
该方法提出一种新型自监督深度补全范式,仅需稀疏深度测量及对应图像即可训练,无需密集标签或邻视点序列。通过利用深度分布特性设计新损失函数并融合视觉基础模型分割图,有效将观测点信息传播至未观测区域。实验证明该方法在静态或单帧场景下能有效恢复稠密深度,但论文已被作者撤回且无 PDF 可用。
该研究提出了一种将肤色表示为连续属性而非类别的方法,并为每个样本分配非线性权重以改善分类公平性。在两个皮肤病数据集上的评估显示,该方法比传统的类别重加权具有更稳定的公平性提升效果,同时保持了整体分类性能。材料仅提供了预印本摘要和链接,未包含完整的实验细节或真实世界部署结果。
作者提出 RTime-QA 基准,利用时间反转的视频对和相同文本但答案不同的问题,检验多模态大模型是否真正感知事件在时间上的展开。该基准包含 8,420 个问题,涵盖快速评估、核心难例及连续事件等子集。
推荐理由:该基准通过时间反转视频对,验证多模态大模型是否真正感知事件时序而非仅依赖单帧或语言先验。
该论文由 Xinyu Zhou 于 2026-11-18 正式撤回,未提供 PDF 及任何实验数据。文中提出的基于纳米机器人队列、成员通信与计算机视觉图像分类的癌症协同治疗理想模型,因缺乏理论保证和实证支持而被判定为高概念笔记而非有效研究。
作者提出了一种仅需黑盒采样和语义嵌入访问的无失真语义水印算法,形式化保证了水印不会降低生成输出质量。该方法克服了传统方法对模型白盒属性或特定扩散机制的依赖,通过训练专用图像编码器在内容保持变换下实现鲁棒检测与独立样本区分,并在开源及闭源模型上验证了有效性。
该研究提出 GIB-200K 基准,包含 20 万图文问答样本及噪声、模糊和图文冲突等压力条件,用于评估模型在证据失效时的模态组合行为。研究发现主流开源模型存在知识惯性或感官捕获偏差,部分正确回答会因检索文档错误而被放弃。所有实例输出、代码及审计工具已公开。
针对长视频问答基准(如 Video-MME-v2)统一分配帧预算导致证据需求不匹配的问题,本文提出 FrameRouter 框架。该方法无需训练,结合证据需求路由器、预算约束分配规则及冻结的帧采样策略库,在保持平均视觉预算不变的情况下,为不同问题动态分配差异化的帧预算,从而更有效地利用计算资源提升长视频理解性能。代码已开源。
CodeReel 是一种无需训练的代理执行层,利用精确帧复用和阻塞感知调度将代码生成视频的等待时间较 Rebuild 基准降低 36.3%,较 Sequential 流程降低 57.9%。该方法在五个模型与两个框架上验证有效,使 Claude Code 和 Codex CLI 的构建中位等待时间分别降至原水平的 0.62 倍和 0.67 倍。
针对硬件限制导致的低分辨率湍流数据,该研究提出一种架构无关的高维空间物理耦合算子,将标准卷积扩展至联合时空维度以显式捕捉变量间局部交互。实验表明该方法在极度稀疏条件下具备强重建性能与零样本泛化能力,为三维湍流建模提供了物理感知的归纳偏置。
针对专有零件不愿外泄及小团队算力受限的问题,研究提出 CADMAGEDDON,这是一个可在单显卡或当前代笔记本本地运行的开源智能体。该方法将复杂任务拆解为关于构建与修正的简单视觉决策链,利用几何工具支持精确构造,使智能体专注于视觉推理。
该研究利用十个公开数据集(约 20,000 名评价者)提出三种嵌套生成模型,分析人脸、艺术品等判断中个体差异的形态。结果显示,人脸判断仅需重加权即可恢复,而艺术品判断中 28% 的评价者位于与群体相反的一侧。研究证实个体差异不仅存在大小之分,其形状还取决于领域和评价者样本。
该论文系统分析了视觉语言模型的预训练动力学,提出了一种统一的缩放定律来描述不同数据混合比例、训练步数和模型规模下的损失变化。研究发现,在固定数据预算下,早融合能保持文本性能而晚融合偏向视觉性能,且随着模型规模扩大,权衡趋势逐渐向早融合倾斜。实验证实该定律能有效预测多模态学习动态并指导融合决策选择。
针对现有水印验证无法区分证据归属特定视觉实例的问题,论文提出 TetherMark 方法以防御跨实例移植攻击。该方法结合消息检查与关系检查,后者利用秘密补丁对选择、注册响应及自然对应传输来测试一致性。
该研究利用语言模型构建可执行的权重更新以进行扩散模型概念编辑,但在 Stable Diffusion 1.4 的 24 个预注册测试中未优于强基线。探索性对比显示,Astra 程序在需主体存在的全图目标匹配任务上,单步成功率较共享面板基线提升 10.0 分,而 CLIP 相对匹配无显著变化。结果证实程序构建与分数引导修订应作为 WSP 流水线中独立评估的阶段。
该论文指出医疗智能体默认接受工具返回结果作为证据会导致错误,提出证据治理(Evidence Governance)框架,通过独立检查器筛选有效证据,在眼底青光眼筛查和胸部 X 光肺炎分类任务上表现优于现有工具增强模型。
LoCaR 是一个无需训练的框架,利用冻结的视觉语言模型与独立 SAM2 提案构建局部图像表示以优化小物体检索。研究引入基于 Visual Genome 的 LOCFG 基准进行评测,结果显示提升区域表征本身是主要增益来源。该工作涵盖零样本及局部检索任务,代码或权重开放许可情况未明确说明。
论文发布 VTT 数据集与基准,包含 1,431 辆车、174 种型号的约 9,062 次驾驶记录(约 3,950 小时),用于从运动轨迹和 CAN 信号识别车辆尺寸与动力类型。
针对专家修正预测(如乳腺超声 BI-RADS 描述)时“降低伤害”指标可能误导的问题,研究者提出一种可复现的修正审计协议。该协议在三个乳腺超声数据源上验证发现,单纯追求低伤害会牺牲有用增益并推高负对数似然;仅在结合有用增益、绝对风险及起始预测共同解读时,“降低伤害”才真正代表更好的修正效果。
FM-Mamba 提出了一种基于 Fornasini--Marchesini 模型的原生二维选择性状态空间架构,通过耦合递推沿双轴演化并自适应调整步长以抑制局部放大。该模型采用双对角波前扫描执行,无需将特征图展平或固定缩放因子,代码已开源。
论文介绍 PromptPack 方法,为扩散编辑器配备两种明确‘编辑指南’:像素级编辑角色分区(保持/允许/修改)和区域提示分配(将空间区域映射到文本提示)。该方法无需重训练,可将独立嵌入的区域提示注入固定长度文本序列,利用编辑指南在空间上掩蔽注意力、门控流更新并恢复受保护源像素。
VisHead-Spec 通过仅让 8 个 KV 头读取目标模型顶层图像特征,在 Qwen3-VL-8B 和 MMSpec 上实现了优于 DSpark 基线的推理加速。该方案将批处理量为 64 时的吞吐量增益提升至 16.0%,同时保持接受长度误差低于 0.3%。此预印本论文(arXiv:2611.21839)解决了高并发下多模态推测解码速度提升不足的问题。
Spool 是一种无需训练的框架,通过缓存每帧状态变换并高效组合,在移除过期帧时避免重播骨干网络。该方案在五个开源混合 VLM 及四个视频推理基准的 20 组测试中,将 p95 首 token 延迟降低 6.6 倍且准确率平均提升 2.3 个百分点。
EviSlide-MIL 提出一种结合每类多个可学习查询与共享预测模块的框架,解决全切片图像在引入新肿瘤亚型时的知识遗忘问题。该模型通过冻结历史查询、经验回放及知识蒸馏,在 TCGA 八种肿瘤亚型数据集上实现了优于竞品的性能并降低遗忘。代码与预训练模型将发布,适用于弱监督下的癌症诊断场景。
ID-MAE 模型通过结合 gaze 与轨迹重建的自监督目标,在 DIVERT 数据集上将损伤检测配对 AUC 从 0.590 提升至 0.706。该研究利用包含 103 小时数据、涵盖十种认知/视觉/情绪诱导的仿真数据集验证了多模态输入的有效性。代码与数据将在论文被 CVPR 2027 接收后开放,相关成果已提交至会议评审。
arXiv:2611.23209 论文提出利用人类注视数据作为先验来引导 VLM 的视觉推理,在图表理解、视觉搜索和计数等任务中表现优于全序列监督。作者收集了 7,109 次人类注视试验并训练了 GGR(Gaze-Guided Reasoner)模型,该模型实现了更高的人类对齐度和更可靠的视觉定位,同时匹配或超越了领先的基线准确率。
该研究识别出视觉语言模型(VLM)在无明确请求下通过解释视觉事件提供有害协助的“场景状态安全隐患”。作者构建了包含 375 个图像 - 问题对的 SceneSafetyBench,涵盖初始、中等和终极三种场景状态及五种视觉呈现形式。
该论文提出 Any2Building 模型,旨在从部分点云、俯视图或两者结合中重建 LoD2 精度建筑。核心采用基于占据的共享空间查询表示法,在公共三维网格内对齐几何与视觉线索,并通过体素条件表面生成及低多边形重网格化管线输出紧凑模型。
该研究发现偏好优化(PO)在降低大视觉语言模型物体幻觉的同时,也显著降低了物体命名数量。研究证明,通过调整序列结束概率即可复现大部分召回率增益,而无需训练。作者提出一种基座引导的物体类别恢复方法,在不增加幻觉的前提下将 PO 模型的召回率提升至接近基座模型水平。
arXiv 预印本介绍了一种结合动态活动与特征临时关联的图像工作记忆模型。该模型在五个任务上接受训练,包括样本记忆、分类干扰项以及判断图像新旧。同一模型由明确提示引导完成不同任务,结果显示延迟对样本记忆影响小,但看到更多图像会增加误报率;在多问任务中正确回答概率随问题数量增加而下降。材料为预印本,未提及同行评审状态或真实机器人部署结果。
该方法通过解码器微分进行归因,解决传统方法在角度、注视方向等预测中因固定解码器丢弃坐标变化而导致的错误归因问题。实验显示,在 MPIIGaze 数据上其 Tangent Grad-CAM 使像素删除后的预测位移提升 44%,PASCAL3D+ 任务下平均删除位移分别优于基线 14.1 度和 13.8 度。该研究区分了径向污染与标量化损失两种失效来源,并指出不变性归因仍需结合删除性能检查。
TextSphere 是一种将语言条件与跨模态对齐引入 Sphere Encoder 的高效文生图框架。该方法利用预训练 CLIP 嵌入引导生成,并通过 SSAU 目标优化超球面上的语义对齐与表示均匀性。在 CUB-200-2011、MS-COCO-2014 和 Flickr30k 数据集上,仅需 4 至 6 步采样即可将 gFID 降至基线以下且 rFID 低于 1.0。
VIVID 提出通过帧间 Patch Diffs 和动态 Token 解决视频 MLLM 在有限帧预算下丢失局部运动与事件顺序的问题。该模型仅在冻结的 27B 骨干网络上增加 0.22% 可训练参数,利用 3 fps 池自主规划关键帧并在零额外锚点开销下运行。
GameRealm 是一个包含超 1.2 亿 RGB 帧和 1000 小时游戏录像的大规模数据集,提供深度、相机参数及音频等多模态同步监督。该资源涵盖单目至全景等多种视图配置,旨在解决训练数据碎片化问题并增强视觉生成与几何学习能力。其统一采集管线结合人工交互与智能体探索,为物理智能发展提供了可复用的基础数据支撑。
Nunchi 框架通过结合转录文本与说话人模型输出,利用视觉语言模型权衡几何视线与对话线索以精准识别多人场景中的注视对象。在包含 3,340 个样本的 SORBET 基准测试中,该方法比最强现有方法准确率提升 4.8 个百分点,且增益在三种 VLM 及自动转录条件下均成立。
论文介绍 LUTBench 基准,收集91个三维查找表(3D LUT)定义摄影风格,并在5000张 MIT-Adobe FiveK 照片上生成45.5万对输入 - 目标图像对。
Event-Based Dynamic Lip Region Estimation During Speech 提出基于事件相机的动态唇区预测方法,在低光照等挑战环境下实现高精度定位。