无需训练的合成目标检测数据评估指标:探测器性能的代理
针对合成图像用于扩充稀缺真实数据的目标检测任务,本文提出Conditional-Composition Domain Match (CCDM) 指标,可将特征空间距离转化为分层比较,在无需训练探测器的情况下对候选合成数据集进行排名。
针对合成图像用于扩充稀缺真实数据的目标检测任务,本文提出Conditional-Composition Domain Match (CCDM) 指标,可将特征空间距离转化为分层比较,在无需训练探测器的情况下对候选合成数据集进行排名。
该研究提出一种可微复合近似框架,联合校准多项式与数据自适应基函数以预测全尺寸 AUV 机动轨迹。方法引入转向运动电流估计补偿海洋流影响,在 7 米级 AUV 多工况海试中优于纯多项式、纯神经及冻结先验混合基线。论文已被 Ocean Engineering 接收,代码与权重开放许可。
arXiv 论文 DLWM 提出了一种结合潜在空间推理与强化学习的多模态推理框架。该方法构建多个候选视觉解释假设,利用正交性正则化防止假设坍缩,并通过资源感知策略动态分配计算以剪枝或合并路径。实验显示其在多项基准测试中准确率提升 2-5 点且显存占用降低 24%。
论文提出 LiftGS,将场景组织为粗糙高斯集合与细化树,利用共享细节向量编码父子节点间的非对称差异。实验显示该方法将冗余从 65% 以上降至 25% 以下,相比最先进方法减少传输负载和显存最多 2.4 倍和 5.5 倍,并在模拟流式交付中实现平滑质量过渡。
本文提出了 RPC-GS,这是首个原生支持有理多项式相机(RPC)模型的高斯泼溅框架,旨在解决现有方法因近似视角或仿射相机而导致的几何误差。该方法通过将 RPC 模型嵌入地理坐标变换链,并推导数值鲁棒的雅可比矩阵协方差投影,实现了更精确的重建。
针对多模态大模型微调后在跨域视频时序定位任务中表现下降的问题,本文提出 EVIDENT 参数高效适配框架。该框架利用预训练模型的固有实体注意力能力,通过实体瓶颈适配器、实体绑定蒸馏损失及实体到证据门控机制,将时序定位锚定在显式的视觉实体证据上,而非依赖数据集捷径。实验表明该方法能显著提升跨域鲁棒性并保留领域内性能。
针对指代分割任务中仅优化视觉语言模型而忽略分割工具的局限,本文提出 GRTO 框架,联合优化推理策略与可微分分割工具。该方法先在理论上对齐工具以生成鲁棒奖励信号,再扩展 GRPO 进行联合微调。实验显示,GRTO 在三个具有挑战性的基准测试上显著优于仅优化 VLM 的方法及替代方案,证明了统一强化学习与可微分辅助目标对高推理需求分割任务的价值。
针对深度学习模型数据饥渴问题,研究提出四种混合采样方法以同时选取易学与难学且具多样性的样本。实验表明,结合低置信度与高置信度样本的 LCD 方法在计算机视觉任务中 consistently 优于现有最先进方法。相关代码将在指定 URL 开放,该研究目前处于审稿状态。
针对现有视觉语言模型缺乏几何关系 grounding 而传统系统语义僵化的问题,本文提出结合道路基底(CRS)图基框架,实现几何结构与开放词汇语义的联合执行。研究证明,即使使用小参数模型配合少量 CRS 增强场景,也能在组合推理任务上获得稳定增益,且失败模式从关系理解转向属性识别,表明结构化监督是主要瓶颈而非模型规模。
针对真实图像中恶劣天气去除(AWR)面临的异质性与未见退化挑战,该研究提出 PVRF 统一框架。该方法整合零样本软天气感知与速度约束校正流细化,利用冻结视觉语言模型估计天气类型概率及低层属性分数,通过属性调制归一化和天气加权适配器条件化复原网络,并学习终端一致残差校正流以稳定训练。
Direct Cartesian Integration(DCI)在十张 512x512 图像实验中,将标准差均值比维持在 0.997,误差图空间均匀。相比之下,直接离散化的 Filtered Back Projection(FBP)导致标准差变化 -38% 至 +20%,并呈现径向“杯状”误差。
针对胰腺导管腺癌术前分期中血管侵犯评估缺乏公开数据且存在诊断模糊的问题,研究团队发布了包含每例扫描五名独立专家标注的 CURVAS-PDACVI 开放基准。该基准提出超越空间重叠的多指标评估框架,揭示单纯优化二元分割的方法在低共识复杂病例下性能下降,而建模专家分歧的概率模型能提供更可靠的校准概率图。这一发现凸显了体积准确率无法替代局部手术效用,推动了术前决策中不确定性感知概率模型的发展。
Graph-augmented U-Net 架构首次探索将图神经网络集成至瓶颈层,以解决金属激光粉末床熔融中因图像外观差异导致的分布外泛化难题。该模型在涉及不同晶格、材料及制造设置的两个案例研究中,相比传统 U-Net 和主动轮廓分割方法实现了更高的重建精度与一致性。初步异常检测实验表明,这种鲁棒性提升并未牺牲对几何偏差的敏感度,为异构制造条件下的可靠原位检测提供了新策略。
论文提出了 WorldComposer,这是一个自动化的生成式 Real2Sim2Real 框架,能将真实全景图映射为高保真、任务就绪的仿真环境,并合成具有场景和物体变化的多样化数字替身。
该方法提出双层向量量化框架,先关联细粒度子动作再聚合为动作级表示,主要利用空间线索重建输入骨架。扩展后的分层时空方案同时恢复骨架与时间戳,在 HuGaDB、LARa 和 BABEL 基准上建立无监督骨架时序动作分割的新最先进水平并降低片段长度偏差。
针对现有模型无法在连续视频流中实时注册新概念并检索其历史出现的问题,作者提出 PEARL 框架与 PSVU-Bench 基准。PSVU-Bench 包含 132 个带时间戳问题的视频,涵盖概念定义、实时状态识别及过去时刻问答任务。
AERR-Nav 提出一种动态调整状态的零样本物体导航框架,通过自适应探索 - 恢复 - 怀旧策略解决多楼层未知环境中的卡死与迷路问题。该方法在 HM3D 和 MP3D 基准测试中实现了零样本方法的最先进性能,并验证了快慢思考模式对平衡探索与推理的有效性。该手稿因需重大修订已被作者撤回,暂无 PDF 或代码开放许可。
SHAMISA 提出了一种非对比式自监督框架,通过显式的结构化关系监督从未标注失真图像中学习,无需 IQA 意见分数或对比损失。其组合式失真引擎能生成连续参数空间下的无限退化族并分组训练,实现了对表示相似性的精细控制。在合成、真实及跨数据集基准上的实验显示,该方法具备强整体性能、改进的迁移能力及有利的定性鲁棒性诊断。
该论文研究了仅通过运动数据进行模仿学习(MOIL)在估计人体生理合理关节力矩方面的局限性。实验对比了 MOIL 与引入地面反作用力和压力中心信息的动力学感知模仿学习(KAIL)框架,发现 KAIL 能显著降低垂直地面反作用力和质心的均方根误差,使髋、膝、踝关节力矩的估计更接近真实生物力学值。
该论文将移动环境形式化为上下文马尔可夫决策过程,构建了包含未见实例、模板和应用三个层级的上下文偏移基准 AndroidWorld-Generalization。研究发现,尽管强化学习在分布内提升了 UI-TARS-7B-SFT 和 Qwen3-VL-8B 等先验模型的性能,但随着泛化层级上升增益单调递减;而测试时自适应能有效恢复性能。作者开源了该基准、训练系统、配方及模型权重。
推荐理由:该研究量化了在线强化学习在移动 GUI 代理中的泛化边界,发现随着上下文偏移增加性能衰减,并验证了测试时自适应作为补充策略的有效性。
针对系留载荷运输受空间与能耗限制的问题,研究提出利用旋转平衡状态替代传统静态倾斜方案。该策略通过离心力提供水平张力,使四旋翼仅需产生垂直推力,相比静态提升可将功耗最高降低 20%。论文已提交至 ICRA 2027,包含 8 页正文与 9 张图示,代码暂未公开。
该综述系统梳理了基于多模态大语言模型(MLLM)的图表分析领域,构建了涵盖经典深度学习到先进融合策略的方法论演进图谱。研究通过引入标准与非标准基准的新分类法,揭示了当前模型在感知与推理方面的缺陷,并指出对齐技术与强化学习是未来提升认知能力的关键方向。
针对事件相机在自动驾驶和机器人领域面临的对抗样本威胁,本文提出了 MA-ADV 框架。这是首个利用点云表示来生成对抗事件的工作,通过扩散方法平滑扰动并结合 Adam 优化与二分搜索寻找最小成本扰动。实验表明该方法能以极小扰动实现 100% 的攻击成功率,揭示了未来基于事件的感知系统面临的关键安全挑战。
该论文提出 PANC 方法,旨在实现无需训练或微调的上下文图像分割任务。针对现有 ViT-token 谱方法在多目标场景易选错对象或在低语义纹理域不稳定的问题,PANC 通过向冻结 ViT 亲和图注入外部标注的前景/背景锚点节点来软性偏置归一化割特征空间,同时保留目标图像的亲和结构。
该研究发布 CausalSpatial 基准,评估多模态大语言模型在碰撞、兼容性、遮挡和轨迹预测等任务中的因果空间推理能力。结果显示人类得分为 84%,而 GPT-5 仅为 54%。
研究利用虚拟现实交接范式,发现提前明确动作需求及提供易协调的机器人运动信息能提升人机协作性能。平滑的速度曲线(如最小加加速度)在抓取前减速阶段显著改善效果,证实了运动学特征对协调行动的关键作用。该成果为设计更高效的人机协作系统提供了原理依据。
EgoControl 是一个基于扩散模型的姿态可控视频预测模型,利用新颖的姿态表示捕捉全局相机动态与关节运动。该模型在给定短序列帧和目标姿态时,能生成时序连贯且视觉逼真的未来帧,为具身智能体的可控制视频仿真奠定基础。
本文针对足式运动学与操作任务中逆动力学、模型预测控制及全身控制等模块对实时优化的需求,系统分析了内点法、主动集策略、算子分裂及增广拉格朗日等四类主流算法结构。研究通过公开基准测试对比了求解器的计算耗时、约束满足度与抗扰动鲁棒性,并探讨了针对固定结构问题的代码生成技术。
作者提出了 MonitorVLM,这是一个用于从监控视频流中直接检测安全违规的新型视觉 - 语言框架。
FedS2R 是首个针对自动驾驶合成到现实(synthetic-to-real)语义分割的联邦域泛化框架,由 Tao Lian 等人提出。该框架包含两个核心组件:一是针对不稳定类别的不一致性驱动数据增强策略,二是结合特征融合的多客户端知识蒸馏方案以从多个客户端模型中提炼全局模型。
该论文提出 Quicksviewer,这是一种采用新颖感知范式的大多模态模型(LMM)。它利用退火 Gumbel-Softmax 策略将非均匀冗余的视频动态划分为不同大小的立方体并进行统一重采样,实现了在线动态视频压缩。
I2I Backdoor 提出针对图像超分辨率和去噪等任务的通用对抗扰动触发器,实现网络在输入含触发时输出不当图像的隐蔽攻击。研究扩展至下游分类与检测任务,证明其对最先进架构有效且能绕过防御机制。论文已接受发表于 IEEE TDSC,代码与权重开放许可。
BiSRNet 针对资源受限移动设备,提出一种用于快照压缩成像(SCI)系统的高效高光谱图像恢复方法。该方法通过重设计二值化基座模型及引入自适应重分布卷积单元,在保持与全精度算法相当性能的同时优于现有二值化技术。代码、模型权重及 Hugging Face 在线演示均已公开。
Retinexformer 提出了一种名为 ORF 的单阶段框架,利用 Illumination-Guided Transformer 直接估计光照并恢复暗部噪声。该方法在十三个基准测试中显著优于最先进方法,且在线 Gradio 演示已在 Hugging Face 开放。代码、模型及结果均通过提供的链接公开可用。
MST++ 提出一种基于 Transformer 的新方法,利用 S-MSA 和 U 形 SST 结构解决 CNN 在长程依赖与自相似性上的局限。该方法在 NTIRE 2022 光谱重建挑战赛中获第一名,显著优于现有最先进方法。代码、预训练模型及 HuggingFace Gradio 演示均已公开。
CST 方法首次将高光谱稀疏性嵌入深度学习,通过谱感知筛选机制与定制哈希多头自注意力模块解决编码孔径快照光谱成像逆问题。实验显示该方法在捕捉长程依赖与非局部自相似性上显著优于最先进算法且计算成本更低。代码与模型将于 https URL 发布,Gradio 演示位于另一链接。
针对 Field Imaging Nanosatellite for Crop residue Hyperspectral Mapping (FINCH) 缺乏标准指数且真值数据集稀疏的挑战,研究通过解耦插补与丰度估计框架引入光谱先验知识。
论文提出一种基于 JEPA 的反事实世界模型架构,证明在无法观测完整世界的情况下,利用动力学连续性原理可从纯事实数据推导出反事实结果。该方法在四个渲染仿真器上将反事实 R^2 从 38%--46% 提升至 86%--96%,在水下车辆上达到 90%--94%;结合 DINOv2、DINOv3、SigLIP~2 等冻结编码器均有效。
推荐理由:证明无需反事实数据即可构建反事实世界模型,在四个渲染仿真器上将 R^2 提升至 86%--96%,并在水下车辆上验证有效性。
4D-TEMPO 是一种可微分物理渲染器,直接拟合原子、显微镜和探测器以重建电子计数。在模拟 WSe$_2$双层上,该方法将面内误差降低三分之一(3.2 vs. 4.8 pm),深度误差减少 40%-61%。实验验证显示其预测能力优于三种现有代码,且计算速度比基线快 180 倍。
论文介绍 Piccolo 系列多模态决策模型(0.8B 至 27B),其通过代理工程与递归自我改进让模型能力与训练数据协同进化,在通用文本与视觉判断、智能体编排、数据工作流及互动游戏中预测候选答案概率。