PerNodeDrop:平衡专用子网与正则化的深度神经网络方法
PerNodeDrop 是一种轻量级随机正则化方法,通过逐样本、逐节点扰动打破现有技术的噪声均匀性,在保留有益共适应的同时抑制虚假模式。该方法将权重丢弃操作从批次级别移至样本级别,有效缩小训练与验证性能差距并提升未见数据可靠性。实验表明,其在视觉、文本和音频基准测试上的泛化能力优于标准基于噪声的正则器。
PerNodeDrop 是一种轻量级随机正则化方法,通过逐样本、逐节点扰动打破现有技术的噪声均匀性,在保留有益共适应的同时抑制虚假模式。该方法将权重丢弃操作从批次级别移至样本级别,有效缩小训练与验证性能差距并提升未见数据可靠性。实验表明,其在视觉、文本和音频基准测试上的泛化能力优于标准基于噪声的正则器。
CAPT 提出一种结合类别感知与通用提示的双机制,解决非独立同分布数据与非均匀分布下视觉语言模型性能下降难题。该方法在 ImageNet-LT 和 Places-LT 基准上分别将整体准确率提升 6.1% 和 8.8%,显著优于现有最先进方法并增强尾部类别表现。该工作已获 ACM MM 2026 接收,相关代码与数据开放许可情况需查阅原文。
论文揭示掩码生成模型(MGMs)在适配强化学习时存在‘视觉探索陷阱’,即基于置信度的采样会牺牲主体多样性以优先解析低不确定性背景,导致生成空间过早坍缩。作者提出 MaskSense 框架,通过语义锚定路由采样机制保留高熵主体 token 的探索性,并利用全局熵转移锚定策略集中梯度更新于关键解码步骤。
arXiv 预印本论文介绍了一种名为 FBDM 的自监督表示学习框架,该方法通过非对抗性的速度回归联合训练编码器与辅助场,在三个 ResNet-18 基准测试中相比基于判别器的分布匹配方法提升了约 2.17 至 2.36 倍的每轮训练吞吐量,并额外占用约 0.21 GiB 峰值显存。
RSPDBench 是一个基于物理的遥感产品退化基准,用于评估视觉基础模型在包含空间、辐射、配准等缺陷的真实地球观测产品上的表现。该基准遵循 Sentinel-2 和 Landsat 8 规范,对七个基础模型及两个监督基线进行了测试,发现分辨率编码器和辐射增益的敏感性结构不同,且复合退化会导致性能大幅下降。
该论文针对视觉定位(VG)中收集自然语言描述及区域标注成本高昂的问题,提出了一种无需原始文本的主动学习框架。方法利用基础模型生成辅助区域 - 文本对,引入“指代区域模糊度”新获取函数以优先选择存在跨区域竞争的图片,并设计了高效的标注界面。实验表明该方法在 RIS 和 REC 基准上优于现有基线,用户研究显示描述标注速度最高提升 1.6 倍。
arXiv 发布了一个包含 2022 至 2026 年欧洲 E 级路网车辆速度的数据集,数据源自 Copernicus Sentinel-2 Level-2A 卫星光学影像。
针对异构成像域下红外小目标检测任务中语义丢失导致泛化性差的问题,本文提出“先理解后检测”范式及 JinSight 模型。该模型通过语言监督构建全局红外目标理解,并将跨域表征迁移至精确检测;引入潜在语义交互机制在低秩空间交换全局语义与细粒度特征。此外,构建了 OmniIRST-VL 数据集,包含超 3.9 万条标注的六类指令任务,涵盖场景级理解与以目标为中心的推理。
WaiT 是一种感知频率的流匹配图像 Transformer,利用无损小波将生成分解为粗粒和细粒度频带,让高频噪声在低频结构出现前保持纯净以等待信号。该模型在 ImageNet 512x512 上实现了像素空间 FID 1.3 的新纪录,并在纹理保真度上优于最强的潜在空间模型。
该研究针对冻结的视觉语言模型(VLM)中常见的可学习门控机制进行了实验,发现跨熵微调下优化器总是将门关闭。通过双曲视觉关系图实验,作者归因于梯度死亡和负效用两种机制。消融测试表明,未归一化的门控前缀在推理时有害,而规范对齐设计行为上关闭但保留生成能力。研究开源了实现、检查点和结果文件。
Ocular Verification for Virtual Reality 研究针对 Meta Quest、Apple Vision Pro 等 VR 头显在 unconstrained acquisition 场景下的生物特征认证瓶颈,评估了 ISO/IEC 29794-6 指标局限性并引入生成模型处理离轴注视与非均匀光照。
CrosInv 提出了一种解决现有可逆神经网络存在单尺度特征提取及非线性表示能力不足问题的新架构。该模型通过引入跨尺度可逆模块与不可逆交叉稠密模块,利用像素重排和 Haar 小波变换实现空间频率信息的协同融合。实验验证表明,CrosInv 在同等分辨率下能显著提升图像隐藏后的视觉质量并有效完成消息隐蔽与还原任务。
该研究提出融合轻量级生成对抗网络(GAN)姿态前置化与忆阻器神经形态识别的人脸框架,在两个数据集上针对非正面视角变化实现了最高 96% 的识别准确率。此方法有效缓解了传统 AI 的计算瓶颈,为无人机等资源受限平台提供可扩展的高效解决方案。论文已上传至 arXiv,相关代码与数据许可状态未明确说明。
GWFP(Global Wildfire Prevention Dataset)是一个包含火焰、烟雾及水雾/浓烟等环境条件的大规模开源图像和视频数据集。该数据集涵盖全球真实场景的地理多样性数据,并包含近红外影像及困难负样本以评估模型鲁棒性。相关基准测试在 IEEE ICIP 2026 HydroImaging Workshop 发表,代码与数据已在 Kaggle 开放获取。
论文提出 SaluNet 架构,利用饱和自适应线性单元(SALU)替代传统归一化层,通过调整点算子的几何属性来稳定信号传播。实验表明该方法在 CIFAR-100 上优于孤立替换方案,支持 Batch Size 为 1 的训练,并在 ImageNet-1K 上成功扩展至 ResNet-50 和 ViT-B/16 模型。
论文针对医院脱敏胸部 X 光片公开但报告受限的场景,提出“选择性链接精度”指标以衡量 VLM 利用图像和元数据匹配报告的攻击能力。实验显示,在仅用性别、年龄和投照方式过滤后,MedSigLIP-448 的精度可达 67.68%;若加入获取年份属性,精度升至 99.05%。研究还发现扩大数据集规模会降低精度,且微调头部无法降低该风险。
针对单图估计日常物体 9D 姿态因缺乏大规模监督而困难的挑战,作者发布了 Every9D-22M 数据集。该数据集包含来自 11.4 万个以物体为中心的视频的 2280 万张真实图像,覆盖 630 个类别。
论文介绍 MERIS 框架,用于在计算与时序预算有限的动态机器人环境中执行变化的有向无环图(DAG)工作负载。该方法结合比例中间截止时间、MIMONet 感知的图细化及事件驱动同步,明确区分应用 DAG、内部编解码器图和细化调度图的三种表示形式。
论文提出 ReLATE 方法,通过可学习锚点定义图像块和文本 token 的相对表示,仅优化锚点即可实现冻结编码器间的对齐。在 13 个通用领域基准上优于对比的后验对齐方法,并在病理学零样本分类任务中达到或超过专用模型性能。
该论文提出了Aes3D框架,包含首个专注于3D场景美学评估的数据集Aesthetic3D和轻量级模型Aes3DGSNet。该方法直接基于3D高斯原语预测场景级美学分数,无需渲染多视角图像,从而降低了计算成本和硬件要求。实验表明该方法在保持轻量设计的同时实现了优异性能,为3D场景美学评估建立了新基准。
针对动态点云预训练受限于掩码重建目标导致的时空位置泄露及多模态轨迹不确定性坍塌问题,本文提出 Diffusion Masked Pretraining (DiMP) 框架。
针对多模态模型遗忘(Machine Unlearning)缺乏有效评估的问题,本研究提出有效性门控审计(VGUA),通过检查数据泄露、评分器正确性与代码实现来验证评估管道。
针对多亿参数扩散 Transformer 难以通过梯度微调去除不想要概念的痛点,作者提出 SHIFT 框架。该方法无需更新模型权重,仅通过在推理阶段对中间激活进行定向操作来实现概念抑制。单个时间无关的引导向量可泛化至所有去噪步长,且蒸馏模型的向量可有效迁移至非蒸馏版本。实验表明,SHIFT 在实现强概念抑制的同时保留了提示保真度和图像质量,并支持灵活的对象与风格控制。
针对自动车牌识别系统在低质量成像和安装不佳场景下的挑战,该工作将原有基准数据集规模扩大至原来的三倍以上,新增两天采集数据并修正标注错误。研究引入了车牌级、车辆级和图片级的细粒度标注,包括文本、可读性等级、车型颜色及相机身份等。
论文提出一种基于分数的插拔式(PnP)框架解释,证明可直接利用预训练分数基扩散模型作为先验,无需反向扩散采样。通过引入随机重噪声机制,该方法在严重不适定的逆任务中优化高斯平滑目标并避免严格鞍点。实验在多线圈 MRI 重建和大掩码图像修复等挑战任务上,相比传统 PnP 方法表现一致提升,性能与基于扩散的求解器竞争。
该 arXiv 位置论文主张现代视觉系统评估不应再主要依赖单一图像质量基准,因客观指标已偏离人类感知与用户偏好。文章呼吁在保留指标的同时,转向更以人为本、情境感知及细粒度的评估范式,以规避对创新与科研方向的误导风险。
TeCoNeRV 方法通过空间与时间分解权重预测、基于残差的存储方案及时间一致性正则化,解决了高帧率视频编码效率低的问题。该方法在 UVG 数据集上相比基线分别在 480p 和 720p 分辨率下提升 PSNR 达 2.47dB 与 4.94dB,比特率降低 36% 且编码速度提升 1.5-3 倍。
针对流式模型在强化学习微调中易产生视觉幻觉的问题,本文分析了由随机微分方程采样导致的细粒度过度优化及轨迹模仿引发的跨步不一致性两大成因。作者提出 DGPO 框架,通过动态粒度采样平衡全局与局部细节,并利用一致策略梯度优化保持稳定性。实验显示该方法将低/高层幻觉分别降低 49% 和 38%,域外指标平均提升 4.9%。
论文介绍 TuneCLIP 框架,旨在利用现有自监督数据集提升开源 CLIP 模型在多种下游任务上的通用性能,解决标准训练协议导致的性能退化问题。该框架包含两个关键组件:一是基于理论分析的预热阶段以恢复优化统计并减少冷启动偏差;二是微调阶段通过优化新的对比损失来减轻对假负样本对的惩罚。
ErodedFace 通过参考视频预处理策略,解决现有图像防御无法适配视频基础 3D 换脸且计算开销大的问题。该框架采用两阶段课程学习机制,在保持防护强度的同时实现生成速度提升 10.0 倍。实验表明其能有效抵御未经授权的 3D 换脸攻击及常见变换与净化方法。
论文提出 A-TPT 框架,旨在解决现有测试时提示微调(TPT)方法中类间文本特征角度分离不足的问题。该方法通过在单位超球面上最大化特征对的最小成角距离,促使归一化文本特征分布均匀,从而在保持准确率的同时显著降低校准误差。
作者提出 MedQ-Bench 基准,涵盖 5 种成像模态和 40 余项质量属性,包含 2,600 个专家标注的感知查询与 708 个样本的描述任务。对 23 个 SOTA MLLM 的评估显示当前模型能力初步且不稳定,突显了针对医疗 IQA 进行优化的紧迫性。
针对 ControlNet++ 仅在去噪后期引入一致性损失的局限,本文提出 InnerControl 训练策略。该方法通过轻量卷积探针从包括高噪声阶段在内的扩散过程中间特征重建输入控制信号(如边缘、深度),生成伪真值以最小化整个轨迹上的对齐差异。实验表明该方法在保持感知保真度的同时提升了控制对齐效果,适用于 UNet 和 Transformer 架构及多种条件方法。
针对现有跨光谱图像块匹配方法依赖复杂关系提取结构导致性能瓶颈的问题,本文首次尝试在特征差异学习与欧氏距离描述符学习之间建立稳定高效的桥梁。作者构建了知识引导学习网络(KGL-Net),通过探索 20 种组合架构、设计特征引导损失函数以及提出针对度量学习的硬负样本挖掘策略(HNSM-M)来确保稳定性与效率。实验表明,该方法在多个数据集上取得了最先进性能,且代码已公开。
Bukva 是首个面向俄语手语字母(RSL dactyl)识别的完整开源视频数据集,包含 3,757 个视频及 155 位听障专家参与采集的动态样本。研究利用 TSM 模块处理动静符号,在仅用 CPU 推理下实现 83.6% 的首选准确率。该数据集、演示代码与预训练模型已公开可用,论文已被 EMNLP 2026 WSLP 接收。
针对多源遥感数据分类中难以联合建模长程依赖与异质模态共享空间模式的挑战,作者提出了共享模式协作网络(SPCNet)。该方法设计了引入共享大核算子与动态卷积分支的共享模式协作块以捕捉通用结构,并开发了区域自适应模态分配器进行特征融合。在 Houston2013、Augsburg 和 Houston2018 数据集上的实验表明其性能优于现有方法,代码将公开。
推荐理由:提出共享模式协作网络解决多源遥感数据分类难题,代码将公开。
LipLingo 是一种基于 LipNet 架构的稳健唇读系统,通过标准化预处理、旋转验证及灵活相似度评估解决说话人变化与发音相似挑战。该模型结合三维卷积层与双向循环层,在 GRID 数据集上达到 95.0% 字符级准确率(CER 4.99%)和 87.2% 句级准确率,优于基线 LipNet。此预印本工作为未来真实场景部署提供了增强鲁棒性的策略洞察。
论文系统发现视觉生成模型中,强化学习(RL)后训练带来的单样本质量提升并不总能随测试时采样预算增加而转移;在高采样预算下,RL 增益可能衰减甚至反转。作者提出 Quantile Utility Policy Optimization (QUPO) 方法,通过优化不同推理预算对应的分位数效用混合,在保持高质量尾部输出的同时显著提升对困难提示的扩展能力。
针对现有 Lipschitz 常数或 Hessian 曲率无法捕捉真实扰动下模型响应变化的问题,本文提出有限差分粗糙度谱(finite-difference roughness spectrum),将标量平滑性与方向性曲率统一在贝索夫理论框架下。
推荐理由:提出有限差分粗糙度谱理论,在图像分类与量化分配中验证了其对噪声鲁棒性与混合精度分配的改进效果。
针对 ImageNet 预训练的 ResNet50 等五款 CNN,在 ACRIMA、ORIGA、RIM-ONE DL 三个眼底数据集上发现域内 AUC 为 0.913,跨源 AUC 降至 0.702。色彩归一化与强增强将 AUC 降幅从 0.211 减至约 0.16,但无法消除性能下降。研究强调需报告外部验证并检查操作阈值,而非仅依赖 AUC 指标。