Uni-LaSpec:面向视觉语言模型的负载自适应推测解码方法
论文提出了 Uni-LaSpec 框架,通过复用验证器注意力机制和接受度感知训练优化草稿质量,并利用边际成本准则动态分配验证结构以适应不同 GPU 负载。实验显示该方法在六种视觉语言模型上平均保留超过 98.6% 的接受率,吞吐量提升最高达 5.11 倍,并在多种负载场景下优于固定验证策略。
推荐理由:该工作提出负载自适应推测解码框架,在六种大模型与十七项基准测试中验证了其在不同 GPU 负载下的效率提升。
论文提出了 Uni-LaSpec 框架,通过复用验证器注意力机制和接受度感知训练优化草稿质量,并利用边际成本准则动态分配验证结构以适应不同 GPU 负载。实验显示该方法在六种视觉语言模型上平均保留超过 98.6% 的接受率,吞吐量提升最高达 5.11 倍,并在多种负载场景下优于固定验证策略。
推荐理由:该工作提出负载自适应推测解码框架,在六种大模型与十七项基准测试中验证了其在不同 GPU 负载下的效率提升。
该论文提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元(约 320 倍减少),无需标签即可拟合全境。相比规则网格,新单元在匹配土地用途标签和作物声明时仅需其五分之一到四分之一数量的单元格;相比直接对卫星图像聚类,达到相同纯度所需的单元数减半。
推荐理由:该研究提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元,显著降低计算成本并支持全境建模。
政府机构常用作物图估算产量并制定政策,但验证标签常存在采样偏差(如只标注路边地块)。本文提出利用卫星嵌入估计权重的预测赋能推断(PPI)方法,结合未标记点预测与带权重标签误差进行修正。在五个欧洲区域实验中,该方法将最大评估误差从 0.18 降至 0.07;在肯尼亚无参考标签数据上,将路边数据集的宏观 F1 估计值从 0.93 校正至 0.61。代码已开源。
推荐理由:针对作物图评估中的采样偏差问题,提出基于卫星嵌入的加权预测赋能推断方法,在五个欧洲区域将最大误差从 0.18 降至 0.07。
Taurus 通过自动化流程将 CT 主动脉标注成本降至每例 1.22 美元,仅为 Claude Opus 5.5 的 47%,同时达到同等表面平滑度与主要指标。该工具利用固定规则修正自动标注错误并引入多选项纠错机制,使专家时间从绘图转向审核。研究基于六套公开数据集(939 个卷)的盲测验证,证明自动化框架比单纯依赖大模型更能提升效率。
VC-1K 是一个开源测试集,包含约 1000 段由消费级移动设备在多种条件下捕获的用户生成视频通话内容。该数据集涵盖不同设备、光照及室内外环境,并附带同步音频以支持多模态研究。通过对比 OpenH264、SVT-AV1 和 libaom 编码器以及 RealESRGAN、GFPGAN 超分方法的评估结果,VC-1K 被证实是实时通信视频处理与编码管线评测的有效基准。
针对超声数据集处理文档缺失影响模型性能的问题,研究训练小型卷积神经网络还原通用电气显示外观。该网络基于 8406 条记录在 CPU 上实时运行,测试平均绝对误差较最优逐点亮度图降低 43%。跨 EchoXFlow 和 CAMUS 数据集实验表明,未过滤训练配合过滤评估能获得最低平均 Dice 系数。
针对 AVS 神经视频压缩中跳帧模式缺乏率失真性能研究的问题,提出基于超先验与贝叶斯定理的 RDOSkip 自适应决策框架。该方案无需训练且复杂度增加可忽略,已在 AVS NVC 标准及参考软件中采纳。实验显示其在 AVS 和 HEVC 数据集上分别实现 0.90% 和 1.29% 的 BD-rate 节省。
EDAgent 通过 VisPlan(8B 参数模型)在报告合成前执行针对性视觉验证,记录统计结果并生成图表以确认分布特征。系统在 EDA-Bench 上对 87 份报告的真实性与视觉一致性评分达 87.4%,跨验证评分为 93.1%;VisPlan 在 VisEval 任务中将整体平均分从 Qwen3-8B 的 4.55 提升至 4.62。
InSARFlow 是一种基于黎曼流匹配的生成模型,专为干涉合成孔径雷达(InSAR)图像的去噪与生成设计。该方法直接在环面几何约束下学习分布传输,相比欧氏空间传统方法更尊重相位周期性且能产生有效估计。在受控合成数据集上的实验显示,该框架在去噪任务中持续优于现有基线,代码与权重已公开。
EgoActionBench 引入包含 1407 个片段与 41132 个人工精修标注的新基准,将连续操作拆解为左手、右手或双手关联的原子化动作。该基准通过检索候选并评估语义保真度与时序重叠,揭示当前模型在动作原子性、时间精度及手 - 动作关联上的局限。
PlantVLM-Edge 是一个可在资源受限边缘设备运行的量化视觉语言框架,支持离线对话式作物健康诊断。该框架在 NVIDIA Jetson AGX Orin 上验证了 Qwen3-VL-2B 和 LLaVA-1.5-7B 两种模型,其中 4-bit AWQ 量化方案在两个诊断域保留了 98.6% 的全精度回答质量并将权重内存减少 49%。
CAT-CKD 通过对比适配器训练与共识知识蒸馏,在冻结 ViT 骨干下仅需 430 万可训练参数,即无需访问源数据也能解决异构临床数据的域偏移问题。该方法在五个公开皮肤病灶数据集上平均 AUROC 达 86.1%,优于现有多源无监督域适应方法且避免灾难性遗忘。代码与论文已发布,适用于计算机视觉与医学影像分析领域。
Bg-Mix 通过分解训练图像的前景物体与背景并重排生成新样本,解决了电子显微镜病毒数据集小且标注稀疏的问题。该方法在两个数据集上测试显示,相比基线模型目标检测的平均精度均值(mAP)提升介于 +0.8 至 +3.3 个点之间。该研究证明了利用内容丰富的多样化背景进行数据增强能有效提升深度学习模型的泛化性能与训练数据多样性。
该文介绍 Intent2CAD 框架,旨在从自然语言描述生成可执行且具备可复用结构的 CAD 程序。研究构建了 IntentCAD-100K 数据集及 IntentCAD-Edit-1K 评测集,采用两阶段保守提升管道:语义提升将可靠原语组重写为特征级操作,参数化提升显式暴露轻量级参数关系。
PMS-SR 网络在单次前向传播中生成 x2、x4 和 x8 倍率结果,基于 Transformer 骨干网并在 DF2K 数据集上训练。该 7.95M 参数模型在 x4/x8 倍率下所有基准测试中 PSNR 均优于对比多尺度方法,且参数量仅为单尺度 SwinIR-M 的 22%、推理速度提升 2.9 倍。代码与预训练权重将在 IEEE 期刊接收后通过指定链接发布。
针对多模态检索中视图缺失、噪声或信息不均的问题,提出训练时超图融合框架,连接样本内及语义相关样本间的观测,使表示学习能利用跨样本证据且推理端无需额外成本。实验在 11 个零样本视频 - 文本和音频 - 文本检索基准上验证,加权配置 wRHG 在所有 34 次比较中优于 GRAM,并在 33/34 次比较中优于 HyperGRAM;缺失模态评估下,即使 90% 片段缺一种模态,仍保持正向增益。
本文介绍 ArabGeoText 基准数据集,覆盖利雅得和吉达的 970 个地点及 17,875 个标注实例,通过叠加 OSM 渲染图与遥感影像构建配对视图以支持跨背景评估。实验表明直接微调 Qwen3.5-4B 难以恢复所有标签,因此提出结合 YOLO26 定位裁剪与 LoRA 适配的框架,在图像视图和测试城市上均优于基线。数据集与代码将公开提供。
R$^2$-Omni 提出免训练框架,通过时空相似性整合视频与音频冗余表征,并依据量化键误差分配数值精度。实验显示该方法在长文生成基准上平均降低 5.0 倍显存占用,保留 97.98% 基线质量且实现 1.48 倍端到端加速。该成果发表于 arXiv,涵盖计算机视觉与模式识别领域。
HyperFlow 方法利用双曲空间表示土地覆盖的层级语义结构,结合 Busemann 原型将变化检测与类别增量分割耦合。该方法在 HiChange 大规模遥感数据集上验证了渐进式细化语义分类能提升检测性能。研究证明了增量学习在处理地理或时间维度变化的现实场景中的有效性。
论文提出了 Adaptive Probabilistic Gaussian Calibration (AdaPGC) 方法,旨在利用未标记的测试数据对预训练多模态模型进行分布外适应,以应对模态可靠性下降或模态完全不可用的情况。
针对户外三维目标检测在类别增量学习中泛化性不足的问题,本文首次统一分析了 KITTI 和 nuScenes 两个基准下的多阶段增量设置。研究揭示了现有检测器严重的旧类遗忘现象及稳定性与可塑性之间的权衡难题。
Renye Yan 和 Jikang Cheng 发表了一篇关于扩散模型优化的综述论文,指出当前优化主要依赖美学等可量化目标,往往无法准确对齐多维、动态的人类真实意图。文章系统分析了人类意图如何转化为优化目标并影响生成行为,讨论了自动化指标与用户主观判断之间的差距,旨在为面向人类偏好的个性化生成系统设计提供理论参考。
推荐理由:文章系统分析了人类意图在扩散模型优化中的表达与对齐问题,指出了现有指标与真实用户判断的差距。
该论文提出 Behavioral Affinity Transduction (BAT) 方法,旨在解决零样本视觉语言模型(VLM)独立评分时忽略图像间关联的问题。
推荐理由:BAT 方法利用零样本 VLM 的类响应特征构建稀疏图,为冻结模型提供邻居证据以提升分类准确率。
针对手术多模态大模型计算成本高且直接知识蒸馏在手术数据上不稳定的问题,作者提出 SurgPace 框架。该方法利用预测置信度和洛伦兹几何一致性估计样本复杂度,引导从易到难的连续训练过程;同时引入分层表示对齐机制,逐步将训练重心从模仿教师转向任务监督。
论文提出 VL-Dedup 方法,将图像 - 文本去重定义为分级多模态实体解析任务,旨在解决同一图像的多种描述、不同图像复用同一描述以及图文不匹配等四种情况。该方法先将同视觉实体的记录聚类并限制簇大小,再利用 VLM 和 CLIPScore 在簇内决定保留哪些描述并标记异常。
该预印本介绍了 VideoEditor-MoE,这是首个用于视频编辑的开源混合专家(MoE)框架。研究基于一个 50 亿参数的基座模型,将其扩展至 140 亿和 560 亿参数版本,每个 token 激活约 80 亿参数。
推荐理由:该预印本提出了首个开源视频编辑 MoE 框架,验证了路由注意力机制在保持全局交互下的扩展性优势。
论文将单像素成像中的自适应压缩感知任务重构为贝叶斯序贯最优实验设计(sOED)的强化学习问题,通过智能体学习策略直接映射当前图像后验信念到下一个最佳二值测量模式。研究评估了该框架在不同参数化下的可扩展性,并探讨了近似后验信息和噪声干扰对性能的影响,提出了针对生物医学应用的额外约束策略。
针对单一蒸馏方法局限,研究提出 EASD 框架,通过区域自适应采样策略协同高分辨率下的全局分布捕捉与低噪声区的细粒度监督。该方法基于 SiT-XL/2+REPA 模型在 ImageNet 256×256 数据集上实现一步生成 FID 为 1.39。代码与模型权重已公开,论文已被 NeurIPS 2026 接收。
Q-CamTuning 是一款针对直播场景构建的多模态大语言模型,旨在解决现有图像质量评估方法难以识别细微差异及缺乏细粒度解释的问题。该模型基于包含精细图像对偏好与全局局部视觉证据推理的 FGLive-Comments 指令微调数据集开发,采用渐进式感知 - 证据引导框架将质量问题映射至相机参数调整方向。
MS-DOTT 是一个包含长距三维传感、短距精细感知及 4D 雷达测速的非道路多模态数据集,覆盖正常光照、低照度与无光条件。研究团队利用该数据适配了最先进多传感器融合方法以进行通过性估计,旨在推动非结构化环境下的机器人感知与多传感器融合研发。
针对姿态驱动的人类视频扩散模型难以在大幅变姿时保持身份一致的问题,该研究提出一种无需主体视频、真实标签或地面真值的个性化方案。通过域调整的姿态条件生成器合成关键姿态下的伪真值帧,利用推理时的参考仅采样器引导候选帧以维持身份一致性,并基于静态片段训练每个主体的低秩适配器。
推荐理由:该工作提出在测试时利用自生成监督实现单图个性化视频扩散,无需主体视频或标签即可提升身份保持与动作一致性。
该论文提出 BRIDGE 方法,解决自监督学习中源数据长尾导致的表示稀疏问题。该方法利用冻结的图像生成模型为欠采样区域生成忠实变体,无需标签即可扩展预训练数据集。实验显示,在五个长尾、网络抓取和合成数据体制下,BRIDGE 在线性探测和 kNN 平均上优于对比方法,并能提升 ViT-S 下的对比学习和自蒸馏目标效果。
RouteREPA 提出利用依赖表示的路由器,自适应地分配任务导向表示以解决 Just Image Transformers (JiT) 中判别性对齐与像素生成间的冲突。在 ImageNet-1K (256x256) 实验显示,该方法在所有模型规模下均优于标准 REPA,且 JiT-H/16 仅需 PixelREPA 三分之一训练轮次即可超越其性能。
论文发现标准 InfoNCE 对比学习在扩散 Transformer 训练中因噪声捷径而收益有限,为此提出 Clean Representation-ANchored Contrastive (CRAN) 正则化方法。
推荐理由:针对扩散 Transformer 训练中 InfoNCE 对比学习失效问题,提出 CRAN 正则化方法以抑制噪声捷径并提升模型效果。
该研究评估了八种预训练单图像超分辨率(SISR)方法在红绿近红外(RGN)作物影像中的表现,未进行微调。实验显示 Transformer 基法(HAT、HiT-SR、SRFormer)在整体及叶片区域重建中显著优于 GAN 和扩散模型(p < 0.001),且能保持光谱保真度与植被指数可靠性。
论文提出了 ScaleDrive 框架,专门针对端到端自动驾驶进行预训练。该研究利用大规模互联网开放世界驾驶视频(无动作标注或基准特定数据)进行视频潜变量预测预训练,并在下游规划训练中冻结预训练编码器以隔离表示的可迁移性。实验表明,这种无动作的预训练能增强冻结表示中的时序和几何信息,且在多种端到端策略架构及闭环基准测试中均能提升性能并证明泛化能力。
针对软体抓取中多模态噪声大、语义模糊及数据稀缺的挑战,作者发布包含 100 个物体、1000 条连续轨迹及 74914 个样本的 Soma 数据集,以及用于评估冻结编码器迁移效果的独立结果集 Soma-Success。
该研究将金融文档识别形式化为风险约束的证据恢复问题,定义了涵盖文本、布局及语义关系的多层质量模型。论文提出基于关键域错误上置信度的非补偿性接受门限,并将选择性自动化建模为受审查容量限制的风险覆盖问题。工作仅具理论性质,未提供实证基准或模型性能声明,且正式确立了聚合分数无法认证关键域可靠性的命题。
针对视觉基础模型在多任务稠密预测中预训练语义不变性与几何目标频率偏差冲突的问题,论文提出 D2MoE 架构。该方法在冻结的 DINOv3 骨干网上引入任务通用低秩适配器(TG-LoRA)与任务自适应混合专家(TA-MoE),并耦合语义先验注入器以强化特征一致性。实验表明该结构化分解能在小参数量下实现稳健的多任务提升,论文已接受至 IEEE TPAMI。
针对现有低光照增强模型受限于非真实采集条件的问题,本文提出 3L-Dataset,这是一个通过模块化、传感器无关框架生成的物理校准低光图像和视频数据集。测试台架忠实复现了从满月(约 1000 mlx)到无月阴天夜(约 0.1 mlx)的 Midavaine 夜间等级标准,覆盖可见至近红外光谱及多种真实环境。