SASFormer:一种用于全合一盲图像恢复的感知阶段选择性注意力 Transformer
SASFormer 提出了一种针对多种退化类型的统一图像恢复模型,通过编码器混合注意力和解码器自适应选择性注意力解决不同阶段的表征需求。在 3、5 和 11 种退化设置下的实验表明,该方法在保持参数效率的同时实现了优异的恢复性能。
SASFormer 提出了一种针对多种退化类型的统一图像恢复模型,通过编码器混合注意力和解码器自适应选择性注意力解决不同阶段的表征需求。在 3、5 和 11 种退化设置下的实验表明,该方法在保持参数效率的同时实现了优异的恢复性能。
该研究针对宽域超光谱调查生成的土地覆盖图在类别边界和模糊区域可靠性低的问题,提出利用集成分类器的像素级不确定性表面来指导有限次实地核查的策略。通过在七个基准场景中验证,该方法选取的高不确定性像素包含的错误数量是整体场景的 2.6 至 7.9 倍;使用贪心视野感知覆盖策略仅需 15 个站点即可覆盖高达 57% 的分类器错误,效率是不确定性无关采样的 1.7 至 18 倍。
作者提出了 Real-VAS 数据集,这是一个大规模、零样本评估基准,由合成的现实图像视频构成。该工作引入了一种新颖的数据生成管线,能从单一无遮挡源程序化地生成包含物体掩码、遮挡边界和合成图像的精确无遮挡真值,无需人工估计或昂贵的三维重建。
针对机器人部署产生海量高维数据难以分析的痛点,本文提出行为图方法,通过识别相似行为模式、连接时序并关联结果,将策略 rollout 压缩为可解释的有向图。用户研究显示该方法比视频更易分析且能预测任务进度。
推荐理由:提出行为图方法压缩机器人部署数据,用户测试显示其比视频更易分析且能预测任务进度。
针对多图像视觉语言模型处理长序列时的计算开销问题,论文提出免训练的单次遍历框架 SIEVE。该方法先将每幅图像池化为紧凑空间网格以降低早期处理成本,随后利用提示注意力在等配额下逐步选择代表并聚合未选令牌,确保每幅图像均有独立表征且保留跨图像互补证据。
针对 GNSS 受限环境下地面图像定位难的问题,作者提出 CVW500k 数据集,包含超过 50 万对来自全球不同区域的地面 - 卫星图像对,且采用更贴近真实相机的小视野图像。同时发布 GeoQueryNet 框架,利用基于 CLIP 的视觉编码器与可学习查询令牌实现跨视角特征对齐。代码已开源。
Sum12 多尺度分支编码器作为轻量级卷积架构,在 Omniglot、CIFAR-FS、FC100、miniImageNet 及 MedMNIST 2D 基准上提升了 Prototypical Network 的低样本分类性能。
该报告介绍了 OCRia-1,一个专为文档解析设计的 4B 参数视觉语言模型(VLM),在保留表格结构、提取图表数据和维持文本格式方面表现优异。其 ParseBench 平均得分为 0.87,优于次优系统。
针对单源域泛化(SSDG)中特征扰动仅依赖任务性能评估的问题,研究提出四维表征空间描述框架以量化特征位移与子空间偏差。实验在风格与天气偏移的目标检测设置下发现强域外配置集中于特定区域,并引入非学习式的 Dual-Invariant Spectral Perturbation (DISP) 方法验证了显式相位控制的有效性。该工作旨在推动 SSDG 领域发展更具可解释性与可控性的特征扰动分析路径。
MobileNetV2-CBAM 模型通过从核桃到腰果、咖啡和芒果的顺序迁移,在 ABCGMP 六作物基准测试中达到 88.44% 准确率与 0.9949 ROC-AUC。该研究证实了轻量级注意力增强表示在多作物异质性下仍能保留显著预测能力,但广泛的多作物差异引入了可测量的性能约束。论文已上传至 arXiv,属于计算机视觉领域的预印本状态。
针对缺乏标注文档图像的低资源脚本,本文提出了一种数据中心框架,仅需未标注文本语料和数字字体即可构建端到端 OCR 系统。该框架利用合成数据引擎渲染带正确复杂脚本 shaping 的图像并自动生成标签,结合 YOLOv8 检测器与 CTC 训练的卷积循环识别器进行训练,并通过阶段门控协议隔离错误。
该研究表明,现代图像分类模型依赖局部特征导致其在频率域表现不佳,而混合使用仅训练于频率域和空间域的模型可提升 ImageNet-100、WikiArt 等数据集上的准确率。提出的视觉几何组(VGG)与视觉 Transformer(ViT)架构在多个数据集上评估显示,利用含全局特征的空间数据能显著提高频率域精度。此预印本论文探讨了频率域分类相对于空间域的优越性,为计算机视觉提供新视角。
研究发现,在人脸生成模型的差分隐私训练中,更强的隐私保护会不成比例地降低欠代表群体的图像质量与效用。除数据代表性外,部分高代表属性同样出现显著退化,表明隐私对公平性的影响取决于信息特征及其交互作用。该结果强调评估生成模型时需同时考量隐私与公平性,论文目前处于 ICASSP 2027 审稿中且未开源代码。
针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。
推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。
针对农业地块分割基准,研究使用六国 Sentinel-2 像素验证了 ESA WorldCover 代理将随机森林 AUROC 从 0.55-0.82 提升至 0.79-0.96。在肯尼亚正样本仅占 0.1% 的失败案例中,全量微调优于冻结解码器;除该区域外,Prithvi 冻结线性探测在五点优于冻结骨干。研究建议解读 GeoFM 排名前需审计标签与基线,并测试冻结解码器效果。
针对传统固定比例或硬性替换的混合增强在长尾识别中局部变化不足的问题,本文提出 TopoMix 这一无需训练参数的无监督数据增强方法。该方法通过低分辨率随机控制网格、双三次插值和随机非线性塑形构建平滑的空间变化掩码,用于像素级图像混合与标签重加权。实验表明,TopoMix 在标准长尾基准上能持续优于代表性混合基线,证明平滑空间混合是有效的增强策略。
论文提出 SparseWAM,旨在解决基于视频生成器的世界动作模型(WAMs)推理延迟高及丢弃世界分支的问题。该方法将冻结的 DINOv2 特征压缩至每帧仅 16 个稀疏 Token 的注册空间,利用联合规划与评分预训练集中决策相关信息,并采用解耦模态的混合 Transformer 架构保留显式的“想象后行动”推理能力。
针对检测器在未见生成器上鲁棒性不足的问题,该方法通过零相位反卷积去除图像噪声残差中的生成器指纹。实验显示,基于白化后残差训练的端到端 CNN 模型,平均检出率较原始图像训练提升 12.6%。该研究旨在缓解源间取证偏差,显著改善对未见过训练集生成器的检测性能。
研究对比了熵、CKA等四种信号,发现线性中心化核对齐(CKA)在跨配置比较中表现最佳,首个 epoch 后相关系数即达0.959。该结论基于ViT-B/32模型在EuroSAT和Oxford-IIIT Pets数据集上的全微调及LoRA实验,且证据限于单一模型家族与短训练周期。
该研究提出一种融合语义知识库与实时视觉的混合检测框架,利用 OWL 形式化编码症状、光谱及形态特征以替代大标注数据集。在 MangoFruitDDS 公开集上,该方法实现 F1 分数、精确率均为 85.00%,召回率为 85.23%,性能媲美 VGG16 等深度学习模型。框架经计算验证结构稳健且具常识实用性(综合评分 7.4/10),为自动化水果病害诊断提供准确、透明且可扩展的解决方案。
针对手术视频理解的标注瓶颈,本文通过分析 13 例腰椎减压手术的实时德语口述,验证了无需人工标注即可提取手术实体、动作及指令的可行性。研究构建了一套无标注处理流程,将语音转化为带时间戳的程序线索,发现其中约 38% 为有效线索,且 98.5% 包含仪器、解剖或操作信息;同时指出口述存在噪声大、与事件有时间延迟及术语转录错误等问题,需建模后才能安全用于下游任务。
研究揭示冻结视觉语言模型(如 OpenAI CLIP、LAION CLIP、SigLIP)的置信度评分存在组别偏差,其中 margin 分数在水鸟数据集上造成的覆盖差距是最大 logit 分数的 2.5 至 5.5 倍。
Edge-Optimized YOLOv11n 架构在内存仅 1GB 至 4GB 的本地手机上实现了尼日利亚手语字母数字手势的实时离线识别。该研究基于包含 11,208 张图像的基准数据集,在物理 Android 硬件上测得推理延迟为 405.5ms 至 1759.4ms。系统通过 CameraX 移动应用捕获手势并即时显示文本结果,测试集精度达 0.9975、召回率达 0.9991。
论文提出 CARe 方法,通过引入由目标特征二阶矩诱导的马氏距离几何来替代传统的余弦相似度评分,解决各向异性特征分布下高方差方向主导评分的问题。理论证明在共享协方差的 Gaussian 模型下,该方法与贝叶斯最优线性判别一致,且在特征各向异性显著时增益最大。实验显示 CARe 在标准及细粒度分布偏移基准上均优于基线余弦评分,且效果随特征各向异性增强而提升。
推荐理由:针对测试时适应中各向异性特征分布的局限,提出基于协方差的几何修正方法 CARe 以替代余弦相似度评分。
成均馆大学电子电气工程学院团队发布两项新技术,使 AI 系统处理复杂长期任务时更省算力且更安全。研究解决现有代理依赖高频反馈导致的高成本与慢响应问题,成果已上传 arXiv 预印本服务器供查阅。
论文提出 PixelMoE,一种利用标准 Token-Choice 路由和细粒度路由专家进行输入自适应稀疏计算的像素空间生成框架。该方法结合共享专家捕捉通用表示及基于偏置的负载均衡策略,并引入像素空间分层流匹配以在去噪轨迹中调整空间分辨率。
DAUPNet 提出统一框架,将跨域原型匹配重构为不确定性感知判别以解决大域偏移问题。该模型在四个标准目标域上实现 1-shot 和 5-shot 设置下平均 mIoU 分别为 72.6% 和 76.7%,显著提升了医疗领域的性能。代码已公开,展示了建模原型不确定性并纳入优化可为严重域偏移下的跨域少样本语义分割提供鲁棒且可解释的方法。
论文指出轻量级视觉语言模型在标准基准上表现尚可,但在需要多步推理的密集场景中常出现脱离视觉实体的流畅但无根据的推理链。为此,作者提出了包含 14,573 个问题的 DRBench 基准,并设计了 DRScaffold 监督微调框架,在不修改架构的情况下将监督目标分解为四个因果有序阶段以增强 grounded reasoning。
针对现有公开数据集在背景替换任务上表现不佳、生成的背景静态且不自然的问题,本文提出了一种可扩展的流水线,以解耦方式生成前景与背景指导并进行严格质量过滤。在此基础上,作者开源了包含约 140K 视频对的 Sparkle 数据集(涵盖五种常见主题)以及 Sparkle-Bench 基准。
针对医疗联邦学习中客户端任务单一、标准方法难以收敛及存在隐私漏洞的问题,该研究提出了 MuCALD-SplitFed 框架。该方法结合因果表征学习与潜在扩散技术,在多任务分割实验中实现了稳定收敛并优于现有个性化与多任务联邦学习方法,同时有效降低了分割点处的信息泄露风险,抵御重构与成员推断攻击。论文已被 IEEE ICIP 2026 录用并在口头环节展示,代码仓库已公开。
作者发布了 SUREON 视频问答数据集和基准,旨在评估基于视觉证据的手术推理能力。该数据集通过对抗性筛选去除了可仅凭语言回答的问题,包含 7.6 万训练对和 340 个专家验证的测试题。
针对文本到图像扩散模型中不期望概念(如 NSFW、特定版权风格或物体)难以去除的问题,本文提出 Differential Vector Erasure (DVE),一种专为流匹配模型设计的免训练概念擦除方法。
针对现有 LoRA 融合在共享参数空间中缺乏显式交互建模的问题,本文提出 NP-LoRA 框架。该方法将内容与风格 LoRA 视为重叠的非正交子空间,利用风格 LoRA 的主方向定义投影子空间,将内容 LoRA 投影至互补的零空间以抑制干扰并保留信息。
VisualSphinx 提出了一种从种子问题提取规则并生成可执行渲染程序的图像合成管线,构建了首个大规模合成视觉逻辑推理训练数据集。实验显示,基于标准 GRPO 和二元正确性奖励训练的 VLM 在该数据集上展现了提升的逻辑连贯性与可读性,并在代数、算术及几何等推理任务中表现更佳。该工作旨在解决当前 VLM 缺乏大规模结构化训练数据的问题,相关代码与项目页面已公开。
point2vec 是一种通过掩码预测教师网络潜在特征来学习点云表征的自监督方法,解决了位置信息泄露削弱学习任务的问题。该方法在 ShapeNet 预训练后,于 ModelNet40 和 ScanObjectNN 上超越基线实现形状分类提升,并在 ShapeNetPart 取得有竞争力的分割结果。项目页面已提供,相关代码与数据许可状态需参考官方说明。
Sensorium 是一个开源 Python 库,旨在解决具身手术 AI 对可靠多模态数据的依赖问题。该工具利用 ROS 和 ROS2 中间件,支持从可配置的机器人和传感器流中记录、处理、标注及整理数据,并具备面向操作者的数据采集、语义标注及数据集生成功能。
针对机器视觉应用激增,现有研究常忽视不同特征层对下游任务贡献不均的问题,IGDA-ICMH 框架基于隐式神经表示架构,通过低秩适配策略选择性调整关键网络层并探索特征非局部性。在图像分类与目标检测等代表性机器视觉任务上的广泛实验表明,该框架性能显著优于现有的基于隐式神经表示的 ICMH 方法。
论文提出 ReuScope 审计协议,以 Capsule Vision 2024 为例量化数据跨划分重叠及评估敏感性。研究发现移除 Kvasir-Capsule 相关训练样本后公开验证集准确率显著下降,且匹配对照实验排除了样本量与类别分布的干扰。该工作已被 NeurIPS 2026 接收,代码与数据已开源。
推荐理由:提出 ReuScope 审计协议,量化 Capsule Vision 2024 数据集的跨划分重叠与评估敏感性,为计算机视觉领域的公平性与可靠性提供可复用的验证方法。
Zexing Zhang 等人提出一种受控评估框架,将稀有类的唯一支持与表示分配分离,以量化分类器校正后编码器适配的增量价值。研究发现在低支持量下,仅当表示分配更不平衡时,编码器适配才具有实际意义;该结论在多种校正、目标和 ImageNet 规模评估中均成立且保持高频类准确率。
CAMEL 提出一种利用非对称掩码策略进行知识蒸馏的框架,将大规模教师模型能力迁移至紧凑学生模型。在四个数据集上的实验表明,该方法在保持精度的同时大幅降低计算复杂度,适用于资源受限的临床环境。该工作为预印本(arXiv),旨在解决视网膜影像分析中高性能与临床可扩展性之间的差距。