PubTables-v2:首个多页表格提取基准数据集及模型性能评测
PubTables-v2 是首个面向全页与多页场景的表格提取大规模数据集,填补了相关标注数据空白。评估显示前沿模型在复杂全文档任务上显著优于小模型(+0.354 GriTS_Con),但在裁剪表格等窄任务中差距可被缩小甚至逆转(-0.056 GriTS_Con)。该数据集已公开可用,为视觉语言模型在文档理解领域的进展提供了统一基准。
PubTables-v2 是首个面向全页与多页场景的表格提取大规模数据集,填补了相关标注数据空白。评估显示前沿模型在复杂全文档任务上显著优于小模型(+0.354 GriTS_Con),但在裁剪表格等窄任务中差距可被缩小甚至逆转(-0.056 GriTS_Con)。该数据集已公开可用,为视觉语言模型在文档理解领域的进展提供了统一基准。
论文提出了 AEGIS,这是首个面向 3D Gaussian Splatting 表示的身份掩蔽框架。该方法通过对基础颜色系数施加对抗扰动,在保持头像感知真实性和动画可用性的同时,将自动人脸识别准确率降至近零。评估显示其保留了年龄、性别等关键属性,并引入了跨视角泄漏度量指标。材料为预印本版本,已接受 WACV 2027。
SSFMamba 提出一种基于 Mamba 的对称驱动时空频融合框架,通过三维多方向扫描机制整合厄米特对称性与状态空间模型因果性。在 BraTS2020、BraTS2023 及 BTCV 数据集上评估显示,该方法在胰腺等低对比度器官分割中 Dice 系数达 81.97%,优于现有最先进方法。
SenseShift6D 是首个系统扫描曝光、增益及深度模式等传感器配置的 RGB-D 物体姿态估计基准,包含六个常见家用物体的19.8万张 RGB 和2万张深度图像。
针对水下声学通信带宽受限与信道复杂难题,该研究提出基于跨模态语义连续精度的生成式图像通信框架。实验利用 COCO 2017 图像及 Watermark 实测水下声信道数据验证,文本与瓶颈特征提供互补条件,残差向量量化侧信息进一步提升重建质量。该方法通过分层不等错误保护优化低信噪比恢复效果,为水下视觉传输资源分配提供指导。
该论文研究了城市环境中机器人的出现如何影响行人感知的安全性。研究者生成了 18 张首尔街道图像(变量包括时间、道路等级和机器人条件),利用两个多模态大语言模型(Qwen3.8-27B 和 Gemma4-26B)在 500 个合成人格条件下进行判断,并对比了 25 名人类受访者的结果。
Bowen Xiang 提出一种针对骨盆骨折透视影像的闭环注册框架,利用校准后的三明治协方差界定误差边界并标记不可信片段。在仿真实验中,该方法结合 Minimax 规划策略,相比临床协议平均仅需4.20次投照即可达到认证标准(优于无检查时的4.72次),且将整体误停率从23%降至6%,同时在真实完整骨盆数据上未出现假阳性认证。
该论文证明相关性传播是单一变分问题的解,建立了层间相关性传播的测度论形式化框架。研究提出了 LRP_0、LRP_z+ 等规则的统一形式 LRPN_alpha,beta,并引入 Sinkhorn 相关性传播新规则。在 VGG-16 和 ConvNeXt-Tiny 模型上验证了守恒律及不同规则的忠实度与定位能力差异。
推荐理由:文章将相关性传播形式化为熵最优传输问题,提出基于 Filippov 算子的理论框架及 Sinkhorn 等新规则。
该研究系统评估了欧拉角、轴角向量及四元数等 SO(3) 群表示在计算机图形学与机器人领域的特性,证实四元数因紧凑性和计算效率占据主导地位。文章指出 6D 连续表示与矩阵 Fisher 分布能增强连续性并建模不确定性,为动画、姿态估计及三维形状配准等应用奠定数学基础。
该论文提出一种无需训练和遮挡标签的遮挡检测方法,通过分析相机管道计算出的表观高度与单目度量深度之间的差异来识别遮挡情况。实验显示该方法在 KITTI 数据集上对行人检测(含漏检样本)达到 AUC 0.888,在合成 CARLA 场景中表现优于仅依赖距离的方法。研究指出传统架构响应如深度融合或数据增强在未覆盖的分布中效果有限,且模型在不同地域场景间泛化能力存在显著差异。
PixelSpline 框架结合长上下文编码与连续 HR 特征提升,利用端点锚定的单条连续轨迹显式建模像素运动以解决对应模糊问题。实验在空间与时序上采样设置下验证了该方法在质量与效率间的良好权衡。该预印本论文已上传 arXiv,代码与权重开放许可状态待确认。
针对现有个体动物识别模型依赖身份相关捷径而非真实特征的评估局限,本文提出 CounterFactual Foreground Retrieval 协议。该方法在全图、仅前景和仅背景三种视图下评估同一查询任务,将单一检索分数转化为包含原图性能、前景支撑度及背景信号可恢复性的证据画像。作者开源了用于 34 个数据集的约 50 万个掩码生成代码与评估工具。
作者介绍了 LongBanana,据称是智能体驱动图像生成时代首个专家设计并验证的长上下文多参考图像合成基准。任务要求检索分散视觉证据、拒绝干扰项、绑定实体关系并从多个参考源合成连贯图像。
Trainspotting 数据集包含来自 Wikimedia Commons 的 12,068 个物体和 311,886 张照片,涵盖固定、移动及共享设计三种场景。
该论文研究了五个开源文生图模型(包括 SD3.5-M、FLUX 系列和 Qwen-Image)在生成物体数量超过十个时的表现。实验发现,一旦请求中的物体数量超过约十个,所有模型都会停止遵循具体的数字指令,其生成的图像布局主要由初始噪声的粗粒度部分决定,而非数字词本身。研究还指出,当物体数量超过十时,精确匹配分数难以区分遵循指令与忽略指令的模型,而相对误差评分甚至可能偏好常数猜测值十六。
推荐理由:研究揭示文生图模型在物体数量超过十时失去计数能力,且噪声布局比数字指令更能决定构图。
论文提出语义残差向量量化框架,将手语生成分解为从语义到运动学的两级过程,通过单一量化器学习层次结构以编码符号内容并细化姿态与肢体协调。该方法在 CSL-Daily 和 Phoenix-2014T 数据集上实现了 R@1 分别为 82.3% 和 70.3%,分别比之前的最先进水平高出 30 和 46 个百分点,已接受至 WACV 2027。
UMBench 是基于无人机图像构建的细粒度城市遥感基准,涵盖交通监测、城市建设等任务。评估显示当前多模态大语言模型常依赖场景先验而忽视细粒度视觉证据。提出的免训练“证据优先”思维链方法可提升开源及商业模型在该基准上的性能,论文已被 IEEE AP-GARSS 2026 接收。
本文介绍 ZETA 架构,将路由策略与视觉执行解耦,先解析科学意图再调用专用工具,使测量成为基于显式几何的确定性操作而非生成输出。在包含 51 个科学意图查询的零样本基准测试中,显式路由语义显著提升了路由准确率:对 Qwen 3.8 模型,分割任务路由准确率从 6.2% 提升至 75.0%,检测任务从 60.0% 提升至 100%。
针对流式视频中目标集合随时间演化的特性,本文提出广义推理视频分割(GRVS)新任务及 Sekai 在线框架。该框架包含维护查询相关事件的 Event Memory Reasoner 和基于记忆的解码器 MGD。在包含 60 个视频与 197 个查询的 Isekai 基准测试中,Sekai 取得 50.33 J&F 分数,优于最强基线 3.2 分。代码、标注及评测脚本已开源。
CardioDrift 提出一种全自动的图谱基础概率框架,利用形状感知一致点漂移联合配准多区域心脏表面并嵌入切片偏移校正以消除配准伪影。该方法在 UK Biobank(1301 例)和 M&M 数据集上评估,左心室、心肌及右心室的 Dice 相似系数分别达 92.23%±8.70%、82.11%±7.56% 和 88.69%±4.13%,超越所有基线。
该论文针对无人机协同感知中的带宽瓶颈,提出 UCP 框架以观测不确定性和判别不确定性表征协同价值,生成空间请求与供给图以提升通信效率,并通过 U-Fusion 模块聚合消息。实验在三个基准数据集上验证了其在三维目标检测与轨迹预测任务中优越的性能带宽权衡及泛化能力。
针对稀疏标注的三维延时显微成像,该流程整合检测、基于图像特征的候选连接校准及谱系图事件联合选择。在两条斑马鱼胚胎共 199 个视频的 5 折交叉验证中,整体得分达 0.9762,较允许替换分裂事件的顺序方法提升 0.0105。主要改进源于分裂恢复能力的增强。
论文提出了 BudgetSplat,这是一种前馈式的 3D Gaussian Splatting 框架,旨在解决现有像素对齐方法生成冗余高斯基元导致存储和渲染成本随分辨率与视图数急剧增长的问题。
FOSCo-Net 利用时间累积观测作为自动监督,在单次扫描下重建温带森林中被树干遮挡的几何结构。该框架采用门控跳跃解码器显著降低误报障碍物预测,相比基线提升重建质量与通行安全性。论文已接受于 2026 年日本冲绳举办的 ACIVS 会议展示。
HoloCT 是首个将 CT 解读与体素级分割统一的通用三维基础模型,基于包含 19.5 万扫描及 620 万指令对话的 HoloDATA 训练。在多中心验证中,其病灶分割与报告生成分别优于竞品 18.2 和 15.3 分,甲状腺肿瘤筛查平均准确率达 85.1% 并超越四位放射科医生。该研究揭示了语言引导分割与三维掩码生成的双向语义空间协同效应,相关代码与数据待开放许可。
EfficientNet-B0 至 B7 八种变体在 Kermany 数据集上评估,B1 以 96.95% 测试准确率和 0.8780 干眼斑 F1 值表现最优。研究揭示更大模型并未持续提升分类性能,且准确率与参数量比显著下降。该结果基于灰度转 RGB 及预训练微调协议,结论受限于特定数据划分。
该论文提出 UniLoop 统一框架,复用预训练几何基础模型的层级表征以解决传统级联模型计算冗余和视觉表征割裂的问题。共享图像编码器生成紧凑的全局描述符特征,同一特征传入跨视图解码器进行成对验证,原始几何预测则为位姿图优化提供相对相机约束。
该论文提出了一种扩展自 VGGT-SLAM 2.0 的方法,利用前馈几何基础模型进行稠密单目重建并解决子图累积的尺度漂移问题。方法引入固定根锚定和短序列辅助的直接闭环连接,通过联合 VGGT 推理提供仅尺度的锚点并保持重叠链一致性。
本文针对自动驾驶车辆的冗余安全通道,提出一种基于预测运动走廊的紧急制动决策方法。该方法构建感知路径曲率 aware 边界以包含车辆全 swept body,利用几何占用评分与时间紧迫性评分独立判断是否需制动;采用硬门限与软 OR 仲裁机制结合部分证据,并通过连续扫描确认降低瞬态噪声敏感性。研究在受控碰撞仿真与校园驾驶记录中评估走廊覆盖率,并在前车制动及横向穿越场景的蒙特卡洛模拟中验证制动决策性能。
MonoLaDN 是一种针对单目 3D 物体检测的去噪框架,旨在解决仅从图像特征学习几何导致的 ill-posed 问题。该方法在训练阶段利用冻结的视觉语言模型(VLM)生成关于遮挡、深度、尺寸和角度的结构化推理,将其编码为查询并加入噪声,训练检测器重构干净推理以内部化 VLM 的几何先验。
推荐理由:该工作提出利用冻结 VLM 的几何推理进行去噪训练,使单目检测器内化高层语义先验且无额外延迟。
论文提出了 OccSplat 框架,针对现有前馈 3D Gaussian Splatting 方法因单视角观测导致遮挡区域重建不完整的问题,引入遮挡感知高斯稠密化技术。该方法通过高斯遮挡映射识别缺失几何区域,并生成新的高斯基元直接补全场景三维表示,无需逐场景优化即可提升新视角合成能力。实验在 nuScenes 基准上进行,结果显示其在遮挡区域的重建精度和视觉连贯性上优于对比方法。
针对前馈式 3D Gaussian Splatting(3D-GS)难以扩展至长多视图序列的问题,本文提出无需重训练的 CrossPressor 方法。该方法通过覆盖循环证据路由机制,在保留所有解码器锚点查询的同时约束视图增长的支持序列,将空间证据分布到支持视图与融合层中。
CAPE-JEPA 提出了一种概率跨模态联合嵌入预测架构,通过高斯预测器建模不确定性并引入对抗分布正则化。该模型在 BigEarthNet-14K 和 fMoW 数据集上分别比 X-JEPA 提升 13.74 分和 15.59 分,参数量更少(407.30M vs. 432.72M)。论文已接受发表于 BMVC 2026。
针对传统分类框架难以处理高维冗余与非线性谱重叠的挑战,该研究提出融合 Vietoris-Rips 持久同调拓扑特征与卷积及图神经网络的混合架构。方法在 UMAP 投影超像素点云上计算 H1 循环结构以编码光谱异质性,并通过广播机制将图表示传播至全空间分辨率。实验表明,该模型在 XRT 多能成像上显著优于纯 CNN 和超像素池化融合基线,证实拓扑特征提供了互补判别信息。
该论文提出一种无需目标数据集标注的目标检测框架,通过结合预训练基础模型的分割与视觉语言系统能力,并引入基于地标的聚类机制以降低计算成本。方法能自主生成分割提案、利用多模态推理分配语义标签,并在无人类标注的情况下适应未见过的物体类别和领域。在 COCO 等基准的零样本设置下,该方法实现了 60.8 AP 的检测性能。
作者发布了 Rohbau3D-Semantics 数据集,该数据集为先前发布的 Rohbau3D 领域数据中的激光扫描点云添加了稠密的语义和实例级标签。数据包含来自 14 个勘测站点的 504 个场景,保留了真实激光扫描的非均匀采样、测量伪影等特性。数据集提供 17 类建筑组件及背景类的标注,并附带生成对齐全景图和立方体图表示的脚本,旨在支持复杂构建环境下的三维场景理解研究。
针对现有推理分割框架缺乏场景特定意识的不足,本文提出 DSRS(Driving Scene Reasoning Segmentation)任务及基准数据集,并发布 DSRS-Net 新架构。
针对 SAM3 模型显存与计算成本高导致部署困难的问题,研究提出一种名为 Semantics-Preserving Quantization (SPQ) 的后训练量化方法。
论文揭示现有粗到细框架在推理阶段存在坐标引导与几何监督的分辨率不匹配问题,导致细节退化。为此提出 RDT 方法,将 RoPE 引导锚定在 512 分辨率并在 1536 分辨率下监督几何,以增强细节外推能力。同时开源 Dual3D-300K 大规模配对数据集,包含 30 万个跨分辨率对齐的封闭三维点云,为高解析度三维生成提供基准。实验表明该方法显著提升了锐利几何区域的生成质量。
该系统通过高速亮度调制将不可见空间编码嵌入每个投影像素,无需外部传感基础设施即可实现投影仪与设备的精准位置对齐。实验表明,经卡尔曼滤波后系统延迟约 8 ms、三维位置 RMSE 为 19.2 mm,首次实现了与高质量投影内容协同的实时三维姿态估计。该成果已提交至 IEEE Access,解决了传统 PVLC 仅适用于平面运动而无法估算空中机器人等三维空间设备姿态的技术瓶颈。