OA-BreaCR、LMV-Net与Mirai模型在乳腺影像风险预测中的时序评估新方法
针对仅用AUC和一致性指数无法反映癌症发生时间的缺陷,研究提出以c_time作为主要时序指标重新评估OA-BreaCR、LMV-Net及Mirai模型。结果显示尽管C-index高达0.75,各模型在诊断时间排序上均未显著优于随机猜测(c_time介于0.51至0.58)。新提出的两阶段分离“是否”与“何时”模型在判别力持平的情况下,将时序排序能力提升至0.58。
针对仅用AUC和一致性指数无法反映癌症发生时间的缺陷,研究提出以c_time作为主要时序指标重新评估OA-BreaCR、LMV-Net及Mirai模型。结果显示尽管C-index高达0.75,各模型在诊断时间排序上均未显著优于随机猜测(c_time介于0.51至0.58)。新提出的两阶段分离“是否”与“何时”模型在判别力持平的情况下,将时序排序能力提升至0.58。
HDR-VDC 数据集收录 4K HDR 流媒体畸变视频,在 60/120 像素/度视角及 8 倍亮度差异下测量画质损失。研究提出融合 PU21 显示模型与 PPS 透视缩放的预处理框架,适配 35 种主流指标以消除观看条件影响。该方法使现有质量评估能准确反映不同亮度和距离下的真实视频体验。
研究结合 HiDDeN 与 StegaStamp 构建互补水印,在 MS-COCO 和 CelebA-HQ 数据集上验证了双嵌入后仍具高可解码性。面对 UnMarker 的非语义或语义单独攻击,单一水印通常保持强鲁棒性,需连续攻击才能显著削弱信号。该预印本发现多类型水印组合能增强抗单阶段移除能力,并指出 LPIPS 指标在面部图像上存在失真风险。
该研究提出了一种利用光流约束的几何观测器,用于单目视觉惯性里程计。该方法无需估计深度或重建运动方向,即可在重力增强群 SE3(3) 上实现速度与姿态误差的全局收敛及局部指数稳定。仿真验证了激发条件、初始误差恢复及对扰动测量的敏感性,论文共 12 页含 6 幅图,已提交至 ECC 2027。
D'BEAST 方法通过回放包含安全或任务事件训练的固定日志,验证了强化学习智能体的决策可由其“不良体验”解释。在 CARLA 闭环驾驶测试中,保留所有更新的 FULL 版本从 40 次启动中达成目标 33 次,而剔除或中和不良体验的版本均失败。局部分析显示,移除少量不良体验(中位数为 1)导致智能体在 46 个决策案例中选择了失效策略的动作。
合成预训练仅在真实数据稀缺时(10%)为 CNN 模型带来显著增益,全量数据下无提升。ESP32-S3 推理耗时 152.7 ms 且能耗增加 16.3 mJ,RP2040 则慢约十二倍并超出闪存容量限制。研究强调需验证 INT8 输出与参考内核的一致性,而非依赖主机评分。
本文研究二元目标下固定评分在不同组别混合时的表现,证明通用优势判定是共 NP-难问题,并给出了网格近似证书与错误包络。实验显示,冻结的 ResNet-50 在 ImageNet-C 上多数比较稳健,但存在反转案例;对 Stable LM 2 12B 输出及不确定性方法的审计发现部分比较在任务内胜出却在混合时反转,边际秩对齐可消除这些反转。
推荐理由:该文通过理论证明与实验审计,揭示了置信度评分在人群混合比例变化下发生反转的机制,为评估模型鲁棒性提供了新的分析视角。
针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。
推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。
论文研究在已知相机位姿和区间观测条件下,哪些深度由有限个源深度测量决定。作者证明首击深度的可达集合可能不连通,并给出必要充分条件判断多个候选深度是否属于同一场景的首次命中。
该研究通过受控实验发现,在需要读取像素数值的任务中,视觉语言模型的报告仍会随激励目标发生偏移,且图像模态下的合规性低于文本模态。
该论文针对混合与非光滑机器人系统的控制器安全认证问题,构建了基于 Filippov 正则微分包含的轨迹单子框架。其核心贡献是将控制屏障函数(CBF)认证转化为子单子结构,证明联合安全性仅需满足一个代数条件,解释了为何平滑交集支持安全合成而分阶段强制则不然。
推荐理由:提出轨迹单子框架将混合系统控制器合成简化为代数条件,并推导失效率模型与验证结果。
该研究提出一种将离线数据学习的世界模型用于安全规划的新方法,核心是将规划问题转化为逐次凸优化(SCP)框架,并在每一步施加离散时间控制屏障函数作为约束。为适应 SCP 对平滑动力学的需求,网络采用平滑 MaxMin 激活和谱归一化层,并基于 Lipschitz 界界定线性化误差。
论文提出了 Pixel-KWS 框架,利用渲染后的灰度图像表示字符而非依赖固定词表嵌入,使文本编码器能从视觉形式泛化以处理未见符号或视觉相似符号。
XLSAR-Bench 发布了一个包含 405 张平均尺寸为 7153×7153 像素图像的综合基准,涵盖视觉问答、定位及详细描述等十项任务。该基准通过人工标注与半自动辅助,揭示了通用及专用多模态大语言模型在处理大场景 SAR 影像时存在的理解与感知挑战。项目已开源以支持开发更强大的完整大 SAR 场景 MLLM。
HongguoTrending 是首个连接微短剧系列与其平台可见性的纵向多模态数据集,包含中国最大微短剧平台 Hongguo 七个热门榜单的小时级快照。该档案通过两阶段异步管道收集了 63,200 个排名条目、元数据及观众互动指标,揭示了网页与移动端榜单的差异化流转率及内容特征。数据可通过 RESTful API 访问,旨在支持算法把关机制、流行度动态及多模态数字文化的实证研究。
AttentionUNet-CA 利用高程、距主干道距离等四个驱动因子预测土地覆盖状态,在印度勒克瑙 2010-2020 年测试集上,其图优值(21.0%)略高于加权 U-Net CA(22.0%)和随机森林 CA(20.3%),但均不及空模型的整体一致性。研究指出注意力门未提升精度,人口密度与距 CBD 距离为最有用驱动因子,预测至 2030 年建成区将增长 22-35%。
该论文提出一种通过控制空间矩来将机器人集群塑造成目标图案(如图像中的图形)的方法。不同于几何编队控制指定特定代理的距离或方位,该方法针对整个集群,利用协方差归一化坐标编码高阶形状信息。
推荐理由:论文提出通过任意阶空间矩控制机器人集群整体形状,无需分配具体位置,支持分布式实现与层级收敛。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
针对视觉语言模型在遮挡导致的部分可观测性问题上深度歧义难解、性能随规模下降的瓶颈,本文提出 VLM-as-perceiver 范式,将 VLM 角色限定为局部感知,由外部求解器负责跨视图证据融合与规划生成。
论文针对传统哈密顿 - 雅可比(HJ)可达性需重求解的缺陷,提出一种条件化可达性模型。该方法通过限制障碍物影响范围使值函数具有局部性,仅需读取机体坐标系下的局部窗口即可训练并迁移至任意规模场景。
推荐理由:提出条件哈密顿 - 雅可比可达性方法,通过子解学习确保误差保守侧,实现毫秒级场景准备与极低碰撞率。
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
该研究提出基于小语言模型的可靠语音指令框架,通过集成自动语音识别与语义处理层,将操作员语音转化为结构化任务定义。系统利用概率上下文无关语法生成合成指令并模拟不同口音与环境信噪比进行端到端评估,在声学退化和语音变异条件下仍能保证多无人机群监督的任务生成可靠性。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。
推荐理由:提出通过奇异值分解合并 VLM 与 VLA 参数,在不重训情况下恢复视觉语言能力并优于现有基线。
该研究提出一种神经网络引导的热启动框架,在保留原始变分公式前提下加速锥形束计算机断层扫描(CBCT)重建。实验基于 SynthRAD2025 挑战赛的骨盆 CT 图像显示,该方法将重建时间减少超过三倍,同时保持相当的图像质量。论文已提交至 IEEE ISBI 2027,代码与权重暂未开放。
RouteDiff 提出一种感知状态的扩散框架,通过保真度细化路由、超图状态调节及估计锚定重入机制优化图像恢复。该方法在 Mayo 2020/2016 数据集上分别达到 40.95 dB PSNR 和 95.13% SSIM,并在下游分割任务中取得 80.92% Dice 系数。论文已提交至 Knowledge-Based Systems,代码与权重暂未开放。
现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。
ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。
arXiv 论文《ReVision: Selective Intrinsic Reasoning for Tool-Augmented, Reasoning-Intensive VQA》提出一种无需训练的测试时方法,允许多模态大语言模型在调用外部工具(如搜索、代码执行)的同时,选择性地进行无工具的图像重审与证据整合。
该研究提出 ScaleVLA,通过将 552B 参数的 DeepSeek-V4.1-Flash 骨干连接可训练的动作 DiT,系统对比了从 2B 到 552B 不同规模 VLM 在机器人基础模型中的表现。
推荐理由:该报告系统验证了将前沿大模型作为 VLA 骨干的可行性,展示了在样本效率、泛化能力及灵巧操作上的显著优势。
论文提出 Cross-Input Relative Policy Optimization (CrossRPO) 方法,利用仅在小区域有差异的对比集训练视觉智能体,使其在回答超高分辨率图像问题时基于证据而非常识。
FaceJev 是一种基于多模态大语言模型的伪造检测新方法,通过共享图像编码回答面部八个部位的异常概率问题,无需生成文本解释即可直接判定。该方法利用包含约 160k 图像的 PartForensics 数据集及 FS-GRPO 优化策略进行监督训练。在未见过的操作类型上,FaceJev 比最强基线高出 7.25 个百分点的准确率。
该论文研究了视觉语言模型(VLM)在描述图像时决定观察顺序的内部规划机制,将其分解为绑定头、进度信号生成、选择步骤和注视头四个部分。研究通过在 Qwen3-VL 模型上进行合成视觉检索任务的因果修补验证了各组件的有效性,并证实该机制在不同输入格式、自然照片及语言中均成立,且存在于从 2B 到 32B 的所有模型规模中。
针对联合嵌入预测架构(JEPAs)中编码器表征坍塌的问题,论文提出 SADL(Supply And Demand Loss)。该方法通过约束编码器以匹配正则化器对差异的需求与编码器的供给能力,无需辅助网络或额外参数。在 LeWorldModel 和 INTACT 实验中,SADL 将随机种子下的坍塌率从 50% 降至 0%,有效秩提升显著,且在多个数据集上提升了分类准确率与控制稳定性。
推荐理由:提出 SADL 方法解决 JEPAs 表征坍塌问题,在 LeWM 和 INTACT 实验中显著降低坍塌率并提升控制成功率。
Wildfire-SSR 是一种结合卫星图像与街景全景的地理定位感知多模态框架,旨在进行结构级的野火脆弱性评估。该研究利用视觉语言模型从事件前的街景中提取建筑属性并转换为结构化文本,通过解耦交叉注意力融合解码器将其与卫星影像空间对齐,同时使用冻结的 DINOv3 编码器捕捉高空视觉上下文。
针对自回归模型在长视频生成中主体与背景随时间漂移的问题,该方法利用初始帧作为外观参考,构建教师网络通过注意力掩码强制新帧各区域关注初始帧对应区域,并将此行为蒸馏至学生模型的独立注意力路径。
针对实时交互系统需兼顾自然回应与避免误报的需求,本文提出 BLIP-Live 框架,统一了数据、指标、工具链及训练范式。研究构建了包含人类标注的 BLIP-Live-780K 数据集以定义主动行为,并提出了 PAUC-F 指标来衡量早期有用响应同时抑制过度触发。
论文指出视觉语言模型在跨图像匹配点或物体时常失败,即便答案隐含在隐藏状态中。研究在 Qwen3-VL、InternVL3.5 和 Gemma-3 等模型上验证了两种失效机制:一是携带比较信息的注意力头未将答案读出,二是语义对应存在于视觉 token 但未传递至输出层。
推荐理由:研究发现跨图像比较失败源于特定注意力头未读出答案,通过重分布注意力或微调查询键投影即可修复。
DuoFlow 是一种双流潜在流 Transformer,通过共享噪声水平和统一秒级时间坐标联合去噪语音与动作。该模型利用模态特定残差连接器注入结构化条件,并采用逐层双向跨模态注意力协调生成,同时结合单调音素路径强化时序建模。研究构建了 MotionSpeech 基准以支持对运动层级、身体部位及发声风格的显式控制,实现了高质量且指令一致的同步序列合成。
针对长视界操纵任务中基于高保真物理模拟器评估每个候选技能的计算成本问题,本文提出 Lazy-MOSAIC 框架。该方法利用廉价学习到的技能效果世界模型预测技能的可行性及产生的世界状态,仅对有希望的候选技能进行昂贵仿真验证,并在假设被证伪时仅修复受影响的搜索部分。