TokenRepel:在不降低质量的前提下生成多样化图像集
该论文提出了一种推理阶段的改进方法 TokenRepel,旨在增强文本到图像模型生成的图像集的视觉多样性而不牺牲平均图像质量。方法利用预训练模型隐藏表示的内蕴几何结构,首先引入 token 排斥机制增加样本间特征 token 的角度,其次提出 token 密度保持机制将排斥引起的预测变化投影到与模型分数方向对齐的半空间以维持高质量。
该论文提出了一种推理阶段的改进方法 TokenRepel,旨在增强文本到图像模型生成的图像集的视觉多样性而不牺牲平均图像质量。方法利用预训练模型隐藏表示的内蕴几何结构,首先引入 token 排斥机制增加样本间特征 token 的角度,其次提出 token 密度保持机制将排斥引起的预测变化投影到与模型分数方向对齐的半空间以维持高质量。
论文提出 sDMD(Sinkhorn Distribution Matching Distillation)方法,旨在改进现有的分布匹配蒸馏(DMD)。该方法通过引入最优传输项并自适应激活修正机制,解决了 DMD 在低密度区域引导不可靠及模式坍塌的局限性。
Zhiyuan Zhang 等人提出了 MatchDown 方法,用于替代传统步长采样、最近邻重采样或多数投票的标签下采样步骤。该方法通过区域与网格单元的最小成本匹配构建粗粒度目标,确保保留尽可能多的区域并证明不可避损的下界。
推荐理由:提出 MatchDown 方法,通过最小成本匹配构建粗粒度分割目标,在 COCO 等数据集上显著减少区域丢失并提升实例计数精度。
论文提出 M-PFT 方法,针对提示微调后视觉语言模型在基类与新颖类上的双重校准偏差问题,引入两个互补目标以扩大角距离并保留语义几何结构。实验表明该方法能有效降低新颖类的平均校准误差,同时保持基类竞争力和准确率,且计算开销可忽略。
针对高分辨率空间感知不可行的场景,研究定量评估了四种气流估计器在三种稳态二维仿真及不同采样密度下的表现。结果显示物理先验在低采样密度下补偿缺失信息效果最佳,而数据驱动的高斯过程回归随传感器覆盖增加竞争力增强但模型基线仍保持精度优势。该工作已接受发表于 IEEE SENSORS Conference 2026。
SCOPE(Semantic COdec Pre-Editing)是一种条件图像预编辑器,通过修改压缩前图像以改善比特率与检测精度的权衡。该模型根据编解码家族和压缩严重程度进行调节,无需重新训练即可适配多种设置,在保护任务相关区域同时简化背景内容。实验结果显示,其在不同编解码家族和检测器架构下均取得一致增益,并具备向未见过的学习型及小波基压缩家族的强迁移能力。
该研究提出一种无需人工标注的框架,直接从原始结肠镜视频中构建轨迹视图以支持全流程视频的时序自监督学习。在 REAL-Colon 数据集上,该方法在轨迹检索与重识别任务中超越自监督及监督基线,仅需两个样本即可在少样本检索中优于多数竞争方法。代码已公开,相关论文正提交至 ISBI 2027。
CulturalBind 基准包含来自 6 个领域的 1K 概念共 3.2K 张图片,用于评估视觉语言模型(VLM)的跨模态文化知识及概念级知识编辑。预编辑测试显示文本与视觉知识解耦,现有方法虽能修正单点错误但缺乏跨模态迁移性且连续编辑性能急剧下降。该工作揭示了将长尾文化概念注入现有模型的挑战,并呼吁开发更全面的适应方案以巩固多模态知识。
TactoHand 是一种模型,能从单目视频中预测三个密集的手表面交互场——接触、邻近和三维力。研究团队利用约 5000 万帧来源数据,从 curated collection 中推导几何基接触与邻近标签及运动导出的力标签。
论文提出 ROAD(Representation-grounded One-step Adversarial Distillation)框架,旨在解决现代文本生成图像模型的一步蒸馏难题。
针对中间融合式合作感知中协作者图像退化导致特征分布漂移、进而污染自车检测的问题,本文提出 AgentNorm 方法。该方法为每个协作者独立估计归一化统计量并锚定自车源分布,无需学习参数或梯度,且传输特征不变。在 OPV2V 数据集上,面对严重雾气时 [email protected] 提升显著;在 DAIR-V2X-C 真实世界数据集中,对所有基础设施腐蚀场景均优于池化归一化方案。
针对现有无图预训练依赖离散分类标签导致连续性丢失的问题,本文提出 FDSML 框架,结合改进的分形数据集 FineFractalDB 与参数感知三元组损失(PA-Triplet Loss),从图像生成参数空间提取关系监督信号以训练嵌入表示。
该框架采用 YOLO26n 骨干网络与 SiSo 颈部结构,旨在解决轻量级模型在火烟监测等安全关键应用中难以兼顾精度与资源约束的问题,代码已公开。
SymKL 提出了一种基于隐式神经表示(INR)和对称 KL 散度的统一全参考信号退化度量,适用于图像、音频及三维数据。该方法仅需参考与退化观测即可计算,无需知晓腐蚀过程或严重程度,且在 SIREN 架构下拥有精确闭式解。实验表明 SymKL 能准确追踪退化程度并在传统指标饱和时保持单调性,代码将在评审后公开。
针对广义类别发现中全局匈牙利匹配导致旧类别索引重分配并高估新类别准确率(误差可达 25.63 点)的问题,提出保留语义的 SPE 评估框架及缓解错配的 MMO 优化策略。该方法结合区域平衡损失与新颖多样性损失,理论上收紧了虚假增益的上界,在 GH 和 SPE 两种条件下均验证了有效性。
该论文提出 PicturePerfect 方法,利用预训练文本到图像模型实现同一身份的人脸无缝替换,同时保持背景完整。作者构建了包含不同表情和姿态的大规模图像对数据集,实验表明该方法在真实性和身份一致性上优于现有重演模型。材料为 ECCV 2026 workshop 的相机就绪版本(camera-ready),属于预印本性质。
针对自回归图像模型在推理时无法灵活编辑或补全的问题,本文提出一种适配预训练模型的方法,利用未来感知位置编码和排序课程学习,在不改变标准推理栈的前提下实现任意顺序生成。实验显示该方法在 ImageNet 补全任务上优于 MaskGIT,计算开销仅增加 13%-33%。代码已开源。
针对多图合成中随参考图数量增加而急剧下降的一致性难题,本文提出 DeCoRL 强化学习框架,将整体一致性分解为物体级一致性进行优化。该方法首先建立指令相关的跨图像物体对应关系并定位生成区域,随后利用基于 VLM 的奖励模型提供细粒度反馈以指导 RL 后训练。此外,作者构建了涵盖 2 至 6 张参考图的 DeCo-Bench 基准,实验显示其在多图合成一致性上表现优于现有方法。
MCL-UIE 是一种配对监督的水下图像增强框架,通过单调色度变换、不确定性门控小波重建及参考锚定退化重放技术,解决色彩校正与细节恢复难题。该模型在全参考数据集指标比较的 16 项测试中位列前 13 名,且无参考基准表现具有竞争力。代码已公开,无需推理时额外计算开销。
针对现有代理生成流程中 VLM 判断粗糙导致技能库被污染的问题,本文提出 VEvo-Harness,这是首个具备因果保护的持续自我进化系统。该系统通过分层验证树将稀疏判断转化为根因归因,利用反事实双臂图像回放仅接纳因果有效的技能补丁,并将经验蒸馏为可路由的持久化能力库,同时基于根因动态调度修复策略以维持系统的持续进化与泛化能力。
该论文提出了 Bongard-Forge100k 基准数据集和 RuleForge 框架,旨在解决多模态模型从少量示例中恢复抽象概念并进行可靠规则实例化的问题。研究通过联合训练视觉理解与场景编程监督,结合基于执行的强化学习进行优化,在熟悉规则和未见过的规则组合上显著提升了准确率与场景级规则满足率。
QbD-VLA 提出一种利用短闭环评估中任务成功率来分配权重与激活位宽的混合精度量化方案。实验覆盖四个 VLA 模型及全部 LIBERO 套件,在平均约 4 比特权重和少于 6 比特激活下保持强性能;SIMPLER 增益较小,Franka Research 3 机械臂上仿真优选策略对 X-VLA 无成功率损失但针对$\pi_{0.5}$失效。代码已开源,部署前需真实世界验证。
Jev 通过类型化查询原语实现高效决策,但跨原语一致性未被系统评估。该工作引入四轴基准 PrimaCons,发现所有 Jev 尺寸均存在一致性违规,且此类差异能以 0.91 的 ROC-AUC 预测决策失败。
V-CAPE 是一个包含 40K 对源 - 目标产品图像的大规模数据集,用于评估生成式图像编辑中的几何、纹理等内在属性保持情况。该数据集结合真实编辑图像与基于 3D 资产构建的合成子集,标注了二元接受/拒绝标签及细粒度失效模式。评测显示,各类规模的视觉语言模型(VLMs)在自动质量评估任务上的准确率均低于 65%,揭示了当前模型在验证变换后视觉一致性方面的根本局限。
该论文初步调查了立体匹配任务中的域内和跨域数据缩放定律。研究团队构建了包含 20 万样本的逼真合成数据集 XStereo 作为基准,发现域内训练呈现从标准幂律到饱和的两阶段行为,而跨域性能对源域数据规模的依赖较弱且难以预测。
论文提出了一种分析图像数据集分布差异的新方法:先用细粒度 patch embedding 从宽泛列表中选择概念替代昂贵的 MLLM 提案,再将计算资源用于优化这些概念以发现细微差异。研究还设计了关注低频和多概念区分度的新基准,并展示了该方法能有效检测虚假相关性和偏差。
UnMixMamba 模型通过解耦时空谱特征与自适应分配计算资源,解决了 MODIS 时间序列作物分类中的混合像元及少数类误差难题。
针对现有多智能体深度强化学习模型仅使用二维位置而忽略姿态信息的问题,研究利用欧冠 2022/23 赛季数据对比了六种姿态表示在五种学习设置下的效果。结果显示,添加 3D 姿态仅在三种情况下稳健提升回报预测(主要基于躯干和头部朝向),而在十二种情况下恶化预测;移除动作预测损失可将位置仅值的技能从 0.003 提升至 0.040。
arXiv 论文《Hidden Commitment》测试了大模型在冲突语境下的回答机制,发现即使要求披露分歧,模型仍可能返回单面答案。研究通过 Qwen 0.8B 和 Gemma 3 1B 验证,利用残差读出可捕捉隐藏的源选择方向,并通过稀疏中间层 MLP 写入器及坐标引导来改变所选来源。
论文提出 TreemapMix 方法,通过从 Dirichlet 分布采样源权重并结合树状图分区分配区域比例,实现受控的多图像组合。该方法在 ImageNet-1K 上分别利用软交叉熵(SCE)和 Plackett-Luce(PL)目标进行训练,前者显著降低了校准误差,后者实现了最强的 Top-1 准确率。
当前文生视频数据集多局限于单事件短片段或粗糙描述,难以建模长镜头时序依赖。本文引入 MEV 数据集,提供高质量真实世界视频,主体可执行一系列非重叠的独立事件,具备精确的时间边界和细粒度过程标注。配套的事件级分割与结构化注释管道支持全局及事件级 caption 生成。基于该数据集与时序锚定事件条件的微调实验显示,多事件生成的过渡更平滑、内容更连贯。
针对短视频平台金融诈骗诱导行为,现有纯文本管道难以捕捉视觉线索且定位不精确。研究构建含 2,419 个视频与 3,194 个标注事件的专用数据集,提出 OCR+MLLM 方案在保持 67.0%宏观召回率的同时,将 mIoU 从基线的 14.49 提升至 26.52。该方法有效检测纯文本遗漏的非视觉诱导并实现精准时序定位,但需警惕奖励黑客与强定位奖励导致的类别平衡下降问题。
针对高分辨率卫星影像建筑损毁评估中模型过度依赖邻居信息而忽略孤立受损建筑的问题,研究团队提出一种无需重训的‘建筑证据’插件。该插件引入仅关注建筑本身和经交换训练以不信任环境的两个专家模块,在保持整体精度的同时,将孤立受损建筑的检测率从 1-6% 提升至 13-39%,并将误判率降低 40-69%。
该论文审计了 LOL-v1 和 LOLv2-Real 两个低光照图像增强标准基准,发现其测试集标签与训练集存在显著分布差异(如 LOLv2-Real 测试标签比训练暗 14%)。这种偏移导致依赖测试集调优的方法性能虚高,且移除官方发布的测试设置会改变方法排名。作者提供了具体的报告建议以区分可校准的偏差与仅靠测试集调优带来的增益。
AFSeq 数据集引入 1,194 起 2023 至 2026 年来自八国的近期火情,填补了现有基准对短小火灾覆盖不足的空白。UTAE-AR 模型在 WSTS、WSTS+ 及 AFSeq 上超越最先进方法,参数量仅为对手的 21.5% 且支持长视界预测。该成果已获 WACV 2027 接收,为序列到序列的火灾扩散预测提供了更大规模与更多样化的数据基础。
针对可变形医学图像配准需逐对优化参数导致适应慢的问题,研究提出利用历史任务学习初始化以加速早期适配。基于 KAN-IDIR 模型在 OASIS-1 数据集(364 对训练、49 对测试)上验证,Reptile 与 STRAINER 方案均优于随机初始化且 Reptile 在小迭代预算下表现更佳。
本文提出 RPKD(Random Prototype Knowledge Distillation),挑战知识蒸馏中师生模型需占用兼容或显式对齐特征空间的假设。
该研究提出了 Venus-DefakerOne2 模型,旨在解决现实世界伪造的异质性挑战,涵盖数字操作与物理欺骗、图像及视频等多种媒体类型。
针对现有代理式图像编辑器在步骤失败时重试工具单一、人工评分不可靠的问题,本文提出 EditAgent 框架。该框架将每个步骤路由至通用编辑器与专用方法,并为候选结果附加验证记录,利用现成视觉语言模型(VLM)进行列表级并行评测。实验显示,该方法在专家标注基准上显著优于微调奖励模型,且能以不超过一半的调用次数完成决策。
推荐理由:该文提出 EditAgent,通过路由策略与验证记录解决通用编辑器失败率高及评测不可靠问题。
该论文提出 Intrinsic Distribution Matching(IDM)方法,旨在解决少步文生图任务中细节渲染不足的问题。研究通过分解反向 KL 散度场,显式约束特征均值和标准差,利用生成器自身的指数移动平均副本进行监督,无需外部特征编码器。