ReSeed 方法通过修正扩散模型蒸馏首步偏差恢复多样性
ReSeed 是一种仅针对扩散模型蒸馏首步添加种子响应偏置适配器的后蒸馏方法,无需微调全量学生模型或目标图像。该方法在 FLUX.1-dev 等四文本生成模型上仅需 0.00196% 额外参数即可将 DINO 多样性提升 48.3%,有效恢复了因首步偏差丢失的样本多样性。
ReSeed 是一种仅针对扩散模型蒸馏首步添加种子响应偏置适配器的后蒸馏方法,无需微调全量学生模型或目标图像。该方法在 FLUX.1-dev 等四文本生成模型上仅需 0.00196% 额外参数即可将 DINO 多样性提升 48.3%,有效恢复了因首步偏差丢失的样本多样性。
LBS(Look Beyond Screens)是一种通过监督初始化 GUI 锚定轨迹并结合强化学习训练视觉语言模型,以支持跨界面任务观察的新范式。基于 Qwen3.5-35B-A3B 和 Qwen3.8-27B 的模型在固定推理设置下,于 PerceptionBench、HR-Bench 及 ChartQAPro 等基准上均超越对应基线。
该论文提出 EvidenceConnect 数据合成框架,通过利用单张图像内相关区域的局部放大视图生成需要比较、聚合或链式推理的视觉问题,并保留独立 VLM 一致的答案及通过区域消融测试的问题。基于此数据训练的 ZwZ2 模型在细粒度感知、空间感知、具身空间推理、多模态长上下文理解及通用视觉推理等任务上均取得提升。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源仓库链接。
推荐理由:提出 EvidenceConnect 框架,利用单图局部放大视图合成数据以训练连接证据能力,提升多模态感知与空间推理。
针对现有视觉语言模型 Token 剪枝存在标准不可靠、策略僵化的问题,本文提出 LearnPrunerV2。该方法在骨干网络每层集成轻量可学习模块,融合内在视觉显著性与外在查询相关性进行重要性估计,并引入预算确定性剪枝以建立硬件友好型调度。实验表明,在 LLaVA-v1.5 上剪除 77.8% 视觉 Token 时保留了 99.8% 原始性能,优于现有最先进方法。
针对教皇霍诺留三世登记簿的手写文本识别,研究通过审计现代转录稿发现,19 世纪古文献在正字法层可降低词错误率 1.50 分、在词汇层使未登录词覆盖率达 82.2%。蒸馏后的命名实体识别模型在专家验证基准上 F1 达到 82.1%,与最佳后处理标签器持平,有效辅助了未转录登记簿的分割与检查。该成果发表于 arXiv,属于计算机视觉与计算语言交叉研究,非物理 AI 或机器人领域发布。
该论文提出一种新的脊柱 X 射线地标检测方法,将解剖地标检测重构为像素级对比表示学习任务,通过匹配密集像素嵌入与地标原型生成更具判别力的热力图。该方法结合全局配置的可学习形状先验以解决地标位置歧义,在公开 AASCE 数据集及两个私有数据集上,其地标精度和临床参数估计能力均与最先进方法相当。代码与预训练权重已开源。
RangeRectQuant 提出了一种针对未知测量区域的前缀和误差控制方法,在保持像素范围与指定样本精确性的同时实现线性计算复杂度。实验表明,该方法在地形地表与水体分布等地理留出的栅格地图上,相比同类方案实现了显著的存储节省。代码、数据及核心实验结果已公开,支持用户在不依赖源数据的情况下对任意矩形区域进行测量。
该论文提出了 MoME 框架,旨在解决隐私合规中需选择性遗忘个体同时保留识别能力的难题。方法将骨干网络拆分为保留检索能力的核心参数和携带全量知识的零初始化寄生参数,通过梯度隔离确保核心不受遗忘集影响。
AlphaEarth 嵌入空间在 CONUS(2017-2023)和印度北部(2021)数据上,其 Bhattacharyya 距离比光谱相似对的传统特征高出一个数量级且能捕捉多年轮作动态。然而,谐波与 NDVI 特征展现出更强的跨大陆迁移能力(美国至印度宏观 F1:0.493 vs 0.326),揭示了表征丰富度与跨区域迁移性之间的根本权衡。该研究为大规模作物分类中的特征选择提供了结构化框架。
uTHCD-C 基于无约束泰米尔手写字符数据库,定义了含笔触变细在内的十种腐蚀类型及五级严重程度。研究评估了九种卷积与 Transformer 架构,结果显示 ConvNeXt 和 Swin 在归一化平均腐蚀误差上分别达到 0.75 和 0.83,显著优于 ShuffleNet 等模型。该基准提供了标准化配置、评估协议及计算复杂度对比,为未来鲁棒且高效的泰米尔手写字符识别研究奠定可复现基础。
AxisQ 提出一种深度自适应比特分配框架,在浅层特征使用通道域、深层特征使用局部频率域以保留微弱边界。该方法在 CAMO 基准上实现 W2A2 量化,CFRN 和 CamoFormer-P 的加权 F-measure 分别提升 12.7% 和 33.3%,优于最强基线。
MVRCap 框架将视频描述重构为受结构化验证引导的强化学习任务,利用细粒度可验证奖励机制确保视觉语义对齐。该方法结合概念覆盖、事实核查与简洁性约束三大支柱,在 VDC、CAPability 及 VC4VG 基准上取得最先进水平。相关代码与数据暂未开放,论文状态为 arXiv 预印本。
针对视觉自回归生成受限于训练数据分布的问题,本文提出 Next Token Imagination(NTI)方法,允许模型在满足特定约束条件下探索未见过的合理视觉实现。实验表明该方法能显著提升生成图像保真度,接近最先进扩散和自回归模型效果,同时具备更小模型规模和更低训练成本。
推荐理由:提出 Next Token Imagination 方法,在 ImageNet 上以较小模型和更低成本实现生成图像保真度提升。
针对监控摄像头图像存在的低分辨率、运动模糊及遮挡问题,该研究提出了包含 8MP IP Dome 摄像机采集的低质量(LQ)与控制环境高质(HQ)参考图像的 CVBL-CCTV-Face 数据集。系统构建了模块化流程,通过深度学习对 LQ 人脸进行超分辨率增强,并利用 L2 归一化嵌入模型实现身份识别。该框架已在实时无约束环境中部署用于身份验证,相关代码与数据处于预印本提交状态。
针对遥感图像文本检索中细粒度对齐与高效性难以兼顾的问题,该方法提出基于无交互多粒度召回和参数无关文本引导重排序的 FTF 框架。实验表明,该方案在公开基准测试上实现了具有竞争力的检索精度,同时显著提升了检索效率。
该研究基于 520 个 DailyDVS-200 片段和 47 名参与者,对比了 DINO-S CLS、DINO-B CLS 及 MobileNetV3-Small 在 50ms/8 视图条件下的捕获率与误触发数。
论文提出 SAGE(显著性退火门控编码器),通过显著性引导架构、退火训练范式及两阶段质量感知机制,提升自监督 ViT 在密集预测任务中的表现。该方法在 COCO、ADE20K、TinyImageNet 等基准上达到最先进或竞争性结果,并在华为昇腾 NPUs 上实现多任务最先进性能。代码与预训练模型将在内部审核后发布。
该论文提出了 WithinVAE,这是一种紧凑的变分视觉自动编码器,通过序列瓶颈、基于指数移动平均副本的 DINO/iBOT 风格自蒸馏以及位置相关令牌掩码实现四倍压缩比。
推荐理由:提出无需预训练编码器即可在自蒸馏中习得语义结构的紧凑变分自动编码器,实现四倍压缩比并提升重建指标。
针对生成器与编辑系统不断引入新伪造机制的挑战,研究提出 ARise(Authentic Reference-Informed Stability Enhancement)框架以解决攻击增量式持续学习问题。
GarmentSegAgent 框架集成语义规划、空间执行与视觉评估,利用 CAST 技术在推理阶段针对 DeepFashion2、ModaNet 和 Fashionpedia 数据集实现图像特定的错误修正。该方法在保持基础模型冻结的同时,相比传统 TextGrad 展现出更可靠的优化效果,显著提升了区域重叠率与边界精度。
该论文提出 Nemotron-Labs-Diffusion-Uni(NLD-Uni),这是一种用于视觉理解与生成任务的统一离散扩散大语言模型。
针对现有长尾识别方法强制所有类别统一坍缩导致尾部泛化弱化的问题,本文提出受控部分神经坍缩机制。该方法通过类自适应稀疏激活分类器和 ETF 约束自适应余弦损失,允许头部类别沿 ETF 坍缩而保留尾部类别的类内多样性。实验在 CIFAR100-LT、ImageNet-LT、Places-LT 和 iNaturalist-2018 数据集上取得最佳整体准确率,验证了该方法优于强制全坍缩策略。
论文提出了 SpeeDiff,这是一种从头联合训练 VAE 和扩散模型的潜在扩散方法。针对端到端训练中潜空间坍塌的问题,作者引入了 Tweedie 像素重建(TPR)损失,利用中间噪声状态解码预测的干净潜变量以提供像素级反馈。
针对现有多模态大语言模型(MLLM)对身体自身感知评估不足的问题,作者提出了 SOMA 基准,包含 1,632 个人工验证的细粒度问题,涵盖身体构型、运动动力学和时间推理三个维度。
CrowdCC 基准通过 A100 TensorRT 引擎在 FP32、FP16 及 INT8 精度下,利用 23 种部署动机腐蚀对 4 个数据集的 26 个模型进行联合评估。结果显示采集链路腐蚀导致最大性能下降,且 INT8 量化显著改变抗腐蚀鲁棒性却未稳定提升延迟或能耗。该基准代码已开源,旨在指导模型选择时需同时考量抗腐蚀能力与实测部署成本。
CRLoMTL 提出一种参数高效框架,通过 SVD 求解器在低秩更新空间融合多任务适配器,将最终更新折叠至主干网络以保留推理结构。该方法在 Swin Transformer 架构下于 PASCAL-Context、NYUD-v2 和 CelebA 数据集测试,相比单任务基线分别提升最高 2.77%、5.03% 和 3.50% 的准确率。
论文提出 Wiener-informed Decoding(WiD)方法,利用冻结的 Wiener 估计和基组先验来加速像素空间速度场的学习。该方法在不修改原生模块的前提下,通过可训练的预测路径与系数接口注入统计知识,联合优化频谱变换参数。
江苏具身智能公司艾利特机器人今日宣布完成由建信股权领投的 2 亿元新一轮融资,资金将用于开拓光通信、AI服务器等场景及扩充产能。该公司自研元启Primo工业大模型并融合视觉 - 语言 - 动作能力,协作机器人系列覆盖 5/6 轴构型且负载达 3~30kg。其产品已进入全球 50 多个国家和地区,2025 年出口销量占比达 33%,上半年海外增幅约 170%。
IntReal 提出包含 IntReal-100K 真实世界数据集及评测套件,填补了多模态交错生成任务缺失与细粒度评估协议空白。该套件在七维能力上实现低指标冗余(最大成对 Spearman ρ≤0.42)且与人类判断高度一致(83.3% 准确率)。基准测试四大类统一多模态模型并验证了后训练策略的有效性,支持模态特定优化而非全程联合训练。
SONATUS Fastlane Insight 凭借整合车辆数据、诊断信息与工程知识的能力,荣获 2026 第八届金辑奖“最佳技术实践应用奖”。该方案通过可解释的 AI 推理与闭环协同机制,帮助团队跨系统定位问题并推动解决。此次获奖是对欣纳德将车辆 AI 转化为实际工程能力的认可,旨在加速智能技术在汽车全生命周期的落地。
该研究发布了 Sentinel-2 主动火灾分割基准数据集,包含来自 2020 年 7 月至 2026 年 8 月加州 25 起野火的 2148 张图像掩码对。数据由 512x512 像素的三通道复合图构成,区分背景、SWIR-rule 活跃火点及无效观测,并附带独立分区与掩码盲审评估结果。开源代码库提供 ResNet-34 U-Net 实现及验证基线,支持稀有类别分割算法研究与跨事件迁移学习。
论文提出 LC-GRPO 框架,旨在解决基于流的生成模型在强化学习中因离散化导致的训练(随机 SDE)与推理(确定性 ODE)分布不匹配问题。该方法在每个 rollout 过渡中先执行对齐推理的欧拉步,再施加朗之万修正以恢复边际分布,无需额外分数模型且保持可处理的似然性。
论文发布 GPT4o-Receipt 基准,包含 1235 张收据图像(混合 GPT-4o 生成与真实样本),经五款多模态大模型及 30 名标注员评估。研究发现人类虽能察觉视觉伪影,但二分类检测 F1 值低于 Claude Sonnet 4 和 Gemini 2.5 Flash;核心原因在于 AI 收据的算术错误对人类不可见却可被 LLM 快速验证。
针对半监督学习中利用视觉语言模型(VLM)能力时面临的监督与蒸馏损失梯度冲突问题,本文提出双头优化(DHO)方法,为不同信号引入独立预测头以缓解冲突。实验在 15 个数据集上验证了该方法能提升特征学习效果,使小模型学生网络超越教师模型表现,并在 ImageNet 半监督学习与分布外泛化任务中达到新状态最优。代码与检查点已公开。
推荐理由:提出双头优化方法解决监督与蒸馏损失间的梯度冲突,在多个数据集上超越单头基线并实现小模型优于教师模型的效果。
该研究首次系统性地检验了基于最小化剪枝损失来选择非重要权重的 Oracle 剪枝方法的有效性。通过对 LeNet5、ViT 等模型在 MNIST、ImageNet-1K 等数据集上的大规模实验(涉及约 3.7 万个模型),研究发现对于非平凡规模的深度学习模型,重训前的性能与重训后的性能几乎不相关。
推荐理由:论文通过大规模实验发现预训练性能与重训后性能相关性极低,质疑了传统剪枝方法的理论前提。
InfoDiffusion 是一种通过引入低维潜在变量并基于观测与隐藏变量互信息正则化目标,解决扩散模型潜空间缺乏语义意义的算法。该方法在保持高样本质量的同时实现了可解释的解耦表示,性能可与最先进生成及对比方法竞争。代码已开源,相关成果发表于 ICML 2023(arXiv:2306.08757)。
Shuhan Xia 团队推出包含 2.3 万张图像的 ScenePercept-Bench 基准及 SCNA-Conditioned Perceptual Alignment (SCPA) 训练框架。
arXiv 论文 PAIQ 介绍了一种补丁对齐的语义注入框架,结合基于内容的交叉编码器匹配与正交约束的残差更新。该方法以 DINOv3 特征为空间基座,聚合 SigLIP 互补特征并通过共享正交变换 Q 注入差异,在保持残差范数和成对角度的同时适应更新方向。
FOCUS(Foundation Ophthalmic Cross-Dataset Understanding under Shift)是一个跨数据集评测基准,旨在解决单一数据集报告无法反映模型在数据分布偏移、临床定义差异及患者亚组间表现的问题。
推荐理由:FOCUS 基准统一评估了十种数据集上从纯视觉编码器到多模态大模型在视网膜影像分析中的泛化能力与校准表现。
针对现有方法忽视参数编辑后设计意图依赖的问题,论文提出了 DIP-CAD 框架,通过几何显式引用和约束建立命令级与草图级的依赖关系。研究引入了 Geometry Explicit Reference Dataset (GERD) 数据集以支持相关任务。在静态模型生成及参数编辑评估中,该方法分别提升了 mIoU 指标。