IMPOSE:一种保持身份一致的无接触指纹多姿态生成方法
针对无接触指纹识别中因手指自由姿态导致的几何失真问题,该研究提出 IMPOSE 框架,利用潜在扩散模型生成卷曲指纹身份,并通过 Sauvola 局部自适应二值化引导跨模态翻译,结合三维手指模型纹理映射与投影实现物理驱动的多姿态模拟。
针对无接触指纹识别中因手指自由姿态导致的几何失真问题,该研究提出 IMPOSE 框架,利用潜在扩散模型生成卷曲指纹身份,并通过 Sauvola 局部自适应二值化引导跨模态翻译,结合三维手指模型纹理映射与投影实现物理驱动的多姿态模拟。
RAIL-BENCH 是首个专为铁路自动化运营设计的感知基准套件,包含轨道检测、目标检测、植被分割、多目标跟踪和单目视觉里程计五大挑战及对应数据集与公开排行榜。论文重点介绍了 LineAP 指标,该指标通过解耦几何精度与实例分组并引入基于轨距的距离阈值,解决了现有线检测指标在铁路场景下的局限性。
HumanScore 提出评估生成视频中人体动作质量的系统框架,定义运动学合理性等六项可解释指标。该基准通过提示词激发多样化动作,对十三种最先进模型进行评测,揭示感知逼真度与生物力学保真度的差距并识别时序抖动等失效模式,产出基于物理意义的鲁棒排名。
AFINR 提出一种空间自适应频率调节框架,通过离散余弦变换参数化控制场解决自然信号频域内容随位置变化的问题。在 Kodak 和 DIV2K 数据集上,结合 CAFE+ 解码器的 AFINR-CAFE+ 版本平均提升 3.95 dB(Kodak)和 3.50 dB(DIV2K)。消融研究验证了该框架在傅里叶分量使用上的位置依赖性优势。
TFusionOcc 提出一种基于学生氏 t 分布 T-Primitive 的物体中心多传感器融合框架,通过可变形超二次曲面增强几何表示效率。在 nuScenes 数据集上该方法优于近期最先进方法,并在 nuScenes-C 和 SemanticKITTI 基准测试中展现出跨数据集适用性与鲁棒性。代码将于 arXiv 发布,相关论文版本为 v3。
针对红外与可见光图像融合在复杂低光环境下的评估瓶颈,本文提出 Weber-Inspired Local Contrast (WLC) 指标。该指标基于韦伯定律将评价范式从全局统计分布转向局部语义对比,利用红外先验有效分离目标显著性与背景噪声。实验表明 WLC 在 DroneVehicle 数据集上对热目标具有高分辨能力且计算高效,可作为智能无人机系统的可靠实时标准。
论文提出了 BEVTraj 框架,旨在解决自动驾驶中依赖高精地图进行轨迹预测的成本高、更新难问题。该方法直接利用原始多传感器数据构建鸟瞰图(BEV)特征,通过可变形注意力机制选择性聚合稀疏的空间上下文,并结合稀疏目标候选提议模块生成自适应的目标假设。实验在 nuScenes 和 Argoverse 2 Sensor 数据集上验证了其在无地图设置下的竞争力,代码已开源。
针对三维经食管超声心动图标注数据稀缺问题,研究提出保留标签的傅里叶域适应方法,利用 Chat-GPT、Google Gemini 和 Microsoft MAI 生成的无标注图像作为风格供体。实验基于 DeepMitral 模型在 MVSeg2023 数据集上验证,仅 MAI-FDA 相比真实数据基线显著提升广义 Dice 分数,证实生成式 AI 虽能提供风格多样性但非必然优于真实图像训练。
针对单像素成像中测量成本高且存在辐射剂量的问题,LIPS-PC 方法通过端到端学习照明模式并联合训练修正器与分类器,在无需重建目标的情况下直接输出类别标签。该方法在 MNIST、Fashion-MNIST 及 RIAWELC 数据集上评估显示,当采样数 M=8(占比低于 1%)时,其准确率比最佳固定变换高出 9-15 个百分点,且达到同等精度仅需约 2 至 4 倍的测量次数。
针对稀疏血管分割带来的几何模糊,该研究提出结合学习到的 3D 扩散先验、视觉包络初始化及投影数据一致性的重建框架。在 ImageCAS CT 衍生的模拟造影图像上,该方法在两至八视角下均优于视觉包络、深度图像先验等基线,八视角低对比度时 Dice 提升约 0.13。尽管临床验证尚需进行,但平均随机重建进一步提升了精度并定位了误差区域。
针对现有跟踪即传播(TBP)方法在检测与身份关联耦合下易漏检或关联失败的局限,本文提出 TAQ-MOTR 框架。该方法通过预解码器混合查询生成器融合图像特征、轨迹记忆与可学习记忆,使检测查询适应当前未跟踪目标的发现及被遮挡目标的补充证据需求;同时引入仅用于训练的辅助检测分支以增强监督。
推荐理由:提出跟踪感知检测查询生成框架,解决多目标跟踪中漏检与关联失败问题。
针对移动和航空 LiDAR 点云中导线稀疏、噪声及植被遮挡问题,提出一种结合密度聚类、多项式拟合与碎片合并的自动化重建方法。该方法经语义分类后无需模态特定调参即可处理两类数据。在航空数据集上实现 96.87% 精度与 0.127m 几何 RMSE;在缺乏导线级标注的移动数据集上,点云到模型 RMSE 为 0.045m,重建覆盖率达 95.27%。源代码、文档及评估数据已公开。
研究利用地面激光扫描(TLS)点云对 25 个永久林地进行高斯分解,以连续方式量化灌木至树冠层的几何垂直连通性。多尺度分析显示,3-6 米单元在空间细节与交互模式表征间取得平衡,中位数皮尔逊相关系数介于 0.83 至 0.96。该方法克服了离散分类系统的局限,为提升梯级燃料刻画及野火风险评估决策提供支持。
该研究针对重复机器人监测中环境变化导致视觉内容减少或结构重复的问题,提出一种结合稀疏可靠绝对姿态约束与会内相对姿态信息的配准方法。通过视觉地物识别、局部特征匹配及几何验证估计对齐假设,利用序列共识保留一致的姿态作为绝对锚点,再经高斯特征场优化与稳健位姿图优化完成完整轨迹注册。
推荐理由:论文提出稀疏锚点方法,在环境变化下实现跨会话轨迹注册,在 HILTI26 数据集上优于独立定位与 SfM 直接配准。
针对现实世界图像中同类不同实例间的语义对应估计难题,本文提出利用 Galerkin 方法基于深度图像特征构建离散拉普拉斯 -贝尔特拉米算子以定义有意义的流形结构,并结合神经伴随映射表示非线性映射。该方法在多个稠密对应基准测试中达到了零样本图像匹配的新状态。代码已公开。
针对现有候选轨迹评估器依赖高成本且易累积误差的未来状态展开(rollout)机制,本文提出 RFWorld 模型。该方法构建共享场景记忆并通过轻量级时序读出塑造未来可读表示,推理时直接查询记忆进行评分,显著降低计算量并避免递归误差。实验表明,RFWorld 在 NAVSIM 和 Bench2Drive 数据集上实现了更优的规划对齐与世界表征学习,达到最先进性能水平。
论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。
推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。
论文提出一种基于 3D 几何抽象的接口,将机器人场景的空间推理从原始图像转移到文本和符号上。该方法利用校准后的 RGB-D 数据对物体部件进行类型化和证据感知的符号引用,并在每次动作后返回包含度量残差的紧凑文本检查点。
推荐理由:提出通过几何抽象将空间推理从图像转为符号,减少多模态查询并提升多步操作成功率。
BiStepNet 架构利用 StepUP-P150 数据集,在用户仅用固定鞋履注册的情况下,实现了针对任意未见鞋履条件的零样本步态身份识别。该模型将空间与时间特征解耦为独立训练流,性能随训练集中鞋履表示的体积和多样性提升而系统增强。研究还证明,通过架构分解设计引入部分模态重叠的辅助步态数据集,可进一步改善对未见鞋履条件的鲁棒性。
该研究在 NIH ChestX-ray14 数据集上训练了卷积网络与视觉 Transformer,评估其在美、越两地的 30.3768 万次决策发现:Grad-CAM 定位准确率最高仅 0.575,远低于放射科医生共识的 0.888。
针对无人机与地面监控摄像头图像间存在严重视角差异、遮挡及域间隙的挑战,本文提出 ProAlign 网络以解决层级特征提取中的累积位置漂移和跨视图语义不一致问题。
推荐理由:提出 ProAlign 网络,通过分层位置校准与视图感知原型对比学习解决空天地 ReID 的位置漂移与语义不一致问题。
针对汽车雷达感知中的杂波干扰问题,研究提出了轻量级微型图变换器网络(TGTNet),用于区分静止与运动目标。在公开数据集 RadarScenes 上的评估显示,该模型在精度和召回率上媲美最先进方法,但参数量降低一到两个数量级且推理速度显著提升。论文已被 IEEE Sensors Journal 接收,将于 2026 年 3 月发表,代码与数据暂未开放。
DPAGait 提出一种结合 2D 动态姿态与 3D SMPL 信息的双分支网络,利用 DPPS 表征提升信息熵以解决衣着、物体及视角变化导致的识别退化问题。该方法在 SUSTech1K、CCPG 和 Gait3D 四个野外数据集上验证了有效性,其中后两者支持或可估计 SMPL 信息,展现了跨时间变化的强泛化能力。完整框架代码与权重待 arXiv 注册后开放。
HTNN-MSC 提出用有界双曲正切张量秩替代传统范数,以解决多视图数据中主导分量被过度压缩的问题。该方法在 23 个基准数据集上平均聚类准确率达 0.8404,对凸 t-SVD-MSC 骨架取得 19 胜 1 平 3 负的成绩。论文为预印本状态,代码与权重暂未开放,实验仅覆盖计算机视觉领域的多视图聚类任务。
MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。
推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。
VisSearch-Bench 是一个包含 204 个人工编写任务的基准测试集,覆盖 7 个主要领域和 25 个子领域,旨在评估多模态智能体在利用图像工具进行长程信息连接时的表现。
该论文提出一种基于物理一致性的评估框架,用于验证汽车雷达感知中由数据驱动模型生成的车辆假设。该方法利用包含遮挡依赖边缘可见性、方位角与角度相关的 RCS 建模以及车轮诱导多普勒特征的物理参考模型,生成预期的雷达特征,并通过基于 Wasserstein 距离的一致性指标(涵盖检测空间分布、局部计数和反射强度)将其与观测到的雷达点云进行对比。
该研究利用仿射或方向协变特征,通过新型几何约束实现了联合单应性与径向畸变的极小化求解。在存在离群值时,该方法相比现有最先进方案显著提速且保持相当或更优的估计精度。实验验证了其在合成图像及含鱼眼畸变的真实图像上的有效性。
针对夜间图像复杂退化导致的质量评估难题,作者发布了 NightIQA 数据集与基准套件,包含由现代设备采集的 1,769 张高分辨率真实图像、专为多模态大模型设计的 1,078 道视觉 grounding 选择题以及生成 8 万张高保真图像的合成管线。基于该数据微调后的 Qwen3-VL-8B 在开源方法中表现最优,且整体准确率超过领先的闭源模型,验证了领域专用数据与结构化监督的价值。
针对现有方法依赖窄地理先验导致在大范围空天地跨视角定位中失效的问题,论文提出了 RingMatch 搜索验证框架与 VIGOR-Pro 基准数据集。RingMatch 利用预测不确定性筛选候选区域,并通过引入深度环这一新颖的几何表征作为空间签名,辅助 LVLM 解析视觉歧义。
作者发布了 iMED 数据集,这是首个针对机器人辅助微创手术(RAMIS)的同步多内窥镜数据集,包含来自两个独立立体内窥镜的 340 个序列约 17 万个同步时间点数据。
针对 AUROC 和 AUPRO 等全局指标在部分数据集上得分趋近 100% 且忽略阈值选择过程的局限,本文提出 Bounded AUKS 作为新的评估指标。该指标通过计算正常样本分布决定的有界范围内真阳性率与假阳性率的差值积分,直接量化异常分数分布的分离度。实验在 MVTec AD 和 VisA 数据集上验证了其在评估无监督异常检测模型方面的有效性。
VISAGE 是一种基于顶点的条件扩散框架,用于从稀疏图像恢复 3D 人头的身份忠实且基于物理的表面外观。该方法结合全局光谱处理与局部测地 K-近邻细化,无需训练时一致的 UV 参数化即可直接在任意网格拓扑上合成每个顶点的反照率和粗糙度。
论文提出 DOVE(Dental Optical Visual Encoder),基于约 53 万张无标注口腔照片进行域自适应自监督预训练,旨在解决口腔影像分析依赖昂贵专家标注的问题。
针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。
推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。
作者发布了 BhopalMLS 数据集,包含印度博帕尔约 10 公里道路走廊的 12 亿余点云及 1.9 万标注实例,涵盖细粒度静态类别与动态子类。实验显示微调后的基础模型 Utonia(L) 和 Concerto(L) 在该数据上表现优于从头训练的基线,且向其他区域迁移时效果显著优于反向迁移。研究归因于该数据集对非规划城市子类型的丰富覆盖,而非单纯的数据量或几何结构。
MambaHand Net 提出双流框架,结合 CNN 提取帧级局部身份特征并利用双向 Mamba 建模长程行为依赖。该方法在 SCUT-DHGA 基准数据集上取得最先进平均性能,验证了融合 CNN 与 Mamba 架构对动态手势认证的有效性。论文为 arXiv 预印本版本(arXiv:2611.04626),代码与权重尚未公开。
基于孪生神经网络和对比学习的深度学习方法,利用丹麦 CareForColon2015 试验中由临床专家标注的 5,103 对相同及不同息肉图像进行训练。实验结果显示该模型在结肠胶囊内镜分析任务中分类准确率达最高 92%,AUC 值接近 0.98。该技术有望减少息肉重复计数、优化患者风险分层并降低不必要的随访肠镜检查需求。
该论文针对弱监督旋转目标检测中缺乏明确方向信息导致的学习不稳定问题,提出利用图像自身梯度先验生成伪角度标签进行辅助监督的方法,无需旋转框标注或额外参数。研究还引入包含角度差异的评估指标以弥补传统 AP 对角度误差的掩盖。实验表明该方法在基准数据集上提升了检测性能与方向估计质量。材料为 arXiv 预印本,已接受 WACV 2027。
论文 SparseGraph-I2P 针对粗到细图像到点云配准中易丢弃正确但模糊的图对、重复匹配的问题,提出结合外观与深度兼容性构建粗假设图,并通过稀疏精细匹配解码像素及利用深度感知过滤提升内点率。该方法在传感器深度和单目深度校准条件下,于 RGB-D Scenes V2 和 7-Scenes 数据集上实现了最高的配准召回率和最低的延迟。代码即将发布。