FMT:固定步数并行无损图像压缩格式发布
FMT(Fixed-step Multiscale Tree)是一种将解码顺序与熵编码器协同设计的无损图像格式,确保任意尺寸图像均在固定数量的串行步骤内完成解码。该格式在无需网络时即超越 NVIDIA HTJ2K 的体积与速度;配合大型网络,在相同 A100 GPU 上将 Kodak 照片解码速度提升 9 至 61 倍,且优于同类学习型编码器。
FMT(Fixed-step Multiscale Tree)是一种将解码顺序与熵编码器协同设计的无损图像格式,确保任意尺寸图像均在固定数量的串行步骤内完成解码。该格式在无需网络时即超越 NVIDIA HTJ2K 的体积与速度;配合大型网络,在相同 A100 GPU 上将 Kodak 照片解码速度提升 9 至 61 倍,且优于同类学习型编码器。
RVT-T 模型基于 v2e 模拟器生成的合成事件数据,在 Jetson Orin Nano 平台上以约 136 ms 延迟和 2.02 J/样本能耗实现海上人员实时检测。该模型在 843 个测试样本上达到 15.63% AP50:95,显著优于 YOLOv8n(6.89%)和 RT-DETR-R18(9.44%)。研究已接受于 WACV 2027 海事计算机视觉研讨会,代码与数据待开放许可。
针对轻量级用户设备上的音视频问答任务,本文提出一种免训练的查询无关令牌剪枝框架,通过蒙特卡洛沙普利估值定义视频时空块和音频窗口为播放器,结合嵌入覆盖目标保留高重要性令牌以构建可复用记忆。
论文介绍 ReTouchGS,这是据称首个针对预训练 3D Gaussian Splatting 模型的免参考图像美学色彩增强框架。该方法通过模型及其相机参数预测场景级查找表(LUT),并利用共享的混合感知色彩细化网络(仅 4.47 万参数)实现无需渲染的色彩映射与几何保持。
该团队利用 Sentinel-2、Sentinel-1、ALOS PALSAR 及 ALOS 高程数据,基于圣保罗州航空激光雷达训练的深度学习网络,生成了 2024 年巴西大西洋森林冠层高度(10m)和地上碳密度(30m)全区域图。
论文指出前向过程强化学习在利用移动策略副本作为锚点进行稳定训练时,会因负优势导致凹性更新干扰正反馈教学。作者形式化这一冲突为锚点耦合问题,并提出优势门控适应方法,通过参数无关的门控函数区分处理正样本的目标拟合与负样本的局部排斥方向,同时利用冻结预训练参考保留长程行为。实验表明该方法在组合生成、文本渲染和偏好对齐任务中提升了奖励与质量的权衡效果。
论文提出 M3OPD-Reasoner 这一完全开放的视觉语言模型(VLM)后训练方案,涵盖图像 STEM、图像感知和视频三个推理领域。研究构建了包含 1.35M 样本的监督微调数据集和 19.3K 样本的强化学习数据集,并在去污染后的 21 个基准测试上验证了多教师同策略蒸馏(MOPD)结合组序列策略优化(GSPO)及混合强化学习的最佳组合效果。
推荐理由:作者提出 M3OPD-Reasoner 开源配方,通过多教师同策略蒸馏与强化学习结合,在图像 STEM、感知及视频推理任务上实现性能提升。
该文针对文生视频扩散模型忽略提示词部分的常见修复手段(提升分类器自由引导尺度)进行了测量研究。研究发现,该手段仅在提示词不含否定词、无特定时间绑定事件且'需求分'足够高时才有效;对于否定句或晚期事件失败,重新生成反而更有效。作者提供了基于提示词和首阶段去噪分数的事前判断规则及三种失败类型的修正方案。
研究利用预标注视频训练 YOLOv11 模型,经 TFLite 转换部署于安卓应用,在温控鸡舍中实现对坐、站立和采食三类行为的自动分类。测试显示静态姿态识别准确率最高(坐姿 AP=0.531,精确率 100%),动态采食行为表现较低(AP=0.292,召回率 0.20)。
该研究提出一种基于压缩比特流的 AI 生成视频检测新方法,发现因果视频自编码器会在位流中留下架构特有的周期性节奏(如 CogVideoX 和 Wan2.2 的四帧脉冲、LTX-Video 的八帧脉冲)。
针对生物医学图像分割中密集标注稀缺及跨主体、跨模态泛化难的问题,该研究提出 CAST 框架。该方法基于冻结的 DINOv3 骨干网络,无需额外训练即可在推理时通过少量标注示例实现精细化的结构对应关系校准。
Rescaling OLS-Merged Adapters 方法通过重缩放合并更新量,解决了普通最小二乘法(OLS)在激活分布重叠时削弱任务特定信号的问题。在多主体个性化场景下,该方法将合并适配器数量扩展至 30 个,显著提升了主体保真度并优于未缩放基线。此外,该技术在风格迁移、概念擦除及图像分类等任务上也取得了改进效果。
建筑变化检测通常依赖昂贵的大规模密集标注。本文提出 Linear INduced Discriminants (LIND),一种无需训练的框架,将区域特征对比转化为可复用的线性分类器。
推荐理由:提出无需训练的线性判别框架,利用少量标注实现跨数据集的建筑变化检测。
针对像素空间 Transformer 在生成质量与效率上落后于两阶段潜变量模型的问题,本文提出 Hierarchical Diffusion Transformers (HiT)。
推荐理由:提出 HiT 架构,在像素空间内显式学习视觉层级以缩小与潜变量模型的差距。
该论文构建统一流程,通过从不同大视觉语言模型提供的候选回答中选取最佳答案来形成集成。研究在 34 种置信度估计、24 种集成配置、20 个数据集及两种提示规范下进行了全面评估。
Fiberpose 将纤维分析重构为平滑距离变换场的直接回归,通过几何算法在统一工作流中实现直径与方向测量。该独立 Python 桌面应用及 Web 工具在 SEM 图像数据集上,实例分割精度优于 SAM2 和 Cellpose-SAM,直径测量更准于 DiameterJ、Fibar 和 GIFT,且在弱边界密集区域有效并具备跨显微模态的定性泛化能力。
该研究提出一种带注意力增强的 U-net 生成器与多损失目标的条件对抗网络(cGAN),旨在解决跨卫星泛化难题。模型在 CBERS 及 AMAZONIA-1 数据上训练,针对 SWIR-2 波段实现 SSIM 0.917、PSNR 33.35 dB,显著优于基线。代码与权重已公开于指定 URL,验证了从 VNIR 合成短波红外影像的可行性。
论文介绍 BRepA,这是一个通过图建模显式重建 CAD 模型几何与拓扑的统一自监督预训练框架。在仅有 1% 标注样本的分割任务中,相比从头训练提升 mIoU 32.52%;在生成任务中,对齐扩散模型表示可加速收敛近 2 倍并改善生成质量。作者将开源代码以支持未来研究。
SPS-GS 提出一种“仅编码一次”框架,通过相位相干混叠解调与高斯投影对齐技术,从单张高分辨率图像合成多阶段低分辨率观测以学习超分辨率。该方法无需真实多帧训练序列即可整合多帧信息,在五个遥感数据集上优于单图及多帧基线并保持推理效率。代码将公开发布。
MOSAIC 框架通过在线传感器设置估计,从普通运动中恢复传感器解剖身份与安装朝向,无需标定姿态。该方法利用身体姿态连续变化而传感器设置持久的特性,将模糊动作转化为互补证据,使预训练姿态估计器在随机化设置的真实惯性记录上实现接近校准的姿态精度。该成果为可互换传感器与预训练模型之间提供了可复用的接口,支持跨姿态网络的设置恢复。
针对当前视觉语言模型在病理全切片问答中过度依赖语言先验、对候选答案顺序敏感及存在捷径的问题,该研究提出了 SlideJev 框架。该方法通过并行计算支持度与拒绝度的对数似然差来评分候选答案,并利用组织证据引导解码器层的视觉 token 更新,从而将判断 grounded 于病理图像本身。
推荐理由:该工作提出 SlideJev 框架,通过组织稳定的候选答案验证机制解决病理全切片视觉问答中的语言先验依赖问题。
针对现有视频恢复方法在提升时间一致性时牺牲视觉保真度的问题,本文提出一种生成式视频恢复方法,通过结合噪声能量重平衡、运动对齐噪声变形、自监督去噪编码器及解耦时间注意力机制,实现了从图像生成先验到视频细节合成的跨越。实验表明该方法在视觉质量、细节丰富度和时间稳定性上均优于现有方案。材料为 NeurIPS 2026 会议投稿的预印本版本。
推荐理由:该文提出利用图像扩散先验解决视频恢复中细节丰富度与时间一致性的矛盾,方法包含噪声能量重平衡与时空对齐等模块。
针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。
推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。
arXiv 发布了一篇关于 3D 形状反射对称性检测的论文。作者提出无需训练的 FAST 框架,结合几何对投票与高效谱计算,将搜索空间从候选平面缩减至平面朝向。利用 Funk-Hecke 定理在球谐域进行平滑处理,实现了低于 4ms/形状的 GPU 推理速度,在多基准测试中 F1 分数最高(0.861 和 0.947),且对几何噪声具有强鲁棒性。
针对现有可解释 Vision Transformer(ViT)因自注意力机制导致局部特征吸收全局上下文而缺乏忠实性的问题,本文提出一种将图像表示为孤立部分图的分类器。
论文提出 Kolibri 方法,利用几何细化机制将机器人定位问题简化为仅寻找房间位置(Place),由图网络处理颜色与局部形状特征确定具体姿态(Pose)。该方法在 ScanNet 未见过房间测试中表现优异,单帧推理耗时 82ms,显著快于传统 GeDi 方法,且无需房间标签即可工作。
TinyWOD 是首个针对 1.5-2.0 km 高空开放水域搜救场景的微小目标检测数据集,包含 11,359 张标注图像及 19,505 个实例。该数据集平均等效边长为 12.7 像素(76.96% 低于 15 像素),填补了现有数据集不支持高空自动检测的空白。研究通过定义 APtiny 指标验证了主流网络在该场景下的有效性,支持相关算法研发。
arXiv 论文《Pixel is All You Need》系统研究了纯像素空间生成模型(无文本 Token)的推理能力。研究发现,现有视觉生成模块在缺乏底层文本模块支持时无法进行符号推理;而从头训练的纯像素模型能直接在画布上阅读问题、书写中间步骤并输出答案,表现出类似大语言模型的标量行为与规模定律。该研究还验证了单画布共享机制使模型具备跨模态推理能力,且强化学习后训练进一步增强了其推理性能。
推荐理由:该研究在纯像素空间训练生成模型,发现其具备类似大语言模型的推理能力与跨模态共享画布特性。
该研究提出 Visual Harness(\óurs),一种为通用视觉语言模型(VLM)配备交互式视觉工具与系统性诊断证据管理的医疗视觉 harness。通过该架构,通用 VLM 可交互探索医学影像并逐步获取诊断证据,这些证据在无损记忆中保留以供后续检索使用。
NexSight 提出一套用于评估和训练智能体长视频理解的框架,通过 SightForge 管道仅接受能被独立证据重构且无反例的任务,构建了 310 个可追溯任务的 SightLine 基准。该研究展示了在少量示例下微调模型能显著提升交互准确率并引入显式空间检查能力,同时指出当前最强模型在无辅助证据时表现仍有提升空间。
该论文提出 Perception-Question On-Policy Distillation (PQ-OPD) 框架,利用训练期的感知问题(PQs)引导视频描述智能体主动探索关键视觉证据而不泄露答案。
RefCloth 框架在冻结源策略下优化单一持久对抗桌布,实现零样本跨任务与模型迁移。该方案在四个 LIBERO 仿真套件中,使 OpenVLA-OFT、π0 及 π0.5 的成功率相对未优化桌布平均降低 62.50 和 43.75 个百分点(注。
SlopeGuard 结合光谱斜度与语义特征,在 AIGCDetectBench、GenImage 和 AIGIBench 基准上分别达到 97.5%、97.8% 和 85.1% 的平均准确率。该方法在模糊、裁剪及噪声干扰下保持竞争力,解决了现有频率方法过度拟合生成器特定伪影的问题。研究论文已提交至 arXiv (arXiv:2611.22727),代码与权重开放许可情况待进一步确认。
ConserveEdit 提出一种编辑器无关的控制器,将每次细化步骤视为针对源图像的合约交易,确保授权区域外像素位精确且独立限制漂移。在冻结 Qwen-Image-Edit 模型上,该方法使 DINO 相似度从 0.67 提升至 0.85;相比直接编辑,其受约束成功率由 23% 升至 53%,模拟器中更达 61.8%。代码与日志即将发布,但自动定位仍是主要瓶颈。
该研究探讨了在模拟移动平台上,基于文本视图训练的 GUI 智能体为何难以迁移到截图视觉输入的问题。作者发现阅读器的误读具有系统性且重复出现,单纯匹配噪声的仿真到现实补救无效。通过仅在阅读器层面进行对齐微调(reader alignment),使其输出与截图对应的文本视图,策略无需重新训练即可在未见任务实例上达到 80.9% 的全任务成功率,显著优于将相同预算用于直接训练策略的 55.6%。
PCRG 是一种无需训练的视频生成插件,利用 VAE 潜空间冗余度与视觉语言模型重要性信号将参考 Token 分为剪枝、缓存或保留三类。
在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。
推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。
该论文介绍 Social Signal Bench,包含 25 小时视频和 22 小时音频的密集标注数据集,涵盖十种社会信号与六种信号。基准提供公开训练集(含专家标注与伪标签)及私有测试集,并推出 Evidence-Weighted F1 (EW-F1) 指标以区分语义相关错误。实验显示基于该基准微调的 7B 开源模型在视频任务上超越通用前沿模型,音频任务表现相当。
针对未对齐 RGB 引导超光谱超分辨率缺乏大规模真实基准的问题,作者提出首个包含 403 个室内外场景的双相机数据集 DUET,并给出 TANGO 方法。该方法先通过端到端全局对齐补偿跨相机位移,再经粗细粒度局部特征对齐修正不一致性,并利用学习门控机制衰减无法匹配的 RGB 引导。
FVScore 通过编译显式命题与隐式约束,利用感知工具及线性时序逻辑算子对视频生成进行可解释性评估。在包含多事件的公开基准测试中,该框架在人类相关性上优于现有整体判断或智能体基线,并仅保留具有感知显著性的违规以校准报告。项目页面已提供,代码与权重许可状态待进一步确认。