RetiDual-Select:视网膜 OCT 图像质量偏移下的可靠性感知专家 - 通用路由方法
RetiDual-Select 结合 RETFound 与 MedSigLIP,通过校准的产品专家融合、小门控替代及冻结伤害守卫实现自适应路由。在 Kermany-4 数据集上,该方法于 2% 误报率下将选择性准确率提升至 99.89%,并在严重对比度降低条件下使增益扩大约九倍。研究仅基于合成扰动评估,未证实对自然采集或扫描仪偏移的鲁棒性,已提交 IEEE 待刊。
RetiDual-Select 结合 RETFound 与 MedSigLIP,通过校准的产品专家融合、小门控替代及冻结伤害守卫实现自适应路由。在 Kermany-4 数据集上,该方法于 2% 误报率下将选择性准确率提升至 99.89%,并在严重对比度降低条件下使增益扩大约九倍。研究仅基于合成扰动评估,未证实对自然采集或扫描仪偏移的鲁棒性,已提交 IEEE 待刊。
研究揭示合成自监督训练会导致超轻量修图网络在真实输入上产生绿色肤色色偏,即便全帧 PSNR/SSIM 指标未变。提出的逐像素、肤色掩膜不对称绿过量损失在无新增参数下将色偏从 70 张人像中的 52 例降至仅 1 例,且在 FFHQ 数据集上将错误率从 68.1% 大幅降低至 2.2%。该方法最终导出为 35 KB 的 TFLite 模型,相关论文已获 ACCV 2026 接收。
针对动态场景渲染中形变网络评估计算量大的问题,上海交通大学团队提出 CueSplat 后训练框架。该方法利用局部时序规律预测高斯属性,通过轻量级路由器在离线校准的预算内选择需精确更新的索引,并复用邻近帧的选择结果以降低开销;同时引入漂移信号调度全形变帧以控制误差。
针对传统安全控制依赖二元区域划分的局限,该研究提出基于 RGB 与 LiDAR 观测的连续风险评估框架,融合动能、势能等四因子生成风险分数。方法将估计值集成至泊松安全函数并引入拉普拉斯引导场作为滤波器,实现在开放世界机器人导航中的在线监测与干预。团队在仿真餐厅场景中验证了该方法的有效性。
论文介绍了 SE(3)-LIVOM,该系统是 IROS 2026 COMFORT Challenge 的总冠军,能在倒塌建筑等复杂场景下实时运行。系统前端扩展了多激光雷达和相机支持,自适应降采样将每帧处理时间控制在 35 ms 以内;后端通过平面束调整和增量位姿图修正漂移。在六个测试场景中,单一配置的平均绝对轨迹误差(ATE)达到 1.40 cm。代码已开源。
LightMatch 提出一种基于偏好的逆光照框架,通过解耦可控光与环境照明确定最佳布光位置。该方法在独立测试环境中达到 87.8% 的预言机改进率,真实 OLAT 人脸任务准确率达 73.2%,并将灯位方向误差降低 37.7%。
针对森林环境中植被重复及光照季节变化导致的视觉地点识别难题,本文以 MegaLoc 为外观基线,在 WildCross 基准上评估了时序、语言、结构及几何上下文对序列匹配与重排序的增益。结果显示,同向重访时分数空间召回率提升显著,但描述符空间表现下降,其他上下文表示未能提供一致改进,揭示了当前非外观表征在复杂自然场景中的局限性。
该论文提出了 PathoDraw 生成模型,旨在利用未整理的临床脑 MRI 档案数据进行分析。模型通过合成病变分布并学习健康解剖结构的符号强度偏差,实现了无需真实病理数据训练的零样本异常检测。实验在公开卒中、肿瘤及白质高信号数据集上验证了其在不同对比度和分辨率下的有效性,同时支持超分辨率重建与配准任务。代码已开源。
针对全球神经影像数据因隐私规则无法集中化的问题,本文提出 SCAN 框架,允许新站点在不共享患者扫描数据或重新训练的情况下,对 3D 医学视觉语言模型进行本地化适配。
推荐理由:提出无需共享影像或重训的站点感知协作框架,在保护隐私前提下实现多中心神经影像模型适配。
为提升自动驾驶对轮椅用户的包容性,研究团队发布了包含 467 张人脸模糊图像的轮椅配置图像数据集(WCID),涵盖手动/电动、子类型及遮挡等 10 类标注。该数据集提供验证集与测试集划分,用于评估卷积神经网络及冻结视觉语言探测器的跨数据集泛化能力与高斯模糊下的鲁棒性。代码、权重及数据已公开,旨在填补现有数据集仅标记存在与否的空白,推动无障碍车辆设计适配多样化轮椅配置。
论文提出了 GridDriver 框架,结合轻量级时空 BEV 感知与结构化空间 Token,在共享 LLM 中实现轨迹预测、自然语言导航及场景问答。系统在 NAVSIM 基准上达到 87.9% PDMS,nuScenes-QA 准确率为 57.6%,车载 ROS 2 端侧规划延迟为 32.7 ms(约 9.4 plans/s)。
REEL 框架通过线性语义解码器、预训练视频生成器及三种神经编码流,在 CC2017 数据集上将三位参与者的平均 Video 50-way 准确率从 0.2359 提升至 0.2434。该方法同样在 BMD 数据集的十位参与者中实现准确率提升(从 0.3653 至 0.3920),为视频脑解码提供了比复杂流水线更简洁的替代策略。
该研究提出了一种针对面部资产(albedo 和 displacement maps)的领域自适应扩散超分辨率方法,旨在解决通用生成管线仅输出1K分辨率而电影级特写需要4K的问题。
论文提出了 FaceRiff,这是一个统一且数据高效的框架,可直接从文本生成完整的 3D 人脸资产(网格、反照率和位移)。该方法适配预训练的 SDXL 骨干网络,使用 UV 法线图作为几何条件引导合成,仅需约 2049 个扫描数据和单 GPU 训练即可更新少于 3% 的骨干参数。盲测显示其感知真实度接近真实采集数据,且生成的反照率对光照独立,适合 PBR 重光照和毛孔级位移生成。
推荐理由:该工作提出 FaceRiff,利用预训练扩散先验与几何条件,在少量数据下生成高保真 3D 人脸资产。
本文研究能否利用预测视频的世界模型提供跨数据集泛化的信号以检测深度伪造。作者冻结 V-JEPA 2.1 编码器,使用 rank-16 LoRA 适配预测器,将预测输出与冻结编码器的目标差异定义为预测残差。
针对遥感图像感知相似度度量在自然图像上迁移效果差的问题,研究提出基于 RemoteCLIP 层对齐注意力分数(AAS)的新指标。引入无需人工偏好标签调优的遥感感知距离(RSPD),在涵盖合成伪影、超分及 SAR 转光学的盲测基准中表现优异。该成果已接受至 IEEE/CVF WACV 2027,显著优于简单余弦距离并具备通用基线竞争力。
该研究提出一种概率侧向运动预测模型,结合二自由度车辆物理先验与循环神经网络学习残差修正。通过多步展开训练直接惩罚累积侧向速度误差,并将条件高斯不确定性传播至位置与航向预测。评估显示,相比 Deep Dynamics 基线,其侧向位置均方根误差从 0.596 m 降至 0.483 m(提升 19.0%),侧向速度误差亦显著降低。
Data-Driven Variable-Length Compression of 3D Representations 提出一种利用数据集统计并仅通过快速前向推理即可适应个体形状复杂度的学习式变长压缩方法。该方法作用于通用潜在表示,显著提升了网格和符号距离场的率失真性能,解决了现有方法无法利用数据集级统计或固定压缩比的问题。代码已公开于相关 https URL。
本文指出当前六个开源权重的交互视频世界模型存在“相机高度回归”缺陷,即在生成过程中无法保持初始设定的相机高度(如地面机器人 0.15m),而是向人眼水平(1.1m-1.5m)漂移。
Edge-Adaptive Hiera-Seg 模型通过融合多朝向视觉辐照度数据,在边缘控制器上实现短临期建筑光伏功率预测。该架构利用分层区域提取与自适应模块处理缺失帧、延迟及局部阴影变化,输出包含置信区间的主导证据贡献分析。实验基于未见过的多建筑数据集验证了其在不同朝向下的泛化能力,旨在支持微网调度与运营规划。
论文介绍 π^4 作为统一的 4D 场景感知基础模型,能从野外未校准的 RGB 输入(单图、无序集合或视频序列)恢复稠密几何、相机位姿和度量尺度,同时输出 2D/3D 点轨迹及移动物体掩码。系统耦合几何分支与几何条件化的运动分支,在共享骨干网络下约含 05B 参数,单次前向传播即可完成大规模场景的联合重建与跟踪。材料提供数据、训练配方及关键设计选择的实证研究,代码与模型已开源。
推荐理由:该预印本提出统一模型以单张图像或视频序列恢复稠密几何与运动,参数量小于多数基线。
OpenAI发布GPT-6.2 Astra与Sol模型,Astra在Agents' Last Exam评测中比前代提升5.2个百分点且任务成本降至三分之一以下。两款模型已登陆ChatGPT Work、Codex及API,Plus和Pro订阅用户可用,其中Astra API输入每百万Token价格为8美元。
MindTopo 是一个基于认知科学与形式拓扑学的基准,涵盖连续性、分离性、序关系、封闭性与纽结五种属性,包含 3900 个核心实例和 11035 个扩展实例。
基于洛杉矶大都会区 9,085 张街景图像,研究发现对预训练 CLIP 进行编码器适配可将区域判别准确率从冻结编码器的 39.03% 提升至 75.94%-82.10%,并将预测中心均方距离由 12.30 km 降至 3.86 km。
针对现有压缩图像复原方法难以同时满足像素保真、人类感知和机器偏好之间的矛盾,论文提出 FDIR 框架。该框架分两阶段工作:首先利用质量引导的单步流模型生成结构先验,随后通过流条件细节细化网络预测残差以保留纹理细节并忠实于原图。在 LIVE1 和 DIV2K 数据集的严重压缩设置下,FDIR 在所有指标中均取得最佳或次优排名,且在下游检测、分割等任务中表现优异。
该论文提出 3D-MoE,一种利用混合专家架构和模态感知概率路由的高效 3D 视觉语言模型。研究集成基于扩散的动作头 Pose-DiT,将模型转化为能生成精确 6D 姿态的 3D 视觉语言动作(VLA)模型,支持机器人操作任务。实验表明该模型在多个基准上表现优异,激活参数大幅减少且推理实时,已接受 EMNLP 2026。代码开源。
针对多视图投影和现有 UV 空间方法依赖辅助模块导致的接缝不连贯问题,论文提出 DirectUV 框架。该方法在预训练图像 VAE 的潜在 UV 空间中运行,利用 Diffusion Transformer 结合单张输入图像和粗略 UV 图进行去噪。
该论文在 COCO-Val 全量数据集上分析了零训练大语言模型与开词汇检测器流水线的表现,发现定位准确率下降主要源于词汇新颖性导致命名对象超出标注类别范围,而非模型幻觉或视觉复杂度问题。研究证实了该现象具有通用性,并修正了前版计算误差,为开放世界多模态系统的评估与设计提供了关键依据。
推荐理由:研究发现零训练流水线中定位与语义的差距主要源于标注类别限制而非模型幻觉,为评估开放世界系统提供了新视角。
该论文提出 PRIME 方法,通过跨注意力机制聚合过去感知、推理及导航目标的潜在表示,为 VLA 模型提供情境记忆反馈,使其感知查询具备意图驱动性。实验显示,该方法在基准测试中实现了 82.47 的驾驶得分和 60% 的成功率,显著优于现有基线。材料仅包含预印本摘要与元数据,未涉及真实部署或开源代码。
推荐理由:PRIME 通过引入情境记忆嵌入机制,以极小参数成本实现了感知模块的意图驱动注意力,在 Bench2Drive 基准上刷新了 VLA 模型的驾驶得分与成功率。
本文研究了冻结多源 3D 语义融合中直接取 Top-1 标签导致信息丢失的问题,提出通过保留 Top-k 候选来改善性能。在 ScanNet200 数据集上,Top-20 策略的调和平均 IoU 达到 35.49,优于 Top-1(28.47)和全量保留(34.87)。研究还发现几何池化算子下全量保留表现最佳。该工作为冻结基础模型的融合推理提供了新的信息论视角与实验证据。
该论文提出一种名为 Object-Aware Velocity Control (OAVC) 的无训练图像编辑框架,旨在解决现有基于速度的编辑器在对象中心编辑时易出现的背景漂移和边界不稳定问题。
针对视觉语言模型(VLM)无法从图像恢复三维几何的问题,本文提出一种可检查的 3D 几何中间层方法,建立无模型渲染基准以区分模糊视角、信息丢失或推理缺陷。
基于多样化纵向数据集训练的 AI 视网膜身份匹配系统,在 Rotterdam Study、UK Biobank 及 AREDS 研究中实现了跨设备与数十年的精准身份核验。该系统在固定每千次正确分配产生五次误报的条件下,错误分配率分别为 0.4、9.3 和 1.1 例/千次,检索任务中正确身份位列第一的比例达 97.2% 至 99.7%,并成功发现所有队列中的图像标签错误。
ALTER 提出解剖学局部时间证据表示方法,利用全局先验集成、区域代理差分和区间变化融合解决现有方法忽视患者个体纵向变化的难题。该模型在 RadGenome-ChestCT 验证集和 CTRG-Chest-548K 测试集上取得最先进结果,代码与数据预处理细节已公开。
论文提出 MoRAE 方法,利用预训练的 Motion-JEPA 编码器预测隐藏关节轨迹并压缩其冻结特征,构建适合流变换器的紧凑潜空间。该方法在 HumanML3D 和 KIT-ML 数据集上实现了最先进的 FID 分数,同时保持了接近真实运动的检索式文本一致性和多样性。材料为 arXiv 预印本版本,未提及同行评审状态或开源代码仓库。
本文提出一种从不确定性到确定性的粗到细视觉楼层平面图定位(FLoc)框架,旨在解决室内重复布局导致的跨模态信息不对称问题。该方法在粗略阶段利用图像条件化的位姿扩散模型参数化连续多模态分布,引导随机初始化的位姿粒子流向不同候选模式;在细化阶段提出局部精炼器,基于候选中心裁剪的平面图预测亚米级位姿残差以消除结构歧义。
Quasi-SVD 通过左奇异向量的李参数化代数与软约束,实现了 GPU 友好的并行矩阵分解。该方法在 MNIST 去噪、穆勒矩阵偏振测量及超声定位显微镜等任务中,相比精确 SVD 提速 2.6--67 倍且保持高重建保真度。该预印本论文(arXiv:2607.25967)展示了跨仪器与尺度的稳健域迁移能力,显著加速了成像流水线处理。
针对视觉地点识别(VPR)在真实部署中依赖固定阈值且难以应对环境变化的问题,本文提出 Visual Place Recognition Auditing 框架,利用视觉语言模型(VLM)联合推理查询与候选图像以评估匹配结果。
论文对 Segment Anything Model 3 (SAM 3) 进行了多任务实证评估,涵盖场景分类、目标检测和实例分割,且无需微调。研究发现仅使用文本提示效果较差,加入视觉提示能显著提升准确率;结合两者时效果依任务而异。在通用域开放词汇检测与分割基准上,SAM 3 的纯文本性能优于多个对比模型,但无视觉提示时的准确率仍受限,未来工作需探索参数高效微调方向。
针对 3D Gaussian Splatting(3DGS)在近景渲染时质量下降及基于扩散模型的增强方法存在伪影的问题,本文分析了其根因是参考图与近景之间的尺度差距导致特征非尺度不变。