AFRNet:自适应频率重分布网络用于图像去雨
AFRNet 提出自适应频率重分布网络解决频域去雨模型子带间信息交互不足的问题,通过跨波段调制与子带补偿模块实现细节保留。实验显示该模型在多种去雨基准测试中表现优异且结果一致。论文已上传 arXiv,代码与数据许可状态待定。
AFRNet 提出自适应频率重分布网络解决频域去雨模型子带间信息交互不足的问题,通过跨波段调制与子带补偿模块实现细节保留。实验显示该模型在多种去雨基准测试中表现优异且结果一致。论文已上传 arXiv,代码与数据许可状态待定。
针对现有零样本单目度量深度模型评估依赖跨数据集平均分数的做法,本文指出其无法反映严重错误比例、偏差方向及共性失效图像。作者提出基于单图结果的评估框架,包含失效率(度量δ1<0.5)、结构对齐指标、尺度偏差与绝对误差等,并对比 11 种架构在 7 个日常场景基准集上的表现。
推荐理由:提出基于单图结果的深度模型评估框架,揭示日常场景中尺度误差仍是主要瓶颈。
论文提出 WTR-Drive,这是一种基于 Drive-JEPA 的规划器,旨在解决提案条件化场景预测缺乏通用对象级参考的问题。该方法将共享场景估计与提案条件化推理分离,利用独立的 World Memory 估计物体状态和地图结构,并通过任务分支更新残差以指导候选轨迹的细化。
论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。
推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。
该论文指出当前基于注意力或多样性的视觉 Token 剪枝方法存在局部不稳定和全局不一致的局限。作者提出 CoRePruner,这是一个无需训练的框架,结合了指令感知的多样性与可靠性感知注意力机制。实验表明,该方法在多种 MLLM 架构和图像基准测试中提升了性能,尤其在激进剪枝下表现更好,且在视频基准上保持竞争力。
Pointillist Maize 项目验证了使用消费级无人机 RGB 视频结合运动恢复结构与多视图立体视觉,可识别出叶片、茎秆等玉米器官。实验显示单轨道采集在植物结构内点浓度更高且空隙更少,而曲线路径虽能区分个体植株但土壤表面仍存在大量空洞。研究揭示了采集策略与重建完整性及点分散度之间的权衡,指出独立几何验证仍是定量表型分析的前提。
针对人类视频数据缺乏显式动作相关表征的挑战,本文提出 LSA 分层预训练框架。该方法通过 Lift 阶段将 2D 观测自适应对齐至 3D 基础模型中间表征以获取稠密表示;See 阶段引入深度图重建与手部区域提示以增强几何感知与交互热点关注;Act 阶段实现鲁棒的机器人操作。
该论文研究了针对视觉语言模型的幻觉缓解对齐流程,利用 16,143 条归一化反馈记录和 8,386 对偏好数据进行实验。研究对比了直接训练、零样本及两样本判定的严重性间隔变体,结果显示零样本变体将 Object HalBench CHAIRs 从 53.00 降至 36.00,AMBER-Hal 分数显著下降且视觉覆盖减少,同时基模型保留了最高的有效 POPE 对抗 F1 值。
该研究在 Cascade Mask R-CNN 架构中引入共享点基掩码细化模块,将掩码分辨率从 28×28 提升至 112×112。Transformer 与 MLP 变体在 PIXray 数据集上分别实现 71.79 和 72.47 的平均掩码 AP,较未细化检测器提升 1.29 至 1.97 个点。MLP 配置表现最优且改善了边界一致性,但需独立数据集验证泛化能力。
针对预训练机器人策略在困难任务中失效的问题,该研究提出 ReRead 方法,在冻结主干网络的前提下,利用校正器重读当前及前两个缓存的表征以预测动作残差。该方法无需图像输入,仅基于 RoboTwin 2.0 任务的离线演示进行训练,额外延迟仅为 4.17%。
LiveView 是一种针对流式源视频的实时相机控制重拍摄方法,旨在合成目标视角并维持低延迟渲染与时空一致性。该方法通过教师到学生蒸馏框架将双向注意力模型转化为因果自回归模型,引入跨帧注入建立视图对应关系,并提出共享相对 RoPE 与循环流式微调以保障长时序稳定性。材料为预印本论文,未报告真实机器人部署结果或具体产品发布。
针对流式视觉语言动作(VLA)模型在使用同策略强化学习时存在的推理延迟高和采样随机性低的问题,本文提出 VLA-SSD 方法。该方法通过布朗路径条件单跳生成器,将预训练的流匹配动作头蒸馏为随机一步策略,并推导条件动作密度以支持基于似然比的后训练算法。
论文提出了 VISTA(Vision-Informed Semantic Traffic Awareness)框架,旨在解决物联网智能交通系统中传输原始视频带宽大及车载设备资源受限的问题。
论文提出了 XMimic 和 XSoma 两个模型,利用世界模型优化策略并通过并行计算将类人机器人在粗糙地形的运动追踪与移动训练时间压缩至一分钟以内。
推荐理由:原文介绍了利用世界模型与并行计算将类人机器人运动追踪训练压缩至一分钟内的方法,相关团队可据此评估其加速潜力。
论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。
推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。
ReScene 通过存储不可变紧凑更新而非完整模型,在保留早期状态的同时避免重复存储未变场景。该方法利用高斯合成权重定位差异以抑制过时元素并细化持久结构,结合学习的多视角深度初始化新表面。相比顺序 3DGS 检查点,其未压缩历史存储减少 2.5--4.8 倍;在相当 PSNR 下,前景深度误差较 ChronoGS 降低 3.2 倍。代码与基准测试已公开。
该报告总结了 arnav007 团队参加 IEEE BigData Cup 2026 UrbanTwin Sim2Real LiDAR Challenge(V2X-Real track)的提交工作。
InterRSGaussian 将交互式实例分割从单视图扩展至多视图框架,支持用户通过任意视角的点点击生成跨视图一致的分割结果。该方法基于 3D Gaussians 构建,引入先验蒸馏网络以提升训练效率,无需人工标注即可实现复杂三维遥感场景的感知。研究构建了包含五个不同场景、每个约一百个视角的多视图数据集,并将二维分割结果投影至三维点云以完成三维分割任务。
针对自动驾驶相机记录中的人脸和车牌隐私问题,该研究提出 FM-Anonymize 流程,结合 SAM 3 定位、SAM 3D Body 评估可见性及扩散模型合成替换。
推荐理由:该工作提出无需训练的匿名化流程,在人脸与车牌保护率上优于现有方法,并支持合成替换以保留关键点精度。
论文针对 Koopman 控制器在潜空间稳定但无法稳定非线性物理系统的矛盾,提出 Tangent-Invariant Koopman (TIK) 方法。该方法通过离线估计局部植物线性化并强制一阶匹配,恢复拟合的 LQR 增益并在大机动中捕获状态依赖的动作。
推荐理由:提出 Tangent-Invariant Koopman 方法,通过一阶匹配解决潜空间线性模型在非线性物理系统上的稳定性问题。
论文发布 DominoBench 基准,包含 854 个二维刚体场景的静态图像对,用于测试多模态模型预测链式反应结果的能力。实验表明,未获提示的前沿模型在关键决策步骤上准确率不足 72%,且无法自主计算决定结果的物理量;仅当提供具体计算和数值时,模型表现才显著提升。该基准旨在验证模型是否能在无提示下发现并计算决定性物理量,而非仅凭流畅描述场景。数据集与评估工具已开源。
推荐理由:该基准揭示了多模态模型在仅凭静态图像进行定量物理预测时的失效,为具身智能与仿真到现实迁移提供了关键评估工具。
arXiv 论文《Signs of Wear》利用生成式图像编辑技术构建了 ISA-Wear 数据集,通过在真实街道图像中引入雪、锈迹、植被等磨损效果来模拟恶劣条件。
该文指出当前文生图模型虽能保持视觉外观一致,却难以维持反映角色性格的行为表现,即“特质崩塌”。作者引入 ViStoryBench-Personality 基准,结合专家验证的视觉线索词典与六维指标体系,证实了抽象性格标签与视觉证据之间存在语义鸿沟。
VisDrone-ReID 基于 VisDrone2019-MOT 数据集构建,涵盖行人等十类物体共 9,516 个身份与 15.01 万张图像。该基准通过留一法评估协议及 CNN、Transformer 架构基线实验,揭示了跨类别重识别的真实挑战。它为研究真实监控场景下的多类别目标重识别提供了统一的评测平台。
Structure-Aware Multi-Granularity Spatiotemporal Transformer 通过融合关节、骨骼与肢体三级拓扑先验,在降低计算成本的同时提升单目 3D 人体姿态估计精度。
BlockAlign 提出了一种界面一致的偏好优化框架,解决了传统流匹配目标与轨迹蒸馏生成器(如 PDD、PTD)的有限区间块平均过渡接口不匹配问题。该方法通过在有效块边界构建状态并监督归一化后的跨步残差,支持 DPO、NFT 及 rollout 风格的目标函数,同时保留原生少步采样器。
论文发现多模态大模型在融合中常过度依赖文本而忽略视觉线索。作者构建 MR-Bench 基准,显示仅凭转录即可解决大部分本需视觉的任务。提出的 Counterfactual-View Reliability (CoVeR) 方法通过让单模态视图互相监督来抑制语言捷径,在不增加推理成本的情况下显著提升了模型对非语言证据的利用能力。
研究引入学习到的动力学模型控制牵引挂车,在四个仿真环境中闭环跟踪实验显示,相比解析基线模型,该方法在所有测试设定点均实现了更接近目标的速度和更低的挂钩角度均方根值。在八种反向配置中,七种的完成率更高,有效解决了倒车不稳定及路面摩擦等难测量因素带来的控制难题。
针对轨道视觉导航系统必须依赖合成图像训练的现状,该研究利用 SPEED+ 基准(含 Mylar/铝材反射近似及辐射误差的仿真器)评估了合成到现实的差距。实验发现模型在真实域存在过度自信现象:校准至合成数据 90% 置信度的区域在真实硬件回环测试中仅覆盖 9-15% 的旋转误差。
推荐理由:研究揭示了仿真器辐射误差导致模型在真实域过度自信,且骨干网络适配比数据增强更能有效缩小合成到现实的差距。
论文提出了 NF-VLA 模型,结合条件自回归归一化流与基于分数的动作细化技术,利用单一学习到的密度支持策略训练、动作生成及修正。该模型在 LIBERO 基准的四个标准套件上达到 98.35% 成功率,在 LIBERO-Plus 上达到 72.6%,且无需机器人预训练或额外微调。
推荐理由:该工作提出基于自回归归一化流的 VLA 基线模型,在 LIBERO 基准上实现高成功率且无需额外微调。
针对视频扩散 Transformer 中全注意力机制计算成本高的问题,本文提出 PoCoAttn,一种免训练的稀疏注意力框架。该方法将注意力分解为输入稳定的位置先验和输入依赖的内容残差,离线校准位置键并在线自适应选择内容键,同时通过步长自适应预算分配优化去噪轨迹中的误差放大效应。
推荐理由:提出免训练稀疏注意力框架,在保持高保真视频生成的同时显著降低推理延迟。
OntoCBF 将领域本体与动力学特征编译为单智能体二次规划的安全滤波器,利用描述逻辑在线推导约束以覆盖新类。仿真显示,面对未见类别时传统滤波器违反安全率达 89-100%,而 OntoCBF 在含 32 机器人场景中仅违反 20-70%。结合多智能体 PPO 策略后,不可行二次规划率降低 18-41%,且所有违规均源于冲突而非能力高估。
论文提出 CiGS 方法,通过注册的多视角可见光与热成像数据推断固体物体的内部温度分布。该方法将稳态热传导建模为拉普拉斯边值问题,利用可见光图像的高斯重建提供边界几何、热成像提供边界数据,直接在点云上离散化求解,全程无需构建表面或体积网格。
该论文介绍了 SelfMark 方法,该方法允许多模态大模型在其原生的视觉特征空间中构建和使用视觉标记进行推理。通过 locate-mark-read 流程建立标记与图像的显式空间对应关系,并在空间规划、密集计数等任务上联合训练单一模型。实验显示该方法在六个基准测试中优于现有专用方法,且效果在不同骨干网络上保持一致。
推荐理由:提出 SelfMark 方法,将视觉标记直接嵌入多模态大模型特征空间以增强推理能力。
DexFormer 2.0 是一种针对跨本体灵巧抓取的单一强化学习策略,通过标准关节接口映射、运动学树偏置注意力及 Transformer-XL 记忆模块,解决不同机械臂与手爪组合间的动力学差异。
该研究在 EmbryoNet 数据集上基准测试了多种自监督学习算法,发现使用 SwAV 预训练的 ResNet50 配合线性分类器可达 86.4% 准确率。在仅含 5% 标签的稀缺数据场景下,SwAV 模型以 70.2% 准确率大幅优于从头监督训练(45.7%)。
论文提出 ReGround 方法,旨在解决视觉语言动作(VLA)模型在部署后因执行器变化(如重新安装、机械磨损或指令延迟改变)而失效的问题。该方法保持 VLA 冻结,通过任务无关的电机 babbling 学习部署机器人的动力学,并在检测到偏移时追踪策略意图运动以重校准。
针对现代多相机 3D 检测器依赖大型视觉 Transformer 编码器导致推理成本高的问题,本文提出 EvoMem3D 框架。该方法缓存最近的全深度外观表示作为只读锚点,结合当前帧的策略选择部分特征;通过轻量级预编码控制器在语义编码器出口间分配计算资源,对稳定帧使用浅层计算,视觉状态变化时使用深层计算。
针对受控采集限制导致的眼部识别在移动场景应用受限问题,研究提出基于 AdaFace 架构的三种方案以解决异构数据(40x40、80x80、160x160)处理难题。实验表明全池化训练策略使各分辨率性能更均匀且主要利好 160x160 路由,而路线特异性训练则呈现不同性能特征。该论文目前处于 IEEE 期刊修订过程中,代码与权重暂未开放。
AstroPIE-53 发布了一个包含 53 个标注视频的宇航员数据集,提供视频标识符、重建脚本及密集标注而非原始视频以遵守版权。研究在零样本条件下对主流检测与姿态估计模型进行了基准测试,首次系统揭示了遮挡、非常规体位、低对比度及微重力运动导致的性能下降。该工作发表于 SPAICE 2026 和 i-SAIRAS 2026,旨在量化太空环境下计算机视觉的鲁棒性局限。