点监督变化检测中的渐进式伪标签优化方法
该论文针对点监督变化检测中伪标签不完整和噪声大的问题,提出了一种引入 SAM2 先验的两阶段框架。第一阶段利用 SAM2 生成候选掩码并设计双时相掩码选择策略,辅以轻量级 CNN 模块提升边界质量;第二阶段构建教师 - 学生自训练闭环进行持续优化。实验表明该方法在 WHU-CD、LEVIR-CD 和 SYSU-CD 三个基准数据集上表现优异,优于现有弱监督方法并接近全监督水平。
该论文针对点监督变化检测中伪标签不完整和噪声大的问题,提出了一种引入 SAM2 先验的两阶段框架。第一阶段利用 SAM2 生成候选掩码并设计双时相掩码选择策略,辅以轻量级 CNN 模块提升边界质量;第二阶段构建教师 - 学生自训练闭环进行持续优化。实验表明该方法在 WHU-CD、LEVIR-CD 和 SYSU-CD 三个基准数据集上表现优异,优于现有弱监督方法并接近全监督水平。
针对真实海洋场景难以获取配对增强参考的问题,该方法提出两阶段框架,利用 MediumRBF 构建介质感知高斯场景并共享估计。第二阶段通过外观转换共识校准视图变化,联合调整物体辐射度与介质外观以生成连贯的增强效果。实验表明其在提升新视角增强和跨视图一致性方面表现优异,代码与项目页面已公开。
该论文针对大视觉语言模型在工业异常检测中难以将判断转化为精确像素级定位的问题,提出了首个引入同策略自蒸馏的框架 MOPDA。该方法通过混合轨迹监督结合学生生成的部署相关路径与教师提供的证据条件化监督,并利用最终判断作为语义条件构建图像特定的正常与异常锚点以生成异常图。
针对水下目标检测受场景域偏移影响大且现有基准缺乏真实环境表征的问题,该研究提出首个基于外观、场景构成及采集几何的领域标签框架。通过系统分析发现,人类标注质量与深度学习模型性能均存在显著的领域依赖性差异。引入物理意义的领域标签后,研究者能够量化并改进数据收集策略,从而提升检测器在多样化水下环境中的鲁棒性。
针对多人视频姿态标注中稀疏人工修正易导致跨身份位置不可靠的问题,论文提出 IMPose 框架。该方法将传播的修正视为几何先验而非最终预测,利用目标帧视觉证据进行解码器修正,并结合关键点感知的身份状态保持对应关系,形成闭环时序修正机制。
推荐理由:提出 IMPose 框架,通过闭环修正传播解决多人姿态标注中的身份歧义问题,在 PoseTrack21 数据集上显著提升了稀疏修正下的跟踪精度。
针对单图估计日常物体 9D 姿态因缺乏大规模监督而困难的挑战,作者发布了 Every9D-22M 数据集。该数据集包含来自 11.4 万个以物体为中心的视频的 2280 万张真实图像,覆盖 630 个类别。
针对资源受限处理器,本文提出全三值化视觉 Transformer(FTerViT),将权重矩阵与归一化参数均转为三值,激活保持 8 位。通过引入 TernaryBitConv2d 和 TernaryLayerNorm 算子及知识蒸馏训练,在 DeiT-S 骨干上以 5.81 MB 体积达到 77.47% ImageNet-1K 精度,优于现有三值化方法。
该论文提出了Aes3D框架,包含首个专注于3D场景美学评估的数据集Aesthetic3D和轻量级模型Aes3DGSNet。该方法直接基于3D高斯原语预测场景级美学分数,无需渲染多视角图像,从而降低了计算成本和硬件要求。实验表明该方法在保持轻量设计的同时实现了优异性能,为3D场景美学评估建立了新基准。
针对大模型注意力机制无法直接应用于稠密目标跟踪的问题,本文提出 GateMOT 在线跟踪框架。其核心是 Q-Gated Attention,将 Query 转化为可学习的门控单元以调制 Key 特征,实现显式相关性选择并降低计算复杂度。
针对自动车牌识别系统在低质量成像和安装不佳场景下的挑战,该工作将原有基准数据集规模扩大至原来的三倍以上,新增两天采集数据并修正标注错误。研究引入了车牌级、车辆级和图片级的细粒度标注,包括文本、可读性等级、车型颜色及相机身份等。
该方法通过联合角度运动图像与 Token-Patch 晚期交互机制,解决了传统双编码器压缩全局嵌入而丢失局部对应关系的问题。在 HumanML3D 和 KIT-ML 数据集上的实验表明,其性能优于最先进文本 - 运动检索方法并提供可解释的细粒度对应。代码已随补充材料提供。
针对现有导航基准依赖大模型生成且存在歧义的目标描述问题,本文提出了 LangMap 基准和 HieraNav 任务。该工作基于 HM3D 构建,首次通过人工验证为室内三维扫描数据添加了涵盖场景、房间、区域和实例四层语义的标注,覆盖 414 个类别及超 18K 任务。
VERIDAH 算法在 T2w TSE 矢状位(98.30%)和 CT 影像(99.18%)上超越现有模型,准确识别胸椎与腰椎计数异常。该方法基于多分类头结合加权序列预测,代码与模型已开源。
ErodedFace 通过参考视频预处理策略,解决现有图像防御无法适配视频基础 3D 换脸且计算开销大的问题。该框架采用两阶段课程学习机制,在保持防护强度的同时实现生成速度提升 10.0 倍。实验表明其能有效抵御未经授权的 3D 换脸攻击及常见变换与净化方法。
该论文提出了 FLEG 方法,这是一种前馈网络,能够从多视图图像重建语言嵌入的 3D 高斯泼溅(3D Gaussians)。针对现有方法输入视角固定且存在语义冗余的问题,FLEG 引入了几何 - 语义双分支蒸馏框架,支持可变数量的未标定和未定位的多视图图像作为输入。
FSDAM 框架仅需 90 个标注示例即可联合预测空间注意力并生成结构化解释。该方法将注意力分解为场景上下文、当前焦点、预期下一焦点及因果解释,并通过双路径架构与训练时视觉语言对齐机制缓解任务冲突与数据稀缺问题。论文已在 arXiv 发布并被 IEEE/CVF WACV 2027 录用,展示了在多个驾驶基准上的零样本泛化能力。
OpenSR-SRGAN 是一个模块化、配置驱动的框架,支持用户通过 YAML 配置文件在任意传感器波段设置下训练和评估生成器 - 判别器架构。该工具无需修改模型代码即可暴露损失函数、归一化等组件,简化了跨遥感数据集的超分辨率流程复现与部署。其张量基模型组件经适当预处理后也可适配其他配对成像数据。
作者提出 MedQ-Bench 基准,涵盖 5 种成像模态和 40 余项质量属性,包含 2,600 个专家标注的感知查询与 708 个样本的描述任务。对 23 个 SOTA MLLM 的评估显示当前模型能力初步且不稳定,突显了针对医疗 IQA 进行优化的紧迫性。
该研究针对动态空间中机器人需持续感知环境的挑战,提出一种名为 PS-PRM 的 GPU 并行化概率路图规划器。该方法利用神经代理模型近似感知分数(如目标检测置信度),将其融入运动规划搜索过程,以解决运动与感知需求冲突及实时评估成本高的问题。实验表明,该规划器在静态和动态环境下的仿真及真实机器人实验中,均优于基于强化学习和轨迹优化的基线方法。
推荐理由:提出 PS-PRM 规划器,利用神经代理模型近似感知分数并引入 GPU 并行,解决高自由度机器人在动态环境中运动与感知的联合优化难题。
EAvatar 提出一种稀疏表情控制机制,利用少量关键高斯影响邻域变形以精准建模局部形变与纹理过渡。该方法结合预训练生成模型的高质量 3D 先验提供面部几何引导,显著提升收敛稳定性与形状精度。实验表明,EAvatar 在头部重建任务中实现了更准确的视觉连贯性、更好的表情可控性及细节保真度。
该综述系统梳理了利用大语言模型(LLMs)和视觉 - 语言模型(VLMs)从视频流中检测交通事故的方法。文章构建了融合策略分类体系,汇总关键数据集并对比性能基准,同时分析了当前挑战与未来机遇。研究旨在为视频理解与基础模型交叉领域提供理论基础。
HandReader 提出三套架构(HandReader_RGB、HandReader_KP 及联合编码器版),在芝加哥野生数据集和首个俄语手语拼写 Znaki 数据集上均达到最先进水平。论文被 EMNLP 2026 WSLP 接收,Znaki 数据集与预训练模型已公开可用。
SemICP 是一种新型非刚性点云配准框架,旨在解决计算机辅助干预中多模态医学图像的对齐问题。该方法结合语义信息约束对应关系以符合解剖学一致性,并引入基于线性弹性能量的控制点变形表示以确保生物力学合理性。
针对现有跨光谱图像块匹配方法依赖复杂关系提取结构导致性能瓶颈的问题,本文首次尝试在特征差异学习与欧氏距离描述符学习之间建立稳定高效的桥梁。作者构建了知识引导学习网络(KGL-Net),通过探索 20 种组合架构、设计特征引导损失函数以及提出针对度量学习的硬负样本挖掘策略(HNSM-M)来确保稳定性与效率。实验表明,该方法在多个数据集上取得了最先进性能,且代码已公开。
CRFNet 提出轻量级双分支架构,通过跨层细化注意力模块增强空间依赖并利用傅里叶域互补融合抑制无关响应。在 Houston 2013 和 Augsburg 数据集上的实验表明,该方法持续优于多项最先进方法。代码已公开于相关链接,论文当前处于 IEEE GRSL 审稿中。
本文发布 Parametric CAD Bench v3,这是一个包含 100 个任务的基准,涵盖从文本生成 CAD、文本生成并编辑以及从工程图纸重建机械零件。
推荐理由:该基准通过几何相似度与规范一致性评估代理生成 CAD 脚本的能力,并开放了任务、配置及结果工件。
针对 ImageNet 预训练的 ResNet50 等五款 CNN,在 ACRIMA、ORIGA、RIM-ONE DL 三个眼底数据集上发现域内 AUC 为 0.913,跨源 AUC 降至 0.702。色彩归一化与强增强将 AUC 降幅从 0.211 减至约 0.16,但无法消除性能下降。研究强调需报告外部验证并检查操作阈值,而非仅依赖 AUC 指标。
研究联合优化衍射编码器和数字神经解码器,在可见光波长下实现约 40 倍维度压缩,仅用重建像素 2.55% 的强度测量即可重构未知物体。盲测手写数字与光栅类物体的平均皮尔逊相关系数分别为 0.945 和 0.848,显著优于其他编码策略。该方法支持解码器独适应以迁移至未见数据分布,为低数据率相位成像及扩展至高成本探测器区域开辟路径。
针对单目深度估计技术可被用于伪造 RGB-D 查询从而破坏位置认证安全性的问题,本研究提出一种基于几何一致性的呈现攻击检测(PAD)分类器作为软件层防御手段。
该论文提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元(约 320 倍减少),无需标签即可拟合全境。相比规则网格,新单元在匹配土地用途标签和作物声明时仅需其五分之一到四分之一数量的单元格;相比直接对卫星图像聚类,达到相同纯度所需的单元数减半。
推荐理由:该研究提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元,显著降低计算成本并支持全境建模。
该论文研究了计算机视觉系统在区分无害船只和恶意无人水面艇(USV)时的脆弱性。研究发现,对抗性船体补丁最多可抑制29%的检测率但不会导致误判为无害;而物理伪装能同时绕过摄像头和雷达检测。作者提出了一种基于AIS轨迹的混合回放协议,结合记录的运动与攻击路径,发现资产相对闭合速率检查在特定条件下比仅依赖轨迹速度的检查更有效,且两者互补可限制攻击者并延长其接近时间。
针对超声数据集处理文档缺失影响模型性能的问题,研究训练小型卷积神经网络还原通用电气显示外观。该网络基于 8406 条记录在 CPU 上实时运行,测试平均绝对误差较最优逐点亮度图降低 43%。跨 EchoXFlow 和 CAMUS 数据集实验表明,未过滤训练配合过滤评估能获得最低平均 Dice 系数。
针对 AVS 神经视频压缩中跳帧模式缺乏率失真性能研究的问题,提出基于超先验与贝叶斯定理的 RDOSkip 自适应决策框架。该方案无需训练且复杂度增加可忽略,已在 AVS NVC 标准及参考软件中采纳。实验显示其在 AVS 和 HEVC 数据集上分别实现 0.90% 和 1.29% 的 BD-rate 节省。
针对大噪点时间序列可视化难题,研究提出一种涵盖 Transformer、Reducer 和 Aggregator 三大类的折线图简化特征分类法。系统评估显示,高保真方法如高斯滤波保留完整时序分辨率但点数未减,而 Douglas-Peucker 等算法则通过牺牲部分特征换取渲染点数减少。该工作定义了 12 种视觉特征与 FC 评分指标,并提供了包含 80 个数据集的交互式网站供探索验证。
Chenyi Huang 提出 Interpretable Structural Temperature Scaling (ISTS),这是一种十二参数线性模型,通过节点置信度、邻域及距标记节点的接近度等命名描述符设定每个节点的温度。
FlowFPR 将预训练流匹配先验与松弛平均交替反射结合,通过单次时间依赖预测获取清晰图像估计并融合候选路径,无需反向传播测量误差。该方法引入基于残差改进的自适应融合及受控内层搜索,在自然人脸图像的噪声测试中实现了优于扩散基线的平均质量与端到端运行速度。
Anchored Fusion(A-Fuse)方法在 ATM'26 训练集上,于 30 例成人 CT 达到 93.24% Dice 分数的最高分支检出率,并在 9 例儿科扫描中取得 94.15% Dice。该方法成功保留全部 39 次测试中的气道树结构,避免非气道物体误选,已部署为自动化 Web 应用并开源代码、权重及 ITK-SNAP 扩展插件。
论文提出了 3D-BBDA 框架,旨在解决因传感器变化或环境差异导致的 3D 点云分类性能下降问题。该方法无需访问源数据或模型内部参数,仅利用黑盒输出进行伪标签引导的原型对齐和加权预测融合。
论文介绍 CoLa3D,这是一个轻量级可扩展的查询型 Transformer 模型,能够接收单张图像或现有场景网格作为输入,直接在共享潜空间内将场景分解为具有一致空间布局的可组装对象网格。
针对月球表面自主移动需求,研究构建弱监督框架,评估在域内及跨域设置下引入深度、法线等几何信息对视觉特征的增强效果。实验基于两个地球模拟数据集与嫦娥 PCAM 真实数据,发现单纯几何融合未带来一致提升,训练源选择才是决定迁移质量的主导因素。该评估在资源受限边缘设备上运行,为未来月球感知系统的多模态融合架构设计提供了受控基线。