TERA:水下目标检测中的任务证据恢复框架
TERA 是一个元数据盲接收端框架,结合任务引导像素修复与双状态特征校正以解决带宽受限下的图像退化问题。在 DUO-TX 基准上,该框架将冻结检测器的平均精度均值(mAP50:95)从 37.7% 提升至 50.0%,并在 RUOD-TX 上从 31.5% 提升至 41.3%。代码已开源,相关成果已被 WACV 2027 接收。
TERA 是一个元数据盲接收端框架,结合任务引导像素修复与双状态特征校正以解决带宽受限下的图像退化问题。在 DUO-TX 基准上,该框架将冻结检测器的平均精度均值(mAP50:95)从 37.7% 提升至 50.0%,并在 RUOD-TX 上从 31.5% 提升至 41.3%。代码已开源,相关成果已被 WACV 2027 接收。
针对复杂场景中视角变化大和外观差异导致的跨视角物体关联困难问题,本文提出了 TeSCo 框架。该方法结合视觉线索与物体的丰富文本语义(如类别、纹理、颜色),通过视语言模型生成目标文本表达并融合进视觉特征以提升鲁棒性。实验在 Ego-Exo4D 和 HANDAL-X 数据集上验证了其优越性能,代码已开源。
DynaCell 评估套件旨在解决三维时序虚拟染色性能表征不足的问题,结合了无荧光标记与有标记的配对图像、基线模型及像素级、细胞器分割和单细胞表型相似性三个指标层级。
该论文针对多模态大语言模型在多视角 RGB 观测中存在的“视角诱导的语义漂移”现象,提出了 LieVLM 框架。该方法通过提取几何 token 预测局部旋转参数和路由系数,利用封闭形式的 Padé--Cayley 映射对投影视觉特征进行身份相对校正并门控回原特征,从而在保留预训练语义与直接空间上下文的同时学习视角依赖的特征调整。
推荐理由:提出 LieVLM 框架,利用李群路由机制解决多视角语义漂移问题,在多项 3D 理解任务上优于传统融合方法。
PCRD 框架利用扫描电镜高分辨率 2D 观测,仅凭低分辨率微 -CT 输入实现特定样品的 3D 重构。在碳纤维复合材料任务中,该方法将 mAP 提升 1.66 个百分点,纤维中心线长度匹配度达 89.97%。独立验证显示其与同步辐射 X 射线 CT 数据在体积分数、直径及局部间距上高度一致。
针对单目深度估计模型在视频流输入下三维结构一致性的不足,研究提出利用运动恢复结构将相对深度锚定到度量参考的新评估协议。该方法在多样化真实世界视频序列上验证了现有模型难以维持长时帧内的时间一致性,并揭示了直接采用运动恢复结构作为度量接地工具的局限性。
西班牙团队开发的条件生成模型扩展 MAISI-v2,在 1,303 名患者数据上微调,将 FID 从 13.28 降至 2.04±0.06。合成增强使五种模拟场景下的 AUC 提升 0.027 至 0.088(p=0.016--0.043),但跨机构增益不显著。该研究为数据稀缺的前列腺 MRI 预测提供合成数据解决方案,代码与权重待开放许可确认。
该研究针对路边 4D 雷达在恶劣条件下虽能获取深度与速度信息但点云稀疏噪声大导致分类困难的挑战,提出了一种基于 Neyman-Pearson 准则的二元分类器。
该论文提出了 EarthJev,这是一个拥有 0.8B 参数的模型,能够直接对多光谱 Sentinel-2 图像补丁回答类型化问题而无需生成任何 token。模型通过从 RGB 核初始化的加宽输入层接收所有 12 个波段数据,并在单一位置读取选项字母的 logits 来输出答案,采用交叉熵和 Brier score 进行训练。
论文提出 UniGS-SLAM 框架,旨在仅通过 RGB 观测重建场景几何并构建语义地图。该方法将开放词汇语义从高斯重建中解耦,利用基础先验增强单目深度与位姿估计,并将语义观测融合到独立的稀疏体素图中以支持历史证据的修订。
推荐理由:该工作提出仅用 RGB 输入即可解耦语义与高斯重建的框架,在 Replica、ScanNet 和 KITTI-360 上实现了领先的跟踪与几何重建性能。
该方法将 3D 高斯泼溅中的自适应密度控制重构为一系列局部损失减少决策,利用泰勒展开推导了针对分裂、克隆和透明度衰减的高效代理模型。研究提出了三个核心组件:在归一化联合位置 - 尺度空间扩展二阶分裂以适配各向异性范围;将重复克隆表述为代理最小化问题以选择能提升重建的副本并分配合理的透明度;用选择性软透明度衰减替代全局重置以削弱有害高斯并保持有用部分。
SurgicalTS 提出一种自监督三角形泼溅框架,利用四元数变形模型解决非刚性组织形变与遮挡难题。在多种体内内窥镜视频上的广泛评估显示,该方法成功建模软组织形变及器械 - 组织交互,几何与光度精度均优于最先进方法且训练时间更短。
论文提出 RECONSPATIAL 基准,利用真实多视角图像要求大语言视觉模型预测共享坐标系下的定向 3D 边界框,评估结构布局与度量精度两个维度。实验显示 GPT-6-Astra 等前沿模型在结构任务表现优异但度量重建存在显著差距,诊断分析表明仅靠关系一致性无法保证物理尺度准确,且几何误差会限制导航成功率。
推荐理由:该基准通过多视角重建任务揭示大模型在相对结构与度量精度间的差距,并验证了空间微调的泛化能力。
SurgStream 提出工作流锚定记忆(WAM)和截止时间感知转换学习(DTL),解决实时手术视频中联合保留过程证据与时机响应难题。SurgStream-Bench 包含覆盖感知、回溯查询及主动问答的 1.17 万条交互数据,实验显示其在记忆与主动问答任务上优于最先进方法。源代码即将开放。
HydroReasoner 基于 Qwen2.5-VL 构建,通过引入 HydroKG 知识图谱路径奖励机制,显著提升了洪水检测的可解释性与泛化能力。在边缘端应用 4-bit 量化后,GPU 显存占用降低 57%、推理延迟减少 43%,域外准确率仅下降 0.2 个百分点。
本文针对对象中心检索管线中‘掩码背景后特征即代表物体’的假设提出质疑。作者引入 Keyhole Aperture Probe (KAP) 这一反事实诊断工具,利用现有泛分割数据集的真实掩码固定目标区域并仅变化外部像素,量化骨干网络的上下文依赖度。
推荐理由:提出反事实诊断方法 KAP,揭示对象描述符仍依赖背景,并开源轻量适配器以在移除上下文时保持稳定性。
该方法将时空体划分为子区间,通过两步平面近似建模时序运动变化并引入空间补偿与正则化项以提升精度。实验表明,相比传统方法,该模型在包含时序速度变化的场景下显著提高了事件驱动光流估计的准确性。论文已被 IEEE VCIP 2026 接收,全文共 5 页、含 5 幅图及 1 张表。
论文提出 VLSplat,一种利用视觉语言模型和场景图进行物体中心语义提升的 3D 高斯泼溅方法。该方法在掩码提升基础上引入物体级语义先验,并通过组内抑制噪声与组间扩展支持区域两个语言引导模块优化高斯表示。实验表明其在室内场景数据集上提升了物体类别的语义一致性与结构完整性。代码与模型已开源,论文已被 NeurIPS 2026 接收。
EventMC 方法在无预训练条件下,通过事件引导参考图像迭代检测并估计运动,在仿真中相比 MotionTTT 将平均 PSNR 提升最高 4.0 dB。该方法单次运行速度最快达 7.5 倍且 GPU 显存占用不足一半,在体内运动受损扫描中达到与 MotionTTT 相近的图像质量。代码已公开于 GitHub 链接处供获取。
LUMEN 是一种基于几何条件的扩散框架,能从单目或多视角图像合成任意位置的高动态范围(HDR)环境图。该模型利用重建的粗粒度 3D 场景和渲染的部分环境图编码可见性与空间结构,输入多视图特征后通过扩散 Transformer 生成完整光照分布。在包含 700 个室内场景的合成数据集上训练,实验显示其在视觉保真度和空间一致性方面显著优于现有回归或参数化方法。
针对常规成像条件下面部关键点检测受遮挡、光照不足及大姿态变化影响的问题,本文提出 RCFormer 模型。该模型通过可见性加权全局摘要(VCC)、注意力引导的上下文聚合(VGCA)及空间残差修正(SRC)三个组件增强潜在补丁恢复的可靠性,并将恢复的热图作为结构线索输入现有检测网络。
推荐理由:RCFormer 通过可见性加权与空间残差修正增强上下文恢复,在遮挡场景下提升面部关键点定位精度。
针对预训练流匹配模型难以适配编解码器退化轨迹的问题,论文提出 RIFT 框架以解决压缩依赖的方向失配。该框架引入残差几何诱导器(RGI),利用解码器可见的编码线索将预训练流预测转化为内容自适应的恢复更新,并整合时间步条件、全频段残差强度估计及方向增益调制。在三个公开视频压缩基准上的实验表明,该方法优于现有的生成式视频压缩方法。代码已开源。
推荐理由:提出 RIFT 框架,利用解码器可见的编码线索自适应修正流预测方向与幅度,在三个公开基准上优于现有生成式视频压缩方法。
该系统融合 Mediapipe 2D 姿态检测与 Intel RealSense D455 RGB-D 数据,通过映射人体运动学实现 CHARMIE 服务机器人的直观远程操控。真实实验验证了其在物体操作任务中的有效性,但腕部偏航角等关节角度捕捉仍存在精度挑战。未来工作将集成 IMU 以提升旋转追踪并引入更先进的控制算法。
针对扩散 Transformer 模型在超高分辨率生成时出现的严重语义退化问题,本文提出一种无需训练的框架。该方法通过文本 - 视觉尺度解耦注意力模块(TVSDA)保留全局感受野并校准图像感受野,同时利用结构细节引导策略(SDG)显式建模中间轨迹的结构与细节信息。实验表明,该方法在结构一致性和细节保真度上显著优于现有训练自由方法。代码已开源。
SEALECT 框架联合建模视觉兼容性、船舶姿态及场景几何,通过非参数核函数构建场景条件化姿态库。在七个海事基准测试中,其召回率超越 SigLIP 2 基线 0.14,将外观检索的几何约束违规减少超一半。盲测显示该方案在六方法中排名第一,且已接受至 WACV 2027 应用轨道。
针对自动驾驶中3D激光雷达语义分割需适应环境变化并识别未知类别的挑战,本文提出一种两阶段框架以解决通用类别发现与测试时自适应(GCD-TTA)结合时的特征坍塌问题。
MMCoT$^3$是首个将文本推理与任务相关 3D 证据显式交错的 3D 场景理解框架,通过歧义感知证据聚合机制解决多实例对齐问题。该方法基于包含约 176.2K 实例的 PointCoT 大规模指令微调数据集进行训练。在六个基准测试上的实验表明,该模型显著提升了性能并取得了最先进结果,有效避免了幻觉与推理错误。
针对商品级 RGB-D 相机在透明、反射及半透明材料上失效的问题,本文提出 UA-Depth 框架,通过迭代联合优化深度图与像素级不确定性,利用不确定性门控特征抑制不可靠线索。
Bradley J Erickson 和 Sara Salehi 在 arXiv 发布预印本,对比了 Clef 27B、d1 3B 与 Qwen 3.8-27B 三种模型在七项放射科任务上的零样本表现。
EgoMo3R 是一个联合优化框架,旨在从随意的单人称视频中同时重建三维人体运动和场景几何。该方法利用单目深度、光流和点跟踪等低层视觉几何先验,并结合基于扩散的人体运动先验进行一阶优化。
基于 SuperPoint 和 LightGlue 的零样本局部特征匹配管线,在以色列北部实地照片上对近东火蝾螈实现了 95.2% 的首位正确率和 0.958 的 ARI。该方案无需物种特定训练即可跨相关物种迁移,识别准确率显著优于五种现有程序及人工目视检查。此技术为两栖动物监测提供了可审计且可扩展的重识别工具,支持千级以上个体数据库分析。
该论文针对视频去物体任务中整体评分混淆生成与复制的问题,提出可恢复性分层评估框架和无需训练的证据引导采样方法。实验显示在 DAVIS 数据集上,主流扩散模型的去物体感知优势随背景可见帧数增加而缩小,且其利用干净视频轨迹中的可恢复内容能力不足。
MSTOT-EPR 提出一种结合视觉与文本编码器的多尺度时空最优传输框架,有效解决了事件流编码及跨模态对齐两大核心挑战。该方法在 NYC-Event-VPR 和 EPRBench 数据集上的广泛实验验证了其在基于事件的视觉定位任务中的有效性。源代码将在论文被接收后发布。
论文提出 MoPort,旨在让运动语言模型(MoLMs)直接处理单目视频的二维观测数据。方法引入成对视角对齐(PVA)和相机调制编码(CME),以解决从 2D 到 3D 的维度差距及视角变化带来的歧义。
推荐理由:提出 MoPort 方法解决单目视频三维动作建模的视角与深度歧义问题,在 HumanML3D 等基准上优于现有基线。
CUFormer 提出一种模态感知配准框架,通过身份嵌入与特定适配器解决超声成像物理差异导致的特征匹配难题。该模型在 UltraBones100k、UltraBonesHip 及 SpineDepth 数据集上取得最低平均配准误差,其中 UltraBones100k 旋转误差为 4.53°、平移误差 3.19mm,RMSE 较最佳基线降低 65.8%。
该论文提出 AbacusGS 方法,通过将高斯点按八叉树分组并存储混合顺序,避免了传统 3D Gaussian Splatting 中每帧对每个点进行深度排序的耗时操作。
针对 CLIP 类视觉语言模型在字体攻击下的语义脆弱性,研究提出头分解稀疏字典学习架构及无标签的清晰度与文本归因评分。通过测试时重加权注意力机制,该方法在五款 CLIP 变体及四个基准上使抗攻击分类提升最高 46.9%,仅损失 1% 通用感知精度。进一步提出的测试时自适应注意力路由策略在同等鲁棒性下突破了当前鲁棒性与感知的帕累托前沿。
针对相机陷阱和航拍产生的大量图像,本文提出一种无需训练的主动原型筛选方法,将已审核的检测作为可复用证据以解决支持的前景类别、清除背景误检或推迟不足支持的案例。实验表明,结合 BioCLIP2 和 DINOv3 的不同预训练表示,该方法在提升前景识别与误报拒绝方面优于置信度阈值和多类 k-NN 等基线,同时保持较低的复核负担。论文已接受 IEEE/CVF WACV 2027 主会发表。
ContactCut 提出一种将局部错误转化为可执行原生 3D 分区的分区感知接触选择方案,包含 CC-Auto 与 CC-Search 两个组件。
RadPose 是一种基于学习的单站集成感知与通信框架,旨在让毫米波通信设备在无需额外传感硬件的情况下直接进行 3D 人体姿态估计。该方法从标准 OFDM 通信信号中提取信道脉冲响应以生成 3D 射频点云,并采用跨帧 Transformer 网络结合语义引导的空间注意力与目标驱动的时序注意力来处理稀疏和噪声问题。