MBTI:一种用于高光谱图像分类的多分支高效微调框架
MBTI 是一种多分支高效微调框架,旨在解决高光谱基础模型因传感器波段配置差异导致的直接迁移困难问题。该框架通过保留全波段信息的预处理策略、每分支独立的 LoRA 模块及多分支通道注意力融合机制,在仅约 2.33%--2.36% 参数可训练的情况下实现优异性能。实验表明,MBTI 在三个公开高光谱数据集上表现优于代表性分类方法,代码即将开源。
MBTI 是一种多分支高效微调框架,旨在解决高光谱基础模型因传感器波段配置差异导致的直接迁移困难问题。该框架通过保留全波段信息的预处理策略、每分支独立的 LoRA 模块及多分支通道注意力融合机制,在仅约 2.33%--2.36% 参数可训练的情况下实现优异性能。实验表明,MBTI 在三个公开高光谱数据集上表现优于代表性分类方法,代码即将开源。
SANA-SR 提出一种利用 32 倍压缩率自编码器和线性注意力 DiT 的高效单步图像复原框架,在基准数据集上表现优异且纹理更真实。经剪枝后部署推理仅需 0.019 秒,含 407.95G MACs 与 3.44 亿参数,具备移动端潜力。该预印本代码已开源,适用于计算机视觉领域。
论文分析发现传统残差连接存在前向幅值膨胀、反向梯度衰减和块级冗余问题,提出 Diffusion-Adaptive Routing (DAR) 作为残差替换方案。
CounterCount 是一个包含事实与反事实图像对的诊断数据集,用于揭示视觉语言模型(VLM)过度依赖先验知识而非视觉信息的偏差。在 16 个模型(含 14 个开源权重和 2 个闭源)的测试中,平均准确率从事实图像的 91.6% 降至反事实图像的 49.5%,主要错误源于匹配标准计数数的回答。
针对大视觉语言模型部署时显存与算力需求高的问题,本文提出一种自下而上的级联知识蒸馏(CKD)框架。该方法受人类教育体系启发,引入一个或多个中间容量的教师网络,逐步将学生网络提升至下一层级,再由更高容量的教师接管,以缓解因师生容量差距过大导致的知识转移效率下降。
DMDSC 提出动态边距方法,根据标签频率自动调整类特定边距以应对医疗数据极度不平衡挑战。在 BloodMNIST、OCTMNIST、DermaMNIST 和 BreaKHis 基准上,该框架通过强化罕见病理惩罚与特征聚类,显著优于利用神经坍缩的 DSC 及 UCDSC 等最先进方法。论文为 arXiv 预印本版本 v3,代码与权重暂未提及开放许可。
论文提出 LSGQuant 方法,针对一步式扩散模型在视频超分辨率任务中存在的显存大与计算成本高问题,引入动态范围自适应量化器以适配视频 token 激活分布,并通过分析校准阶段的逐层统计估计层敏感性,实施方差导向的层训练策略。
SpectralTrain 是一种架构无关的训练框架,通过结合课程学习与基于主成分分析的谱降采样,在显著降低计算成本的同时提升学习效率。实验在 Indian Pines、Salinas-A 及新引入的 CloudPatch-7 三个基准数据集上验证了其在空间尺度与光谱特征上的泛化能力,训练时间减少 2-7 倍且精度波动较小。代码已开源,适用于气候相关遥感中的云分类等任务。
针对 CLIP 模型在视觉语言概念层级结构上的不足导致增量学习中特征漂移和灾难性遗忘的问题,论文提出 HASTEN 框架。该方法利用外部层级知识作为结构化监督,将特征组织在双曲空间中以维持父子关系,并通过约束共享映射器的更新空间来减少任务间干扰。实验表明该方法在九个基准测试中均优于现有方法。代码已开源,该工作已被 NeurIPS 2026 接收。
WildPPG 数据集收录了 16 名参与者在瑞士苏黎世至少女峰往返行程中长达 216 小时的连续 PPG 记录,涵盖海拔最高 3,571 米及多种运动场景。该方法在真实户外环境下比现有基线更鲁棒地估计心率,解决了受活动、传感器位置和环境光照影响导致预测可靠性下降的问题。论文已接受 NeurIPS 2024,代码与数据开放许可待确认。
Taskonomy 提出通过潜在空间计算图,揭示 26 类视觉任务的转移学习依赖关系。该方法将解决一组 10 个任务所需的标注数据量减少约三分之二,同时保持性能几乎不变。研究提供求解器工具以制定高效监督策略,相关成果曾获 CVPR 2018 最佳论文并附代码与演示。
论文提出了 LocaLeJEPA 框架及配套的 LocaLeReg 正则化器,旨在解决联合嵌入预测架构(JEPA)在非欧几里得几何(如双曲 ViT、等变 CNN)下的表示坍塌问题。
该论文提出了 ChartEvo 框架,旨在解决多模态大语言模型在长尾图表类型上性能不均的问题。通过经验驱动的层级自改进机制,框架联合演化可复用的图表专用技能与可执行工具,并学习局部工具调用链以组合能力与控制推理开销。实验显示,在 ChartBench 和 ChartX 数据集的长尾图表任务中,该方法相比基线模型 Qwen3.7-Plus 分别提升了 45.6% 和 32.5% 的准确率。
推荐理由:针对长尾图表推理任务,提出递归自进化框架以联合优化技能与工具调用链。
针对在线持续学习中模型对非平稳数据流的单遍约束及易发生灾难性遗忘的问题,研究提出新型 SPIN(Stability-Plasticity INterpolation)优化器。
研究通过受控评估发现,在 HighwayEnv 测试床(1Hz, gpt-4o-mini)上,经验记忆的收益主要源于最佳预热池抽取,而非检索机制本身。仅含 15 token 的谨慎指令即可达到碰撞合并上限,且基线端口质量缺失会导致结论反转。团队已发布经审计的测试床、端口及缓存数据供验证。
针对小样本回归中深层网络易坍缩至低方差预测的问题,作者引入成对比较框架,将回归重构为聚合相对排名。该方法在不增加监督的情况下,利用 UTKFace 数据集(2.3 万图像)生成了超过十亿次训练比较。
推荐理由:提出成对比较框架将回归转化为聚合相对排名,在少量标签下提升数据效率与模型性能。
针对集合值分类器在长尾数据集上宏观平均精度显著下降的问题,研究提出基于 OKO 损失函数的训练策略。该方法将计算开销从标准交叉熵训练的 3.2 倍降至 1.36 倍,在不大幅增加预测集大小的前提下,显著提升 top-k、average-k 及 conformal prediction 等方法的少数类宏观准确率。
Channel-Level Mask Guidance for Slimmable Image Compression 方法通过可学习通道掩码与非连续选择机制,解决了传统 slimmable LIC 模型在低比特率下性能退化及变率控制不稳定的问题。
WildMAE 通过解码器侧扩展结合局部结构感知细化与掩码到可见交叉注意力,在 Snapshot Serengeti 数据集上以 75% 掩码率实现优于基线 MAE 的重建效果。该方法引入零门控卷积残差路径及归一化像素、Sobel 边缘和感知目标训练策略,提供野生动物掩码图像建模的架构案例研究。相关指标为历史协议依赖结果而非新复现或真实缺失像素恢复验证。
针对文本生成图像任务中需从少量参考图学习用户特定概念的场景,现有方法通常独立训练或假设所有概念同时可用,难以应对概念依次到达的情况。本文提出将残差空间适应扩展到预训练扩散模型的随机适应过程,在保持近零遗忘的同时实现了最高的概念保真度。
该论文分离了自回归语言模型中潜在过程的三种风险,指出在满足秩条件等特定数学约束下,线性潜变量可匹配贝叶斯 token 预测器。研究揭示恒定潜变量虽能使一步映射误差归零,但开放回路下的空空间行走仍会导致误差随时间线性增长。理论证明小步长损失无法直接认证自由潜变量展开,除非明确陈述秩或单射性条件。
针对 AI 生成视频可能复现受版权保护内容的担忧,本文引入一个新的基准数据集,涵盖 50 个受版权保护的视觉概念,每个概念包含 5 张图像及由图像加提示词或仅提示词生成的各 5 条视频。
SenseAlign 是一种针对触觉 - 视觉 - 语言模型的测试时适应方法,旨在解决部署中因环境变化或硬件差异导致的模态不可靠问题。该方法利用候选类别的文本嵌入比较累积观测以评估模态可靠性,并通过特征修正分离预测类别与替代选项。所有编码器保持冻结,仅使用无标签历史数据即可在自然偏移和受控腐蚀下恢复识别性能。
推荐理由:提出在测试时利用文本嵌入进行模态对齐与特征修正,以应对光照或传感器变化导致的性能下降。
针对现有自动驾驶数据集缺乏车道线可见性、连续性或退化等维护导向标签的问题,研究团队提出了一个基于 GPS 定位的智能手机行车记录仪数据集及基线框架。该数据集包含在南德克萨斯州采集的 63,839 帧面向道路的图像,其中 3,339 帧与 OpenStreetMap 导出的车道计数标签匹配,用于弱监督回归和地图一致性评估。
该论文介绍了 MedicalMLOmni,这是一个通过自然语言接口实现多模态医学图像任务自动训练的多智能体 AutoML 框架。系统利用检索到的已发表结果指导模型选择与配置,并采用并行超参数优化策略。
论文提出了 VisualEvolve 框架,旨在解决预定义视觉操作和训练习得的工具使用策略限制 VLM 有效性的问题。该框架通过 Select-Execute-Evolve-Evaluate 循环,利用技能库快照选择机制在独立验证集上筛选有效历史快照以限制性能回退,并通过渐进式证据访问(PEA)引导能力差距诊断。
CountVideoBench 引入包含 2600 个合成视频的基准,覆盖 [5, 50] 区间共 26 种基数以消除小数值偏差。该基准在零样本设置下测试了来自九个架构家族的十六个视频语言模型,发现无一模型精确匹配率超过 27.6%。研究揭示模型准确率随基数变化呈现单调下降或非单调峰谷模式,且预测高度集中于特定整数偏好值。
针对低患病率类别缺乏标注数据的问题,GProtoT 模块在无需梯度或验证数据的情况下,将支持类的视觉残差转移至缺失类。该方法在 MESSIDOR 数据集的 50 次单样本试验中,使缺失类召回率提升 5.23 个百分点,同时将无门控转移的负向转移频率从 46-48% 降至 2%,为临床监督不完整场景下的模型适应提供了低成本的安全路径。
论文分析了四种预训练目标不同的 ViT-B/16 骨干网络(DINOv3、SigLIP2、MerMED-FM 和 BiomedCLIP)在脑肿瘤分割任务上的表现。
该研究指出人类对图像质量的判断易受面部吸引力偏见影响:即使对比真实照片,更吸引人的面孔也会被误判为高质量。模拟 Elo 排名显示这种偏见能颠倒榜单顺序,使合成数据超越真实低质量样本;偏好对齐生成也会将人脸推向年轻、女性化特征并覆盖用户提示。论文分析了五款主流人类偏好模型中吸引力作为核心评分因子的现象,并提出了解耦图像质量与认知偏见的缓解策略。
针对自回归视频生成中 KV-cache 内存消耗问题,作者提出 CALM(Calibrated Allocation for Layer-Head Merging)方法。
RIECR 框架在 RAW 域直接解决欠曝与过曝问题,通过线性光照校正网络估计曝光感知增益并辅以频域增强模块恢复细节。研究构建了含 223 个场景、1784 对图像的配对基准,实验显示该方法在十六种最先进方法中表现最优。该工作为计算机视觉领域提供了统一的 RAW 图像修复方案。
RELiF 是一种通过可靠性引导解码融合文本信息的视觉语言框架,利用 RFG 门控机制自适应控制跨模态更新。该模型在放射学、CT 及内窥镜分割任务中展现出竞争力,其不确定性表征与预测难度呈正相关。代码已开源,适用于多成像模态下的复杂目标分割场景。
WildAIGC-Bench 包含 407 张经人工核验的 AI 生成或编辑图片,保留压缩、截图等真实网络条件。针对专用视觉检测器、多模态大语言模型及感知编码器基线的评估显示,其召回率与现有基准存在显著差距。该数据集已公开,旨在提供实用的检测挑战并支持基于来源的数据扩展与验证。
针对低数据细粒度视觉任务,该研究提出基于注意力与梯度滚动的可解释性框架,直接对比分类监督与图生文监督下的编码器表征。实验显示,在 CUB-200 及 Oxford-IIIT Pet 数据集上,图生文监督生成的表征对显著区域移除更敏感且更少依赖背景,而分类监督则对低显著性区域去除更具鲁棒性。该框架为量化评估训练策略差异提供了超越下游准确率的系统基础。
针对视频分割模型的类别遗忘问题,现有评估算法逐帧检查导致低估泄露风险。研究证明攻击者通过平均两秒视频片段即可恢复被遗忘类别,且信号源于跨帧冗余而非物体轨迹。论文提出 PACE 方法,利用置换不变池化对抗判别器和双向时间一致性目标直接抑制冗余。
PRAISE 提出一种面向 VLM 的重识别测试时适应框架,利用属性提示库构建属性条件子空间以重塑查询与图库间的亲和度。该方法在多个 I2I 和 T2I-ReID 基准上持续改进检索骨干网性能,且优于通用及重识别专用的测试时适应基线。
SGLDet 提出一种光谱感知全局 - 局部动态建模框架,解决大场景前景背景失衡及航空物体尺度方向结构差异导致的定位难题。该模型在 MODA、HOD3K 和 DroneVehicle 数据集上实现优于现有方法的性能且计算成本具竞争力。代码已开源,论文为 arXiv 预印本状态,待 IEEE Transactions on Geoscience and Remote Sensing 早期访问收录。
该论文提出了 GARRET 框架,利用 (页面,问题,答案) 三元组通过可微生成反馈训练区域级检索器,解决了现有方法依赖昂贵标注或噪声标签的问题。该方法共享上下文保持的检索器生成多向量表示,辅助视觉语言模型在推理阶段被移除,仅保留紧凑的页面表示。
针对现有潜空间扩散模型在现实图像超分辨率中存在的感知真实感与结构保真度难以兼顾的问题,本文提出 PixelSR 单阶段像素扩散 Transformer。该方法直接在 RGB 空间运行,通过像素条件扩散和正交流解耦设计,绕过 VAE 压缩并实现端到端优化,有效缓解了两者间的权衡效应。