HUS-QA:一种无需真值掩码的牙科分割质量保障引擎
HUS-QA 是一种用于诊断牙科分割校准盲点的启发式无监督质量保障引擎,基于 PRAD 数据集训练的 ResNet-18 U-Net 模型在无需真值掩码情况下评估分割质量。
HUS-QA 是一种用于诊断牙科分割校准盲点的启发式无监督质量保障引擎,基于 PRAD 数据集训练的 ResNet-18 U-Net 模型在无需真值掩码情况下评估分割质量。
针对现有零样本异常检测方法依赖复杂提示学习或计算昂贵的滑动窗口策略的局限,本文提出 RADIOlogy 方法。该方法利用视觉语言模型中多头注意力池化的新兴属性,无需密集窗口执行即可实现显著的零样本异常定位与检测。
PhysCount 是一个评估多模态大语言模型(MLLM)能否区分图像中可见外观与场景内实际存在物理实体的基准测试。该基准包含 546 张真实世界图像和 4,595 个人工编写的问题,分为 651 个目标特定组。
论文提出 CrossWeave 框架,旨在通过查询 2D 图像检索对应的 3D 环境或物体,作为机器人空间推理的基础机制。现有方法仅在整体场景或物体层面学习对齐,缺乏细粒度局部结构监督;CrossWeave 证明仅对一组稀疏的 2D-3D 对应关系进行监督即可训练单模型同时完成场景级和实例级检索。
推荐理由:提出CrossWeave框架,通过稀疏2D-3D对应关系监督实现单模型跨模态检索,在ScanNet和3RScan数据集上超越现有方法。
论文提出了 LucidLyra 框架,通过从相机控制的视频扩散模型和冻结的2D视觉基础模型中蒸馏互补知识,构建了一个统一模型,能够以前馈方式直接从视频潜变量查询语义和实例。
AVPS-360 是一个基于 STARSS23 构建的空间视听基准,包含 230 段共 10.5 小时的录音视频数据及 31,678 个人工标注掩码。该基准利用一阶 Ambisonics 音频与同步 360°视频,解决了单声道缺乏空间线索导致的声音源区分难题。实验表明,现有视听实例分割方法在长时断续发声场景下表现不佳,而提出的基线模型显著提升了检测与身份关联性能。
InfantNet 是一个包含 108,902 张 6-18 个月龄婴儿 RGB 图像的大规模数据集,其中 11,642 张图像附带经过多视图渲染验证的 3D 姿态与 SMIL 形变参数。该工作证明成人姿态估计器无法直接迁移至婴儿,而在 InfantNet 上微调可显著提升性能,特别是在 3D 姿态与形变恢复任务中达到与 SMPL 模型相当的效果。
KITScenes Aerial 是 KITScenes Multimodal 数据集的扩展版本,通过同步车载传感器数据、车辆姿态以及丰富的 Lanelet2 地图标注,新增了空间关联的高分辨率空中影像和神经表示。
该论文提出一种将不确定性作为硬约束的定位受限 A* 规划器,利用扩展卡尔曼滤波传播状态协方差以解决无人机在无 GPS 区域的导航难题。蒙特卡洛仿真与 PyBullet 四旋翼测试表明,该方法相比 RRT* 和 PRM 能找到更短且可靠的路径,同时始终满足不确定性限制并保证最优性。
TaskFrame 提出分层规划器控制器架构,通过视觉语言任务规划器分解指令并利用缓存的目标嵌入驱动因果 Transformer 控制器执行键盘鼠标操作。在 Minecraft 实验中,该框架在指令分解上具备竞争力,且闭环评估下的战斗成功率优于基线模型。系统经三阶段训练(规划器、控制器预训练及联合对齐),代码与论文为 arXiv 预印本状态。
该研究提出一个基于 CIE 色度学框架的五任务基准(白平衡、肤色偏差、相关色温估计、Delta E2000 排序及变光照命名),测试了包括 Qwen3-VL、GLM-4.5V、GPT-5.4、Claude-Opus-4.7 和 Gemini-3.1-Pro 在内的八个多模态大模型端点。
该方法通过两因素 Shapley 归因分离规则与感知贡献,在 ETH 和 UCY 视频数据集的仿真静止机器人实验中证明侧向距离仅为平面距离下界。针对 898 名行人,校准后的 Depth Anything V2 定位 RMSE 优于几何基线,但检测召回率不足导致漏检成为主要风险源。深度感知安全评估在八种场景阈值设置中均匹配或改善了侧向规则的漏险率,并在七种设置下减少了不必要的停车。
针对现有相机通过 CCT 标量简化光照 SPD 导致无法区分同色异谱光源的局限,本文提出利用多通道环境光传感器(ALS)结合非负最小二乘法直接恢复光谱功率分布(SPD),并据此拟合每帧最优 CCM。在合成基准与真实测量数据上,该方法将平均角度误差从 1.89 度降至 1.20 度,且在离普朗克曲线光源组别中尾部误差降低 1.7 倍,验证了其在复杂光照下的有效性。
该论文提出了 EventSeeColor 方法,旨在解决传统基于事件的重建仅能生成灰度图像的问题。研究指出虽然单色事件相机不直接测量颜色,但其触发模式包含表面反射率、光照及传感器光谱响应的线索。
研究对比了六款视觉语言模型(VLM)在图像文本匹配与千项候选检索中的表现,发现基于手工负样本的探测准确率为 85%,而面对其他模型错误结果时降至 77%。实验表明,通过探测任务无法预测模型能否从数千个选项中正确召回首项,且开源基准\svo{}因标签不完整导致分数偏低。该研究揭示了当前 VLMs 在细粒度理解与大规模检索能力间缺乏直接关联。
该研究提出一种无监督框架,通过学习运动流形约束候选场以解决 4D 医学图像插值中的运动模糊问题。方法结合跨样本谱基学习与样本条件 Cayley 基重定向,在 ACDC 和 4D-Lung 数据集上实现了无需中间体积训练的最优性能。实验结果在与使用中间监督的方法对比时表现具有竞争力。
SynthFaces 是一个面向生成模型训练与微调的平衡身份中心人类数据集,旨在解决真实数据偏见及隐私风险问题。该数据集通过扩展 Arc2Face 扩散模型并结合流匹配生成技术构建,实现了生成保真度与标签多样性的双重目标。项目已接受 BMVC 2026,代码仓库提供下载,图像与身份均为合成以保护隐私。
Neural Blind Deconvolution for Image Scanning Microscopy 提出免训练盲 Deep Image Prior (DIP) 框架,联合估计样本与探测器依赖的点扩散函数。该方法在实验微管蛋白数据上恢复了比多图像去卷积及固定理论 PSF 的 DIP 更精细的丝状结构。该工作由 Eliot Guez 提交至 arXiv,属于计算机视觉领域的预印本研究。
Morphology-Aware Channel-Decoupled Mamba Network(MCDNet)提出了一种结合自适应局部结构增强与解耦长程建模的网络,通过 MCSS 块和 MAEM 模块解决器官形状变异及边界模糊问题。在 Synapse 腹部 CT 数据集上,该模型实现多器官分割平均 Dice 系数达 81.61%。研究代码与权重暂未公开,论文状态为 arXiv 预印本。
针对 3D MRCP 扫描中主胰管自动分析研究不足的问题,该研究提出了一种结合粗定位与精分割的不确定性感知深度学习流程。在包含 69 名患者数据的测试集中,该方法实现了 0.634 DSC 的分割性能,并将最大宽度预测平均绝对误差控制在 0.355 mm 以内。对于直径大于等于 5 mm 的扩张胰管,模型检测出 75.0% 的敏感度和 74.4% 的特异性,可辅助临床测量。
arXiv 论文提出 Don't Risk It Planner (DRIP),这是一个端到端的仅 LiDAR 规划框架,将占用预测与轨迹条件清除及不确定性估计相结合。
推荐理由:提出仅用 LiDAR 的 DRIP 规划器,通过轨迹条件分布风险评估碰撞概率,在密集人群导航中相比基线减少冻结并提升成功率。
针对锥形束 CT(CBCT)定量应用受限问题,本文提出 EPC-RawDC 框架,结合几何等变性投影约束与原始数据一致性监督。在 JUST 和 SynthRAD2025 两个独立临床队列中,该方法 SSIM 达 0.97,PSNR 分别提升 2.66 dB 和 2.10 dB,显著降低误差并优于 DDPM 基线。代码将在发表后开放。
论文提出了 PET-DINOv2-2D,这是首个专门针对 2D PET 影像进行预训练的 DINOv2 模型。研究将其与原始自然图像预训练的 DINOv2 及 OmniRad 等开源编码器进行了对比评测。结果显示,尽管预训练数据量较少,该模型在正常/异常分类、病灶分割和无复发生存预后三项下游任务中均匹配或超越了现有方法,且在标签稀缺场景下优势更为明显。代码已公开。
推荐理由:该工作发布了首个基于 PET 影像预训练的 DINOv2 模型,在少样本条件下于分类、分割及预后任务上表现优异。
针对极端环境下图像严重退化导致的新视角合成(NVS)难题,本文提出 MLLM-GS 框架。该框架包含两个分支:一是利用冻结的多模态大语言模型(MLLM)丰富视觉先验来增强受损视图,并通过轻量级校正网络减少像素错位和色彩偏差;二是优化光栅化、高斯内存布局和参数更新以提升 3DGS 效率。实验表明,该方法在多种退化场景中能有效处理严重干扰,实现高质量重建且显著降低计算时间和显存消耗。
PhysAg3D 是一种耦合 3D 生成模型与智能体推理的工具使用框架,旨在从单张图像生成具备真实外观、几何一致性及合理物理行为的交互式 3D 资产。系统首先通过视觉语言智能体推断语义部件、候选交互及物理先验,随后由 3D 生成器构建纹理化整体网格。
针对水下照片序列质量差异问题,该方法结合多图像信息实现了海马的自动分类、性别判定及开放集重识别。研究基于野外观测的 35,914 张包含 474 只个体的数据集训练评估,在多视图融合下达到了最先进性能。该工作为大规模最小侵入式捕获 - 标记 - 再捕获研究提供了新的计算机视觉解决方案。
arXiv 论文介绍 LiDAR-SHIELD,这是一个统一的、完全 Docker 化的框架,用于对基于 LiDAR 的 3D 感知模型进行对抗鲁棒性压力测试。
研究对比了帕金森队列(n=96)中置信度筛选与预算匹配随机筛选,发现前者使运动摘要产生 +0.05 SD 的一致偏移而 Mini-BESTest 误差持平。若置信度仅弱关联运动(rho=0.14),过滤无害;但系统性误差重分布时可能增加高达 0.58 度的偏差。该工作已提交至 2027 IEEE ICORR,旨在分解并模拟队列窗口结构中的两种误差来源。
针对传统迭代细化模型在视频流中计算成本高、速度精度难兼顾的问题,本文提出 DEQ-Stereo 框架。该方法将细化过程重构为隐式不动点问题以实现自适应收敛,并引入卷积简化门控单元与跨帧状态转移策略以提升稳定性与时序一致性。实验表明其在保持先进性能的同时实现了更优的精度延迟权衡。
该论文引入 BedBench 基准,通过十三项程序化生成任务评估 VLM 的 3D 属性恢复能力。研究发现人类在按颜色计数任务中准确率达 93.3%,而最佳模型仅为 7.2%;即使针对某模型微调将准确率提升至 68.6%,其回答仍与自身计数不一致。研究进一步指出,单纯增加视觉线索或推理规模无法使精确答案可靠,且部分成功无需视觉证据。代码与数据集已公开。
论文研究 LIDAR 语义分割的域泛化问题,提出一种仅用源域数据训练的框架,引入占用预测作为辅助目标以替代单帧扫描的标准监督信号。该方法不改变输入扫描格式,在部署时无推理开销,且能在无目标数据和标签的情况下显著提升对未见传感器的性能。
针对中间融合式合作感知中协作者图像退化导致特征分布漂移、进而污染自车检测的问题,本文提出 AgentNorm 方法。该方法为每个协作者独立估计归一化统计量并锚定自车源分布,无需学习参数或梯度,且传输特征不变。在 OPV2V 数据集上,面对严重雾气时 [email protected] 提升显著;在 DAIR-V2X-C 真实世界数据集中,对所有基础设施腐蚀场景均优于池化归一化方案。
针对 CT 影像中肺部肿瘤占比小且外观异质难分割的问题,研究提出了解剖先验引导路由模块(APRM)。该方法通过确定性选择解剖路由门控,在共享专家适配器池中实现区域特异性特征适配。实验表明,APRM 在不同骨干网络上均优于基线模型,且特征可视化证实了其对解剖上下文的自适应能力。
针对少样本语义分割中正向示例信息不足的局限,本文提出 Specified Visual Prompt Segmentation (SVPS) 设定,要求同时利用正向和负向视觉提示来明确目标概念。
该论文针对自动驾驶中先验地图因信息过时或临时变化导致偏差的问题,提出 PriorMaskMap 框架以增强在线矢量建图的鲁棒性。
作者发布了 COGS 数据集及 COGS-Bench 基准,包含 15,675 个经过伪影过滤且外观丰富的物体,覆盖 40 个类别。研究结果表明,并非所有高斯属性(如外观、不透明度、协方差组合)对感知任务均有益,特定子集甚至优于全量属性。
基于 GeoTransformer 架构的单网络方法,在单前向传播中同时预测刚体姿态与完整点云,无需手标系数。该方法在无真值数据集 NoW 和 NPHM 上,顶点误差优于最强基线 3-4 倍且快于头部塌陷基线一个数量级。代码将公开可用。
STRATA 提出一种强化学习驱动的主动采样框架,通过整合 H&E 形态学与单细胞先验构建 3D 图,利用智能体在低预算下选择高信息量采样点。其自适应三范式预测器融合检索、回归与跨层插补技术,实验证明该方法显著提升了三维转录组重建的采样效率与精度。代码已开源供社区使用。
针对 4D 感知模型难以检查其依赖运动还是形状特征的问题,提出 Kinematic Causal Attribution (KCA) 方法。该方法通过冻结区域运动或移除形状的代理操作,在不需帧间对应关系的情况下构建运动与几何立方体,并利用 Shapley 分解量化交互作用。
针对现有基准在少样本物体类别上的局限性,本文引入 MIMO-Bench 基准,专门评估多模态大语言模型在多实例多对象(Multi-Instance per Multi-Object)场景下的视觉推理能力。