稀疏视图 CT 中基于学习的正则化:精度、病灶可检测性与分布偏移评估
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
RouteDiff 提出一种感知状态的扩散框架,通过保真度细化路由、超图状态调节及估计锚定重入机制优化图像恢复。该方法在 Mayo 2020/2016 数据集上分别达到 40.95 dB PSNR 和 95.13% SSIM,并在下游分割任务中取得 80.92% Dice 系数。论文已提交至 Knowledge-Based Systems,代码与权重暂未开放。
ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。
arXiv 论文《ReVision: Selective Intrinsic Reasoning for Tool-Augmented, Reasoning-Intensive VQA》提出一种无需训练的测试时方法,允许多模态大语言模型在调用外部工具(如搜索、代码执行)的同时,选择性地进行无工具的图像重审与证据整合。
FaceJev 是一种基于多模态大语言模型的伪造检测新方法,通过共享图像编码回答面部八个部位的异常概率问题,无需生成文本解释即可直接判定。该方法利用包含约 160k 图像的 PartForensics 数据集及 FS-GRPO 优化策略进行监督训练。在未见过的操作类型上,FaceJev 比最强基线高出 7.25 个百分点的准确率。
针对权重分解方法因矩阵替换引入开销导致延迟降低困难的挑战,本文提出平衡双权重分解(BTWF)方法。该方法在共享基元设置下利用孪生层结构减少推理时间,并通过因子分量平衡与块贡献平衡优化性能。实验表明,BTWF 在六个模型九个基准测试中相比最先进方法提升 2-6%,无需昂贵的微调即可实现效率与性能的平衡。
针对基于 CLIP 的分类增量学习(CIL)任务,现有方法仅利用全局表示而忽视了局部特征。本文提出 PACE 方法,通过识别关键视觉 patch 和文本 token 并进行跨模态融合来挖掘被忽视的局部表征。
针对机载激光扫描点云中电力线的分割与识别问题,研究对比了基于迁移学习的 Point-SAM 方法与规则法,并推导了用于三维悬链线的 RANSAC 数学公式。在法国 LiDAR HD 项目新发布的 PowLiDFR 数据集上验证显示,无监督迁移学习优于规则分割,且 RANSAC 算法在拟合悬链线形状方面表现更佳。该成果共 8 页含 10 幅图,已获 VISAPP 2027 录用并公开提供数据集下载。
MS-HVED 框架通过物理感知域随机化与高斯后验融合,在尼日利亚队列的盲审中于 210 对对比里以 187 次胜出监督基线。该模型在所有输入下整体质量评分达 5.93(基线 4.49),且即便缺少轴状或冠状面输入仍保持显著优势(p<.001)。代码已公开,研究涵盖计算机视觉与医学影像超分任务。
DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。
针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。
推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。
MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。
这是已知首个将数据集蒸馏(DD)应用于行级手写文本识别(HTR)的研究,通过聚类字符 n-gram 定义伪类别并优化真实起始像素生成合成图像。在 IAM、George Washington、READ,2016 及 LAM 四个数据集上,无论预算为 1% 至 10%,随机选取的行均优于中位数行,且进一步优化反而降低识别率。
针对视觉语言动作(VLA)模型推理成本高且注意力分数无法直接衡量 token 对动作影响的问题,该方法定义动作敏感度并解决在线评分导致的剪枝图锁定偏差。通过离线计算全图敏感度并蒸馏至不足 30 万参数的学生模型,在推理时无需反向传播即可进行评分引导的多样性选择。
推荐理由:POKE 方法离线计算全图动作敏感度并蒸馏至小参数学生模型,在 LIBERO 等基准上实现高效剪枝与高成功率。
针对日文技术文档转换中因符号干扰导致数字评分失准的问题,研究对比了 MinerU、NDLOCR-Lite OCR 基线及确定性后处理管线。移除注释符号后两者 F1 分数持平(0.575 vs 0.594),且后处理管线未能改善关键指标。建议去除符号并对照源文件检查关键图表,该研究目前为技术报告。
针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。
推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。
针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。
FDIR 框架利用可计算的 Fréchet 距离在冻结特征空间匹配分布,结合局部补丁与实例自适应统计优化 LoRA 参数。实验显示该方法在简化生成式图像恢复训练的同时,实现了强感知质量的图像恢复效果。该工作包含 20 页论文、14 张图和 7 个表格,代码与权重暂未提及开源许可。
PhaseCLIP 提出一种相位感知的频域适配方法,将相位能力模块与特征门控模块插入冻结的 CLIP 视觉编码器,仅训练 1.30% 的参数。该方法在五个公开遥感数据集上对比八个基线,平均准确率达 84.28%,并在 30 个数据 - 样本组合中的 23 个表现最佳,相位贡献了整体 1.93 个百分点的增益。
STARS 提出一种级联阴影去除框架,通过分阶段分离区域责任解决掩码先验导致的非阴影区亮度偏移问题。该方法引入特征选择与融合适配器(FSFA)以利用大模型先验知识,无需复杂并行双分支结构。在 UAV-SC+、ISTD+ 和 WSRD+ 2026 三个基准数据集上的实验表明,该框架优于现有方法。
Defect-Aware Masked Autoencoders(Defect-Aware MAE)通过纹理能量掩码与 HOG 描述符重构,在无标签图像上实现钢铁表面缺陷聚类。该方法在 NEU DET 测试集达到 98.6% 匈牙利匹配准确率及 0.968 NMI,优于 SimCLR 基线且无需对比损失或检测分支。论文已接受发表于 IVCNZ 2026,代码与权重暂未提及开放许可。
Counterfactual Feature Steering(CFS)方法通过一次 SAE 训练,在稀疏自编码器潜在空间实现有界推理时概念编辑。该方法在 Celeb-100 的 4,000 个提示词及 COCO 数据集上验证了身份擦除与相邻概念保留的最佳权衡,且跨干预强度保持稳定。研究还通过 ArcFace 独立评估和裸体抑制基准证明了其在 SD~1.4 上的泛化能力。
针对无示例持续学习中历史数据不可用导致难以直接优化联合风险的难题,该方法通过保留模型对已学类别的分类决策来维持旧知识。具体而言,通过对所有成对旧类别逻辑值边距的变化进行惩罚,将其代数简化为中心相对逻辑值惩罚;同时应用谱白化以消除分类器的谱尺度偏差。
SCoRe 框架利用两个互补的视觉基础模型(VFM)分割器,通过角色融合方法在无需训练的情况下完成跨域少样本分割任务。该方法在 RSRM 和 FSS-SAM3 上基于 10 个数据集共 3,314 次五样本实验评估,平均前景 mIoU 达 72.738%,较 RSRM 提升 5.210 个百分点。
现有自动驾驶数据集多覆盖常规驾驶,缺乏安全关键场景与极端环境的真实数据。本文发布 ExtremeDrive 数据集,包含从海量记录中精选的 589 个涵盖紧急操作、复杂交通互动及雨雪等恶劣路况的场景,提供校准对齐的多传感器数据及人工审核的道路结构与交通参与者标注。
针对预训练文本编码器诱导的语义空间维度高且与视觉特征对齐弱的问题,论文提出 TaSS 框架,通过参数化几何变换优化类间距离和类内紧凑度,并利用轻量级 MLP 将冻结的视觉编码特征对齐至该空间。
推荐理由:提出 TaSS 框架,通过几何变换优化语义空间以提升分类判别性,在多个基准上平均提升超 3 个百分点。
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。
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。
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。
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。
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。
论文提出 CiGS 方法,利用配准的多视角可见光与热成像数据,将稳态热传导建模为拉普拉斯边值问题并通过离散化边界积分方程求解。该方法不构建表面或体积网格,而是从渲染深度采样共轭点并利用密度减法保证内部评估精度。实验在具有挑战性拓扑的合成及真实场景上验证了方法对狄利克雷和混合边界的适用性,结果显示其匹配解析解且精度优于有限元法(FEM)求解器。
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%)。
MambaVision 混合架构将大部分参数置于最宽第四阶段,研究将其替换为轻量级状态空间块以量化贡献。在 Tiny 和 Small 规模下,该操作减少 35.7% 参数量并提升 GPU 吞吐量 19.3%,但无蒸馏时 ChestMNIST 曲线下面积均值下降 0.004;知识蒸馏可缩小差距至 0.001-0.002。
针对点云视频自监督学习中存在的几何位置与时间掩码导致的信息泄露问题,论文提出了 PointWM 方法。该方法通过仅使用目标最后一次出现的位置和时间戳进行查询,并学习无需标注的潜在动作来预测未来帧的特征与几何结构,从而将任务从补全转变为真正的因果预测。
推荐理由:提出 PointWM 方法解决点云视频预训练中的信息泄露问题,在 HOI4D 任务上显著优于从头训练。
论文提出 Glance-ETD 框架,通过轻量级问题条件评分器分两阶段减少视觉 token。第一阶段以低分辨率概览图像并仅重编码相关问题区域;第二阶段结合多样性与预测证据选择最终 token,确保覆盖场景且保留答案。
论文测试了零配对跨模态对齐的可行性,发现仅在自然图像数据集成功,而环境音频、胸部 X 光及 CT 等失败,分析表明需先定位共变子空间。为此提出 LightAlign 方法:利用少量配对数据通过岭回归同时确定映射位置与方向,并用文本分类器预测医学影像中的诊断结果。在 3D CT 任务上,该方法仅需约 200 对数据即可超越端到端训练的模型,且在未见过的医院数据集上也表现优异。
论文提出 Two-Stage Prompt Learning (TSPL) 框架,解决现有方法依赖固定指令且难以处理未知换衣场景的问题。第一阶段在冻结编码器下解耦服装与身份特征;第二阶段利用可学习上下文嵌入训练图像编码器,实现跨同衣、换衣及未知场景的鲁棒适应。实验显示该方法在 LTCC 和 VC-Clothes 基准上分别提升 mAP 9.2% 和 6.4%,代码将开源。