CHORD:通过跨视图共识缓解虚假相关性的多视图去偏框架
CHORD 是一种无需偏倚监督的多视图框架,利用类内分区代理候选偏倚,在视觉、语言、语音及医学成像等七个基准上提升了最弱势群体准确率。代码与检查点已公开,论文处于审稿中,解决了单一表征证据不全或含噪导致的模型失效问题。
CHORD 是一种无需偏倚监督的多视图框架,利用类内分区代理候选偏倚,在视觉、语言、语音及医学成像等七个基准上提升了最弱势群体准确率。代码与检查点已公开,论文处于审稿中,解决了单一表征证据不全或含噪导致的模型失效问题。
SpatialCast 是一个利用投射阴影评估模型连接物理场景条件与视觉观察能力的基准,包含 21,000 个合成问题和 200 个真实场景问题。评测显示闭源多模态大语言模型优于通用开源权重及空间推理专用模型,后者在合成基准上表现接近随机猜测。研究还利用该数据对 GRPO 进行后训练,提升了开源模型性能并验证了其在外部空间基准上的迁移能力。
Unified Residual Translator(URT) 将固定通道映射与学习残差预测分离,在 MRI、可见光至红外及 SAR 转光学等六类任务上均优于基线。
OmniTongue 是首个针对中医舌诊的细粒度视觉问答基准,整合了 1351 张专家验证图像与 21616 条指令对。该基准涵盖 16 个临床维度、区域特异性标注及 66 个精细标签,旨在评估多模态大模型在中医领域的真实理解能力而非统计捷径。现有模型在该基准上表现不佳,暴露出缺乏领域优势与过度依赖统计技巧的局限。
针对现有 AI 生成图检测器依赖生成样本导致泛化差、对非真实性特征敏感的问题,论文提出 SaySee 这一免训练检测方法。该方法通过成对描述构建生成方向并投影评分,同时利用真实图像校正格式与内容引起的偏移。在涵盖标准基准及最新生成器的 24 个评测集上,SaySee 平均 AUC 达 98.2%,优于现有最佳方法 4.2 个百分点。代码将开源。
论文提出 REVEAL 统一扩散框架,利用用户文本查询驱动开放词汇分割获取可见掩码,并通过光流将前帧可见内容传播至遮挡区域以提供形状先验,同时用文本约束纹理重建以保持视觉连贯性。作者贡献了 LAVAT 基准数据集用于评估重度遮挡下的视频非遮挡完成任务。实验表明该方法在现有基准上达到最先进性能且保持长序列时间一致性。材料为 arXiv 预印本,已接受 TMLR 发表。
推荐理由:提出 REVEAL 框架,结合光流与文本引导解决视频非遮挡重建难题,并开源 LAVAT 基准。
Anchored Residual Flow 利用免费 Sentinel-2 影像,在连续美国 69 个生态区实现 0.5 米精度树冠高度合成。确定性回归器 Anchor 仅用卫星输入即达 2.83 米 MAE,条件流匹配模型 AR-flow 将切片 Wasserstein 距离降至 0.208 但 MAE 升至 3.68 米。
针对相机重访已知场景导致物体重复计数的难题,该研究提出 PlaceTally 模型,这是一种无需预先知道目标类别的测试时记忆模型,能为每个视频构建地方图。模型将视频片段与最佳早期匹配的地方合并或开启新地方,利用冻结的视觉语言模型从最多 128 帧中计数每个地方一次,确保输入有界且内存随地方数量增长,建图速度为实时速度的 15 倍。
Gradient-guided Random Search (GRS) 提出一种针对像素稀疏攻击的鲁棒性防御方法,在 CIFAR-10 与 ImageNet 模型上表现优于或持平于 sparse-AutoAttack。该方法仅需一次前向与反向传播,运行速度比 sAA 成员快 3.7 至 5.0 倍,且无需依赖集成测试即可有效抵抗局部搜索攻击。
SemGeo 是一种高效的视觉定位框架,利用单个网格 token 进行粗略定位,并通过几何解码器并行恢复精确坐标。该方法引入高斯软标签联合训练提议生成与定位,强化后训练缓解教师强制训练与推理间的差异。
论文指出视觉语言模型(VLMs)作为零样本图像质量评估器时,其好坏判断与人类意见仅中度一致。层探针实验表明,图像质量信息在视觉编码器和最后一层语言层中均可线性解码,偏差主要源于最终输出层的读取机制,该层过度奖励色彩丰富度而低估清晰度。
在 AudioFuse 模型中,尽管融合得分表现强劲,但频谱图分支因训练失衡而未被使用。研究提出包含删除分支、线性探测及单视图训练的三部分诊断方案,证实该架构单独训练 AUC 超 0.9 却存在早期优化不平衡。此现象仅在 PhysioNet 数据集观察到,ICBHI 或 CirCor 上未完全满足诊断标准,建议报告分支删除与未训练对照探针以验证各分支有效性。
论文提出 Fast Training-Free Low-Light Video Enhancement with a Frozen Image Diffusion Prior,在无需低光照训练数据和重新训练新相机的情况下增强低光照视频。
MentalGrid 基准评估显示现有多模态大语言模型在无需视觉反馈的动态空间模拟任务中存在感知局限与推理不足。为此提出的三阶段课程学习框架利用 16k 专用样本训练出 SpatialWalker,其平均性能较基线提升 33.8%,超越 Gemini-3-Flash 等专有模型。该模型在跨域基准上保持 4.9% 的平均增益,证实空间模拟是构建广泛空间智能的关键基石。
该技术提出一种基于半透明三角形的场景表示方法,通过推导三角形泼溅窗口在像素上的精确闭式解实现抗锯齿。该方法无需重新训练即可消除现有模型的严重混叠效应,相比 2x2 超采样展现出更少的时域混叠并支持多尺度训练。实验表明其在降低分辨率下能匹配或超越超采样训练效果,且仅剔除无法达到渲染器 alpha 截止值的三角形以优化性能。
该论文针对高光谱图像(HSI)和激光雷达数据中模态特征判别可靠性空间变化未被显式建模的问题,提出了 ReDF 框架。该方法通过类原型库量化各位置特征的可靠性,利用估计出的可靠性构建加权共享表示并指导基于邻域一致性的双向跨模态特征修正,进而自适应调整融合表示中各模态的贡献度。在三个公开数据集上的实验表明,其整体准确率和 Kappa 系数均优于对比方法。
该研究针对跨机构的临床任务适配问题,利用配对腹部 CT 扫描和放射学报告对预训练的 3D 医学 VLM 进行了自监督适应。实验对比了全量微调与参数高效微调(PEFT)两种策略:全量微调收敛快但易过拟合,而 PEFT(图像编码器用 ConvLoRA,文本编码器用 LoRA)在更新约 1% 参数的情况下达到了相当的性能,AUC 为 0.79,F1 为 0.70。
该研究指出当前指令引导的视频编辑奖励模型常因过度追求时间一致性而导致“运动坍塌”,在 VE-Bench 基准上对抑制了运动的候选项选择率高达 97%。为此,作者提出一种结合 RGB 帧差流与针对运动抑制及伪造运动负样本进行偏好训练的运动感知奖励模型,并通过蒸馏锚点保持与人类质量判断的一致性。
该论文提出保护性扩散模型(PDM),通过蒸馏迭代教师网络并结合目标残差投影损失进行后训练,实现了一次训练即可为多张新图像生成扰动样本。该方法在人脸和艺术作品等任务上优于九个基线模型,且成本仅为教师的十分之一。材料为预印本版本,未提及同行评审状态或具体部署场景。
Guoping Xu 等人提出 LeViT-UNet++,这是一种旨在平衡局部细节保留与全局上下文建模的高效编码器 - 解码器架构。该模型引入 Haar 小波多尺度下采样模块以分解特征表示并提取多尺度结构信息,同时开发基于深度卷积的解码器来融合 Transformer 块的全局表示与局部空间特征。
Sample-Aligned Decoders (SAD) 通过样本对齐与编码器锚点保留技术,解决潜在生成模型在测试时未见真实潜变量的分布差异问题。该方法在不增加推理开销的前提下,将 REPA-E 的 FID-50K 指标从 1.15 提升至 0.98,并兼容判别器引导及文生图任务。代码与模型已开源,适用于 ImageNet 等主流生成架构。
MedImgAnnotator 是一款集成编辑、掩码匹配及插件管理的半自动批量标注工具,将主动标注时间从开源工具的 206.5±32.87 秒降至 59 秒。该工具已在 MICCAI 2026 CARE Challenge 肝分割优胜者处用于处理 6412 个 MRI 容积数据,且经 12 名用户评估显著提升了易用性。目前提供可执行文件与 Python 脚本版本供下载。
本文针对视觉语言模型的在线蒸馏(OPD)范式,挑战了其对后门传播具有天然抵抗力的直觉。研究发现,一旦超过临界阈值,攻击成功率会迅速接近 100%,且该过程不依赖显式恶意响应,而是由教师模型分配的异常概率质量累积驱动。作者提出了一种无需显式注入触发器的新型触发器设计,揭示了 OPD 中被忽视的后门传播机制及其潜在安全风险。
推荐理由:该文挑战了在线蒸馏对后门传播具有天然抵抗力的直觉,揭示了在特定阈值下攻击成功率可达 100% 的机制及无需显式触发器的新设计。
针对车载通信预算受限问题,本文提出 Spatial Elastic Consensus (SEC) 框架,通过双向供需共识分配令牌预算以聚焦关键缺失证据而非冗余信息。该方法采用反膨胀先处理流程确保预算精确合规,并利用轻量形变采样器聚合稀疏消息以补偿空间上下文与姿态漂移。在 OPV2V、V2XSet 及 DAIR-V2X 数据集上,SEC 在 64KiB 严格预算下均取得最佳 [email protected] 性能。
针对渐进式神经坍缩分类器在持续学习中出现的“路由漂移”现象,研究提出 Reliability-Calibrated Routing(RCR)轻量级后处理分类器。该方法在不重训表征的前提下,通过结合标准化 ETF 对齐与径向合理性证据,显著修复了全局路由损失。实验显示,其在五分之六的设置下实现了最优 Class-IL FAA,最大提升达 +6.75 FAA,并有效降低了所有六种设置下的类间遗忘。
本文介绍 Visual Generative Lab (VGL),一个用于研究扩散模型如何学习和泛化基础视觉技能(如大小、位置、旋转、数量等)的受控实验框架。通过基于规则的合成数据训练,研究发现默认设计下模型的外推能力有限:尺寸和位置在训练范围外仅几像素即退化,数量泛化准确率约 50%,且组合泛化更依赖技能组合数而非数据集规模。代码与数据生成脚本已开源。
SignAligner 是一个提示条件视觉语言跨度生成器,联合训练于 BOBSL 语料库的字幕跨度和单词跨度。经重叠奖励优化后,该模型在 BOBSL 测试集上达到 66.68 [email protected],优于同架构基线及交叉熵续写方法。其能根据手语位置动态定位查询词,无需依赖视频中心固定位置,支持字幕对齐与单词跨度生成以供人工审查。
该研究提出一种基于 nnU-Net 的自配置框架,通过复用分割模型的编码器特征与预测概率进行图像级分类。实验显示复杂配置未持续提升性能,最终方案在公开榜单 Overall 得分为 0.8056。该方法在 FLARE 2026 Task 2 四项测试任务中综合排名第一,DSC、NSD 及 AUROC 指标均最优,且推理耗时低于每例 60 秒、显存占用低于 4GB GPU。
针对现有基准依赖常识先验的问题,研究团队构建了ContraSense基准,通过反直觉图文对强制模型基于视觉证据推理。在包含开源与闭源多模态大模型的全面评估中,最强闭源模型准确率仅约60%,而人类参与者达到96.04%。该结果揭示了当前MLLMs在忠实视觉理解上的不足,ContraSense基准已公开提供。
SandBAR 是一种针对水下图像恢复的新型统一频带非对称架构,旨在解决光散射和浑浊导致的低频外观失真与高频细节丢失问题。该架构在块、编码器和目标层面组织频带不对称性,引入保留后注意力修复槽位的频带非对称三明治块及 SPARK 模块,分别对低频进行通道感知的大范围校正和对高频进行轻量局部细化。
PURE 是首个针对电商领域的多粒度多模态身份匹配诊断基准,涵盖感知、理解、推理及证据判断四个维度。该基准包含 1,457 道选择题和 14 个任务,验证显示跨十款最新多模态大模型的整体得分介于 47.1% 至 86.0%,揭示了现有模型在视觉差异定位与变体规则判断上的短板。
针对自然图像模型在超声扫描中语义提示不可靠的问题,DAP-MR 通过专用退化 token 与连续幅度路由器解耦类型与严重程度。该方法可无缝集成至单步或多步扩散框架,无需改变核心结构。实验表明,其在合成及真实无配对超声数据上均实现了更优的恢复质量与跨域泛化能力。
该论文提出 M3-Test,一种将干净输入与其单模态变体及完整联合扰动族对齐的覆盖率审计框架。研究发现,尽管四个视觉语言模型通过了 40 个单模态测试,仍有 26% 至 29% 的 Qwen 问题在联合扰动下失败,且仅靠最大强度角点无法消除此缺口。该工具支持将现有鲁棒性套件转化为请求级未测试账户,辅助接受度审查与回归分析。
arXiv 论文提出 Coupled Spectral Perturbation (CosPert),这是一种针对预训练文生图模型(如 FLUX.1、Stable Diffusion 3.5)的推理阶段创意增强工具。该方法通过一次敏感性分析识别注意力投影层,利用共享随机变换耦合奇异向量因子并扰动谱增益,无需额外网络或评估即可在采样时提升视觉多样性与物体结构变化,同时保持类别身份和提示词对齐。
SIDUMN 提出了一种针对均值一对称乘法噪声的自监督去噪框架,通过采样独立合成噪声因子构建互补噪声图像进行训练。理论证明该方法的反义平均策略不会增加单输入重建的预期平方误差,数值结果验证了理论发现及所提方法的有效性。
Cross-Modal StateKV Injection 提出一种通过视觉 token 位置的键值状态进行通信的框架,在 MLVU 和 Video-MME 数据集上相比文本通信基线实现了适度的准确率提升与更低延迟。该方案保留载体 KV-cache 长度并支持增加提供者侧帧覆盖以优化特定任务,相关代码与论文已作为预印本公开。
该论文介绍了一种名为 DWD 的方法,让微调后的扩散 Transformer 通过线性头直接输出最终像素,从而移除传统解码器以降低推理成本。实验显示,在 Wan 视频生成中该方法降低了 23% 的形变误差并减少闪烁;在文本到图像任务中将 ImageNet FID 从 1.55 提升至 1.43,成为像素流模型的新最先进水平。
针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。
推荐理由:提出 SARVIA 方法,利用现有 MLLM 视觉编码器通过自监督微调实现合成孔径雷达任务的高效适配。
针对伪装车辆检测难题,本文提出一种结合光谱、偏振和红外三模态的决策级共识融合框架。该方法在多孔径成像设置下,通过有界配准容差内的跨模态检测结果组合,降低了对精确像素级对齐的依赖,同时保持实时性能。
该论文提出了 PhyVGGT 框架,旨在从非校准的单目视频中重建具有可动部件的机械物体的三维结构、关节参数及未见过的运动状态。