UnderOneFacade:全球最大的跨大陆 3D 建筑立面语义分割基准数据集发布
作者发布了 UnderOneFacade,这是迄今为止最大的跨国界和跨大陆的 3D 建筑立面基准数据集,包含总计 27 亿个标注点的厘米级精度点云及层级化、标准化的语义标签。
推荐理由:该数据集提供全球跨域、厘米级精度的建筑立面分割基准,揭示了现有模型在细粒度识别与泛化上的瓶颈。
作者发布了 UnderOneFacade,这是迄今为止最大的跨国界和跨大陆的 3D 建筑立面基准数据集,包含总计 27 亿个标注点的厘米级精度点云及层级化、标准化的语义标签。
推荐理由:该数据集提供全球跨域、厘米级精度的建筑立面分割基准,揭示了现有模型在细粒度识别与泛化上的瓶颈。
该方法在真实世界 OCT 数据上实现视网膜色素上皮(RPE)损失 Dice 系数 0.88、椭圆体带(EZ)损失 Dice 系数 0.87,厚度误差仅 2.08μm。其测试 - 重测组内相关系数分别达 0.995 和 0.988,与独立阅片者一致性相当且不受 B 扫描密度显著影响。该技术可支持地理性萎缩临床试验标准化结构终点及常规眼科客观评估。
针对成像系统中因运动或像差导致的平移变退化难题,该研究提出基于奇异值分解(SVD)的图像复原框架。方法依据累积能量百分比筛选小奇异值以抑制噪声放大,并在双向线性、高斯及简谐三种运动模型下验证了恢复细节与去模糊效果。论文为 arXiv 预印本,代码与权重暂未开放。
HandwritingAgent 是一款无需特定风格训练的语言驱动智能体,能在离散网格画布中自主生成 SVG 格式的手写序列。该模型利用大推理模型对目标字符进行几何分析,支持对话或非对话模式下的多语种及复杂数学科学表达式生成。实验表明其在模仿、识别等任务上性能超越最先进生成模型,且具备更高效率与泛化能力。
针对跨模态知识蒸馏中高频带对齐松散的推断问题,作者提出将 RGB 教师与红外学生的共识分解为相位(空间位置)和幅度(大小)。实验显示细粒度下相位不相关而幅度仍保留,因此建议低频带进行复数特征监督、高频带仅监督幅度。
COLLAR 是一种免训练的扩散模型优化框架,旨在解决现有方法在物体级控制中存在的视觉伪影和局部区域精确控制困难问题。该方法通过视场(FoV)扩展逐步优化物体级特征:首先利用跨尺度语义对齐模块将物体特征注入扩展视场分支以消除空间语义差距;其次引入循环特征注入机制,基于频率自适应策略用上下文对齐的局部信息更新全局骨干网络;最后将扩展视场分支作为枢纽整合上下文对齐的特征。
针对扩散 Transformer 在生成超训练范围分辨率时性能下降的问题,本文提出 SEGA 方法。该方法无需额外训练,通过在去噪步骤中根据潜变量的空间频率结构动态调整 Rotary Position Embeddings 各组件的注意力缩放比例,从而改善高分辨率合成中的结构一致性与细节保真度。实验表明,SEGA 在多种目标分辨率下均能提升生成质量,优于现有免训练基线。
针对全球南方两轮车事故率高且研究滞后的问题,作者发布了 MOTOR 数据集,这是首个专注于两轮车的多视角、多模态大规模资源。该数据集包含来自 16 名骑手的 25 小时以上视频数据,整合了前后及头盔视角视频、可穿戴眼动追踪、车载音频及 GPS/加速度计等遥测信息。
FundusGround 新基准引入空间定位病灶证据,收集了 10,719 张眼底图像及 15,595 个标注病灶,利用 ETDRS 网格映射至九个视网膜区域并生成 72,706 个问题。该工作通过答案准确率与病灶级推理双指标评测显示,引入空间证据能持续提升模型性能与透明度,解决了现有基准忽视视觉证据的临床可解释性问题。
该研究提出 VISTAQA 基准,包含 1,157 个专家 curated 样本,覆盖六种任务类型和六个视觉领域,要求模型不仅回答正确,还需提供支持答案的精确分割掩码。材料引入了 GROVE 统一评估指标,通过每样本几何平均强制文本准确性与定位质量共同生效,防止任一维度弥补另一维度的不足。实验显示即使最强系统在该指标下表现也有限,凸显了推理准确性与视觉证据对齐之间的巨大差距。
推荐理由:VISTAQA 基准与 GROVE 指标强制模型同时输出正确答案和像素级证据,揭示了当前多模态大模型在推理与定位对齐上的显著差距。
SynVA 是一款结合流匹配方法与学习方法的血管网格及解剖一致动脉瘤合成工具包,仅基于生理原理和统计先验即可生成大规模数据集。该工具发布包含 50,000 个全标注网格样本的数据集,预训练可提升真实数据上的点云分割与形态参数估计效果。代码将在论文被接收后开源。
Med-DisSeg 提出轻量级 Dispersive Loss 辅助正则化,通过联合通道与空间建模增强结构响应及多尺度自适应校准,解决目标与周围组织视觉相似导致的特征可分性不足问题。在涵盖三种成像模态的五个公开数据集上,该框架在小尺寸、形变及边界模糊目标的分割任务中展现出有效性与鲁棒性。源代码与预训练模型将在论文接收后发布。
该论文提出 TEMPlate Entropy Regularisation (TEMPER) 方法,用于从 ArcFace 等人脸识别嵌入中移除性别和种族等软生物特征属性。该方法在变分自编码器的潜在空间学习线性映射,以最大化辅助分类器的预测熵并保留配对相似度。实验显示,相比十种先前的后处理方法,TEMPER 在降低属性泄露的同时保持了更高的真实匹配率。
针对大规模预训练视觉模型难以直接应用于 3D 人体骨骼数据的问题,作者提出 Skeleton-to-Image Encoding (S2I) 这一新颖表示法。该方法通过将关节按身体部位语义进行分区排列并调整至标准图像尺寸,将骨骼序列转化为类图像数据。
该研究提出 SGR3 Model,这是一个利用多模态大语言模型与检索增强生成(RAG)实现的免训练框架,用于生成语义场景图以支持机器人高层推理。实验显示其性能在免训练基线中具竞争力且媲美基于 GNN 的专家模型,消融研究表明外部信息被显式整合进 token 生成功能。该论文已撤回,无 PDF 可供下载。
论文针对珊瑚礁等长期监测场景中因时间跨度大导致的外观和结构剧变,现有运动恢复结构(SfM)流程失效的问题,提出一种强制跨会话对应关系的联合 SfM 重建方法。该方法结合手工与学习特征建立长时程对应关系,并利用视觉位置识别筛选候选图像对以降低成本,在长期水下数据集上实现了标准 SfM 无法连接的会话间的连贯三维重建。
针对遥感图像大尺度变化与目标稀疏分布导致的多模态大语言模型过拟合问题,研究提出参数高效微调策略 GRASP。该方法利用冻结视觉令牌网格提取空间块构建结构化软提示,通过问答引导的稀疏融合机制动态聚合任务上下文并过滤背景噪声。在多个 RSVQA 基准测试中,GRASP 在保持高参数量效率的同时取得了与现有微调及提示方法具有竞争力的性能表现。
该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。
推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。
针对 GNSS 伪距离群值严重干扰载波相位模糊度解算的问题,本文提出一种结合多普勒一致性与 IMU-里程计运动预测的两阶段伪距筛选框架。该方法在连续跟踪时能将 RTK 三维均方根误差降低 96.18%,并在无多普勒检查时将 10 米离群值检测成功率提升至 99.58%(30 秒后)。研究通过一阶误差模型分离不确定性,利用闭式最小膨胀规则调整代码权重,在深城市峡谷等场景中表现优于惯性辅助基线。
针对文本查询与细微视觉线索对齐难、长尾分布及大模型微调成本高的问题,提出无需训练的粗到细框架 AnomalyLMM。该方法先利用通用检索模型初排,再通过填空式重排序机制引导多模态模型关注特定区域并生成异常描述,最后计算语义对齐进行重排序。在 PAB 和 UCC 数据集上,Recall@1 分别提升 1.93% 和 1.79%,且具备高度可解释性。代码将公开。
针对田间作物重建中薄重叠结构与光照变化等挑战,作者发布了 AgriChrono 纵向油菜数据集及新视角合成(NVS)基准。该数据集包含约一个月内的 160 次采集会话、四路 RGB 流与两路深度图。
推荐理由:该工作发布纵向油菜数据集与基准,并开源 AgriSplat 方法以解决薄重叠结构重建难题。
该研究提出一种利用 OpenStreetMap Area Graph (osmAG) 结构先验的 WiFi 定位方法,旨在解决传统指纹法需要密集测绘且泛化性差的问题。
CMB-Net 提出一种结合大语言模型与图像 - 文本中心歧义模块的新架构,有效弥补视觉信息语义缺失并抑制幻觉干扰。该网络在图像篡改定位任务中表现优于多数现有模型,且代码已开源。
针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。
针对机器人遥操作等低延迟沉浸式流媒体应用,研究量化了显著性预测精度带来的压缩收益递减规律。实验表明,仅需 52 FPS 的轻量级预测器即可捕获真值预言机 65% 的码率节省,而算力增加 38 倍后无额外增益。因此,在延迟受限场景下采用轻量级显著性预测器是兼顾性能与效率的实用选择。
针对帕金森病早期检测中黑质致密体(SNpc)分割标注数据稀缺的问题,研究评估了利用外观相似的蓝斑(LC)模型进行迁移学习的策略。实验基于 3D U-Net 架构,在仅使用 5-14 例标注受试者时,迁移学习与从头训练达到相同的 Dice 系数上限 0.77,且无显著差异。结果表明从 LC 初始化对 SNpc 分割未提供显著收益,相关论文已提交至 IEEE ISBI 2027。
该论文针对结构化 3D 高斯泼溅(3DGS)在轨迹渲染中存在的视图间重复解码与计算冗余问题,提出 GDM-GS 框架。该方法将锚点视为空间对象、视图视为范围查询,通过视图内空洞视锥体查询、跨视图共享物化以及 CPU/GPU 混合流水线平衡等三级策略消除冗余。实验表明,在大规模公开场景下,GDM-GS 显著降低了轨迹渲染延迟并保持了图像质量。
推荐理由:提出 GDM-GS 框架解决 3DGS 轨迹渲染冗余,通过多级数据管理降低延迟并保留画质。
该研究提出了一种利用光流约束的几何观测器,用于单目视觉惯性里程计。该方法无需估计深度或重建运动方向,即可在重力增强群 SE3(3) 上实现速度与姿态误差的全局收敛及局部指数稳定。仿真验证了激发条件、初始误差恢复及对扰动测量的敏感性,论文共 12 页含 6 幅图,已提交至 ECC 2027。
论文研究在已知相机位姿和区间观测条件下,哪些深度由有限个源深度测量决定。作者证明首击深度的可达集合可能不连通,并给出必要充分条件判断多个候选深度是否属于同一场景的首次命中。
论文提出了 Pixel-KWS 框架,利用渲染后的灰度图像表示字符而非依赖固定词表嵌入,使文本编码器能从视觉形式泛化以处理未见符号或视觉相似符号。
XLSAR-Bench 发布了一个包含 405 张平均尺寸为 7153×7153 像素图像的综合基准,涵盖视觉问答、定位及详细描述等十项任务。该基准通过人工标注与半自动辅助,揭示了通用及专用多模态大语言模型在处理大场景 SAR 影像时存在的理解与感知挑战。项目已开源以支持开发更强大的完整大 SAR 场景 MLLM。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
针对视觉语言模型在遮挡导致的部分可观测性问题上深度歧义难解、性能随规模下降的瓶颈,本文提出 VLM-as-perceiver 范式,将 VLM 角色限定为局部感知,由外部求解器负责跨视图证据融合与规划生成。
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。
该研究提出一种神经网络引导的热启动框架,在保留原始变分公式前提下加速锥形束计算机断层扫描(CBCT)重建。实验基于 SynthRAD2025 挑战赛的骨盆 CT 图像显示,该方法将重建时间减少超过三倍,同时保持相当的图像质量。论文已提交至 IEEE ISBI 2027,代码与权重暂未开放。
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。
论文提出 Cross-Input Relative Policy Optimization (CrossRPO) 方法,利用仅在小区域有差异的对比集训练视觉智能体,使其在回答超高分辨率图像问题时基于证据而非常识。
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
该系统在现有 CPU 工业机上运行,无需 GPU,通过三分类检测器实时分析采摘蓝莓的成熟度。田间测试显示,系统对整箱可见蓝莓的整体成熟果实比例估算为 90.22%,与人工标注的 90.97% 相比,单图误差均值为 0.935 个百分点,皮尔逊相关系数达 0.967。所有现场事件均在每侧 14 秒的装箱间隔内处理完毕,为机械采摘过程中的选择性量化提供了实用手段。
针对多模态大模型在处理超高分辨率(UHR)遥感场景时,全局概览易丢失小物体细节而详细裁剪又消耗大量上下文的矛盾,该研究提出将检查的裁剪压缩为连续视觉潜变量序列作为紧凑记忆。