CMDiff:基于条件掩码扩散模型的左心房瘢痕分割可行性研究
CMDiff 利用动态编码器条件的 3D 正弦 UNet 预测干净掩膜,在 60 例 LASCARQS 公开数据集的五折交叉验证中,其瘢痕 DSC 为 0.47±0.08、HD95 为 12.89±6.39 mm、ASD 为 1.91±0.96 mm。
CMDiff 利用动态编码器条件的 3D 正弦 UNet 预测干净掩膜,在 60 例 LASCARQS 公开数据集的五折交叉验证中,其瘢痕 DSC 为 0.47±0.08、HD95 为 12.89±6.39 mm、ASD 为 1.91±0.96 mm。
针对现有手语生成方法依赖单视角数据导致自遮挡和细节丢失的问题,该研究提出 MV-Sign 框架,通过融合多视角 3D 运动数据和优化文本条件路径来提升生成质量。
SigDiffuser 提出一种基于“废墟重建(RFR)”任务的自监督框架,通过故意损毁签名结构引导视觉编码器学习鲁棒表征。实验在多语言数据集上显著优于现有自监督方法及手写签名验证模型,且证实极端损毁比轻微形变更能提升表征质量。代码将公开可用。
针对现有方法仅关注雨痕而忽略反射与水洼等关键物理效应的不足,该研究提出 CascadeRS 框架,利用深度和分割先验通过物理启发的零样本生成管线,渲染出包含雨痕、反射及水洼的逼真城市雨天场景。作者构建了 Cityscapes-CascadeRS 数据集以评估下游任务在真实雨天条件下的性能,并通过用户研究与定量指标验证了其在感知真实性与鲁棒性上的优势。代码与数据已开源。
推荐理由:该工作提出 CascadeRS 框架,利用深度与分割先验生成含雨痕、反射与水洼的逼真雨天场景,并开源 Cityscapes-CascadeRS 数据集以评估恶劣天气下的视觉鲁棒性。
BiGrounder 针对图形用户界面(GUI)定位任务,提出一种双向奖励范式以解决传统端到端训练对语言变化鲁棒性不足的问题。该方法在监督微调阶段让模型从目标坐标生成动作描述,并在强化学习阶段采样语义一致的指令变体进行自循环验证,将模型自身的策略转化为持续更新的强化轨迹。
推荐理由:提出双向训练范式,利用模型自身策略生成强化学习轨迹,在五个基准测试中取得竞争性精度。
针对多模态数据异质性与交互复杂性问题,研究提出基于部分信息分解的 MIIB 框架,通过双路径架构显式编码冗余、独特与协同信息。该方法利用变分界与基于分数的熵估计优化目标,无需显式互信息估算即可捕捉跨模态交互并抑制冗余信息。实验在多个基准上验证了其对现有最先进多模态自监督方法的持续改进效果。
arXiv 论文提出 SEPT 框架,专为长序列任意点跟踪设计,仅利用事件数据。该方法包含两个模块:任务自适应事件证据调制(TEEM)学习有界可靠性场以加权时空通道特征;持久轨迹先验(PTP)通过边缘化局部二次模型与 Schur 补传递几何信息并修正可见性坐标。
推荐理由:该工作提出仅基于事件相机的长序列点跟踪框架,通过任务自适应证据调制与持久轨迹先验解决稀疏性与漂移问题。
作者发布了一个名为 FlyingDrones 的基准,包含由物理渲染生成的密集真值光学流和分割掩码,并定义了分辨率归一化指标(EPE Norm)。研究评估了 16 个模型家族在分层子集上的表现,发现架构差异随分辨率增大而显著。此外,基于真实无人机视频的无真值运动对齐测试显示合成排名与真实性能存在中度相关性,微调实验表明该基准数据能有效降低误差并提升定位精度。
InfMasking 提出一种基于无限掩码的统一多模态学习框架,在融合前随机掩蔽各模态特征以强制模型学习跨模态交互模式而非依赖主导模态。该方法通过优化闭式变分界值,在多个基准测试中提升了预测性能并提高了任务标签协同性的均值 PID 估计与 InterSHAP 归因得分。代码已公开,论文已被 IEEE TPAMI 接收发表。
针对第一人称 AI 助手常遇到的短促且指代不明的提问(如“我把它放哪了?”),现有视频问答系统往往直接给出单一解释,导致答案虽合理但与用户真实意图不符。本文介绍 ReferClaw,这是一个代理框架,将第一人称流式问答转化为交互过程:助手在回答前先提出澄清性问题以明确用户意图。
推荐理由:提出交互澄清框架以解决第一人称助手的意图歧义,在基准测试中提升准确率并实现零样本迁移。
该方法结合冻结 SlowFast 视频专家与生成零样本物体功能的注意力机制,利用视觉语言模型生成的交互功能过滤非活跃检测,将 MECCANO 数据集上 Top-1 准确率从 44.9% 提升至 49.9%,优于 SlowFast 及物体感知 RGB 基线。研究在标注框与官方检测器两种条件下评估性能,其中约半数精度损失源于非活跃物体检测干扰。代码将在论文被 IEEE FG 2027 接收后发布。
CoGenRec 提出一种互补驱动的统一生成重建框架,融合长曝光 RGB 与短曝光时空差分路径以解决极端运动下的高动态范围成像难题。该模型在 SportsSloMo-CVS 数据集上相比最强通用基线,去模糊 PSNR 提升 4.40 dB、帧插值提升 3.89 dB、HDR 融合提升 5.04 dB,并在 129 个真实 CVS 场景验证了感知质量。
针对终身物体地图需判断离屏后物体是否留存的问题,本文提出 HiPer 分层持久性滤波器。该方法不依赖类别先验,而是检索视觉和几何相似的训练实例来估计初始生存率,并在 Rosen 框架下利用检测与漏检数据以闭式形式更新信念。
该论文针对视觉生成模型后训练阶段数据分布不匹配及属性监督混淆的问题,提出结合生成器对齐奖励建模(GARM)与目标感知有界优化(TABO)的框架。GARM 通过生成器支持匹配和内容匹配的真实对比降低无关内容干扰;TABO 将学习到的奖励映射为平滑的上界函数以抑制过优化。
该研究提出基于四叉树空间通道联合建模的 IE-PFA 上下文模型,利用共享字典作为外部先源并通过 RWKV 模块高效融合内外先验。实验在七个基准上实现平均 BD-Rate 降低 21.65%,参数量仅 29.9M,编码与解码耗时分别为 61ms 和 52ms。代码已开源,支持单网络覆盖 64 个质量级别的变率编码。
TRACEMARK 提出一种编辑器感知的水印框架,通过联合训练的编码器与检测器在图像编辑前嵌入用户信号并恢复身份。实验显示该方案在三类图像域中实现 87.5% 的平均识别准确率,且无需重新训练即可在不同编辑器上有效工作。
针对全波形激光雷达(FWL)计算成本高且标注数据稀缺的问题,该研究提出 FWL-ToPM 机制利用光强分布剪枝冗余 Token,并引入 FWLAug 框架通过保留飞行时间和视锥几何结构进行数据增强。在 Ghost-FWL 基准测试中,该方法实现超 8 倍速度提升、F1 值增加近 9 个点,建立了首个同时兼顾实时性与精度的 FWL Transformer 模型。代码与分布外数据集已公开。
针对应用于三维医学扫描的视觉语言模型面临的结构性内存墙问题,本文提出 TACT-KV(Tri-Axis Cosine Transform),这是一种无需校准的 KV Cache 压缩方法。
Hongxu Shen 等人提出一种名为 RecOE 的基于异常暴露的检测框架,旨在利用训练数据中的离群点作为代理分布外数据来微调深度神经网络。该方法通过学习来自分布内数据和辅助离群点的特征子空间,以最小化重构误差捕捉主导变化,并利用样本级目标和正交性正则化减少子空间重叠。
该方法通过融合多视角材料预测构建置换正交晶格,在保持纯光度拟合目标的同时限制优化空间。实验显示其在 Synthetic4Relight 和 TensoIR-Synthetic 基准上,相比最强网格基线将重光照 PSNR 提升 1.5-2.5 dB,且联合优化时间缩短至一分钟以内。
论文提出区间积分分类器自由引导(Interval-Integrated CFG)恒等式,解决单步视频生成模型中引导尺度固定与最优引导随噪声、空间及帧位置变化的矛盾。
Tail-SD 提出一种支持文本、布局或混合输入的布局指令条件稳定扩散框架,利用多任务交叉注意力模块实现从框、掩码及提示词的可控合成以覆盖长尾物体。在 COCO 和 LVIS 数据集上的实验表明,该混合条件扩散合成使 LVIS 验证集稀有类别的 Box/Mask AP 分别提升 4.89% 和 5.68%,有效改善了长尾性能瓶颈。
PreSTP 框架通过利用去噪轨迹中的早期清洁估计,无需重训或辅助预测器即可识别跨帧与跨步冗余。在 5 秒生成任务中,该方法相比 TeaCache 和 FlowCache 基线实现 1.52x-3.20x 加速并优化效率 - 保真度权衡;30 秒生成时最高达 1.96x 加速且抑制长视界漂移。该研究在极端单步模式下仍有效降低推理成本,论文已上传 arXiv 待注册 DOI。
针对图像到图像(I2I)扩散模型在多任务学习中的参数干扰与伪影问题,本文提出了 OptIMerge 框架。该方法通过最小化多任务损失函数学习轻量级合并系数,利用架构感知的变换对齐注意力层与卷积层的特征,在冻结专家网络的前提下实现了媲美联合训练的多任务能力。
推荐理由:提出基于优化的多任务融合框架,解决图像修复类扩散模型直接平均导致的伪影问题。
该研究针对自动驾驶车辆在语义不寻常场景中的行为监控问题,提出了一种结合视觉语言模型(VLM)的动作条件化监控方法。该方法首先利用隐藏结果的视频窗口预测场景所需动作,再依据显式兼容性规则将预期与车辆实际执行轨迹进行对比。
Vision-language classifiers 在仅凭文本学习新标签时,其服务列表持续增长会静默改变基于 softmax 的 conformal scores,进而影响旧标签的决策。
推荐理由:提出 PrefixCP 方法解决标签库增长导致的旧决策漂移问题,兼顾覆盖率保证与历史决策稳定性。
针对运动恢复结构(SfM)中成对图像匹配计算量过大需限制预算的问题,现有方法因忽略已分配边数可能导致重建失败。本文提出无需训练的贪心规则 DEAL,通过指数级降低端点覆盖度高的图像对的权重来均衡度数。在九个大型互联网照片集上,DEAL 将基于相同先验的选择器成功率从 0.776 提升至 0.929,并在标准基准测试中达到最高均值 0.875。
arXiv 预印本论文介绍 FUHA,一种支持实时的前馈 Transformer 模型,通过学习紧凑的运动嵌入来实现人脸、上半身及全身的人体动画驱动。该方法利用 Q-Former 压缩驱动者特征,并通过对比损失解耦运动与外观,推理时无需外部姿态估计器或参数化身体模型。
VIPA 提出一种基于视角不变的投影仪相机系统仿真,通过聚合多视角模拟损失优化对抗图案,在真实场景中成功欺骗各类分类器。实验表明该方法在目标与非目标攻击中均取得更高成功率,同时提升隐蔽性并最小化感知退化。该研究为动态环境下的物理世界对抗攻击提供了新的鲁棒解决方案。
TRiST 框架将拓扑信息融入特征构建、细化与注意力机制,通过分层多尺度拓扑表示及带感知残差模块处理不同持久性信息。实例化的 Topo-SwinV2-B 和 Topo-Swin-UNet 在五个数据集上分类与分割性能均优于 Swin 基线且媲美现有方法。该预印本论文 arXiv:2611.07431 尚未被会议接收,代码与数据许可状态未明确说明。
针对当前多模态大语言模型在复杂关系推理中存在的静态观察局限,本文提出 PSGAgent 框架,利用区域缩放和视觉高亮工具实现动态感知优化。研究构建了高质量思维链数据集并设计了分层奖励机制,实验表明该方法在全景场景图生成基准上达到最先进水平,相关成果已获 ACM Multimedia 2026 录用。
FreePath 提出一种神经平均自由路径框架,将去雾视为特征空间路径状态恢复而非直接映射或显式散射变量反演。在 CDD-11 配对雾图与 RTTS 真实场景实验中,该方法在满参考保真度、无参考感知质量及视觉忠实度上均优于代表性基线。该研究预印本发布于 arXiv,代码与权重暂未公开。
arXiv 预印本发布 Vis2State,这是一个无需训练的代理框架,将视觉谜题抽象为显式且可修订的问题状态,连接视觉检查与执行。模型在无预设谜题模式或求解程序的情况下构建状态和程序,并通过反馈独立修正表示与流程。该方法在四个基准测试中达到最先进水平,代码即将公开。
微信团队发布了 WeLM-Image,这是一个将多模态理解整合进文本到图像生成的统一图像基础模型。该模型专为微信大规模消费级应用设计,支持单 GPU 部署,采用混合 Transformer 骨干网络并配备 MoE 模块以平衡语义覆盖与编辑任务。
针对基于物理渲染(PBR)中数据集缺乏标准表示导致结果不稳定且不符合物理规律的问题,论文提出 MIKU 统一框架。该框架通过标准化预处理到纹理合成的工作流,利用归一化方案统一异构参数化表示,并训练了新的物理感知扩散模型进行多视图合成。实验表明该方法在物体部分语义一致性方面达到最先进水平,推动了 3D 内容创作的自动化材质生成。
Shih-Yao Lin 发布 VideoRouteAudit 审计,在固定骨干网络与解码设置下分离了帧选择、非视觉证据注入和模型路由的影响。全量数据(n=900)显示无测试选择器显著优于均匀采样,最大增益仅 +1.2 分且置信区间包含零;小样本(n=200)评估极不稳定,35.8% 的抽样反转了全量效果。
推荐理由:该审计发现长视频问答的增益主要来自模型切换而非帧选择,且小样本评估极不稳定。
该文提出 ArtiVidRM 模型,采用先观察后评分范式,将可见生成伪影组织成结构化列表并作为明确标准进行质量评估。该方法通过多奖励强化学习联合优化伪影预测与质量排名,在视频偏好基准上达到最先进水平,能为视频扩散模型优化提供有效信号并支持闭源生成器的伪影引导式改进。
论文提出 Householder Motion Embedding(HME)方法,通过一系列 Householder 反射将用户提供的运动信号编码进噪声,在保持帧内空间高斯结构的同时引入跨帧相关性以提升时序一致性。该方法对网络架构无依赖,可直接集成至标准视频扩散微调流程,实验显示其匹配或优于最先进方法,且比噪声变形法快 2.7 倍。材料为 arXiv 预印本,未提及同行评审状态或真实部署结果。
MammoSeek 是一种乳腺摄影智能体,旨在复现放射科医生先形成全局印象再对可疑区域进行选择性放大的阅片流程。该智能体在生成每侧乳房的初步印象后,自主决定哪些检测候选者值得近距离观察,并仅在高分辨率视图下检查这些区域。
针对 3D 场景表示学习尚未取得与图像基础模型相当成功的现状,本文提出 VINO 框架以无标签方式学习语义表示。核心改进包括:将分层 PTv3 骨干替换为体积 Transformer;在学生 - 教师网络中分离角色,由教师提供一致目标、学生学习强扰动下的不变性,并禁止学生访问被遮挡几何体;最后重构 2D 到 3D 的知识蒸馏,用视图一致的监督替代直接回归。