ABRR:利用 Wasserstein 自适应细化与精度排序提升时序句子定位性能
ABRR 框架通过高斯核平滑、最优传输边界细化和质量驱动重排序,在不重新训练的前提下显著提升 Charades-STA、ActivityNet Captions 及 QVHighlights 数据集在 IoU=0.7 等严苛阈值下的时序句子定位精度。该方法有效修正了时间下采样导致的量化误差与语义匹配排名次优问题,具备计算高效且兼容现有模型的特性,适用于视频检索与交互等真实场景。
ABRR 框架通过高斯核平滑、最优传输边界细化和质量驱动重排序,在不重新训练的前提下显著提升 Charades-STA、ActivityNet Captions 及 QVHighlights 数据集在 IoU=0.7 等严苛阈值下的时序句子定位精度。该方法有效修正了时间下采样导致的量化误差与语义匹配排名次优问题,具备计算高效且兼容现有模型的特性,适用于视频检索与交互等真实场景。
该 arXiv 预印本研究调查了慢性中风患者在单人及双人(dyad)条件下学习复杂追踪任务的效果。结果显示,仅单人组在剔除离群值后表现出显著的追踪误差降低(Δ = -5.33, p = 0.027),但两组均未显示清晰的技能保持;双人组虽提升了运动复杂度与努力度,但因任务认知负荷过高未能揭示学习效应。研究指出样本量小及中风异质性是主要局限,建议未来结合临床特征评估该干预的潜在益处。
该论文针对扩散模型重建误差在分布外检测中的不可靠性,提出了 DUO 方法,通过结合重建误差与中间去噪特征的敏感度谱来互补提升检测效果。该方法无需监督且训练免费,平均 AUROC 较最强基线提升约 6 个百分点,并在近分布外和高分辨率基准上达到最先进水平。
针对行星漫游器轨迹规划中难以追溯科学目标的问题,研究提出一种基于大语言模型的交互式助手。该系统结合 NASA VIPER 任务启发的仿真器与 ReAct 接口,在查询库测试中回复忠实度达 90.9%,较无工具访问的零样本提示提升近 65%。实验表明该架构能利用领域词汇解释规划结果并对比替代方案,为不确定性感知路径提供可信的可解释性验证。
论文提出了 RetinexGS 框架,旨在解决标准 3D 高斯泼溅(3DGS)在处理严重欠曝光图像时产生的颜色不稳定、伪影及暗区重建不完整问题。该方法在 RAW 域结合 Retinex 外观建模与传感器感知优化进行低光照新视角合成,通过将高斯颜色分解为视图无关的基础颜色和共享的调制场来约束学习,并利用 DNG 噪声元数据加权损失函数以处理信号相关噪声。
论文提出 RaMOD 框架,旨在从车载单芯片毫米波雷达获取的原始范围 - 方位角 - 多普勒(RAD)立方体中实现实时移动物体检测与速度估计。该方法显式估计帧间自车运动,利用预测的多普勒区域抑制静态结构回波,并将剩余数据编码为多尺度特征以预测目标框及类别。
推荐理由:提出 RaMOD 框架,从车载毫米波雷达原始数据中实现实时移动目标检测与速度估计,在 BRIDGE-Liv 数据集上显著优于现有基线。
Duy Anh Nguyen 和 Trung Dung Ngo 提出了一种用于矩形物体协同推行的平面力闭锁条件的解析公式。该条件独立于质心,仅取决于四个无摩擦接触点的位置,可用于验证接触构型的几何可行性并指导调整。
推荐理由:该研究推导了矩形物体在四接触点下的平面力闭锁充要条件,并将其集成到轨迹跟踪框架中,仿真显示显著降低了位置与姿态误差。
ARQ-VAE 提出一种无标签的离散残差量化机制,将 Breakfast 数据集 I3D 特征库存储从 28 GB 压缩至 10 MB。结合 ASFormer 模型,该方法在监督设置下取得 71.5 Edit 和 51.2 F1@50 性能,且无需帧级标注即可支持增量与无监督分割任务。该预印本论文展示了其在长视频存储 - 性能权衡上的显著优势及代码开源潜力。
该研究提出了 Curie's Jarvis 系统,使机械臂能在为人类设计的普通实验台上执行化学实验。系统通过读取打印协议照片、在无固定位置或标记的台面上识别容器、利用四视角摄像头区分外观相同的容器并读取标签,且在每步操作前重新定位目标。
DMSNet 在 Kvasir-Capsule 数据集上以随机帧级和源视频不重叠验证协议评测,完整测试集 MCC 为 0.442±0.020。研究指出模型排名高度依赖评估协议、训练源多样性及跨数据集偏移,外部 CV2024 数据集表现显著下降。该工作强调需采用源感知验证与严格的跨数据集评估以提升视频胶囊内镜分类系统的可靠性。
论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。
论文介绍 Latent Barrier Steering (LBS),这是一种用于安全流匹配生成式规划的分层语义到路径框架。现有控制屏障函数滤波器仅局部修复样本,难以应对全局约束阻塞;LBS 先引导生成器潜在变量向更大安全余量的 rollout 演化,再解码并仅对剩余违规应用路径空间二次规划。实验表明该方法在导航和机器人末端执行器规划任务中,既保持安全性又提升目标达成率并减少修正负担。
arXiv 论文发布首个以儿童为中心的多模态视频理解基准 ench,包含约 12 秒的多样化自然场景标注片段。该工作提出分层评估架构,将原子交互线索映射为情境、行为、人际及开放式描述四个层级。
本文提出了一种名为 GRF-MPC 的控制框架,将实时地面反作用力(GRF)和质心压力(CoP)测量值直接整合到人体质心动力学模型中,以优化辅助力和力矩。研究在 Robotic Upright Stand Trainer (RobUST) 平台上进行了部署,采用欠驱动的 4 缆配置,并在近 300 次试验中与全驱动 8 缆笛卡尔阻抗基线进行了对比评估。
PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准。基准测试显示,最佳方法误差约为四分之一,仅微调的合成数据模型(Molmo2-4B)与前沿模型 GPT-6.1-sol 水平相当且均低于非专家标注员(37%)。研究结论表明,单张照片无法证明满足±5% 的工业公差,跨重拍的一致性才是关键指标。
论文介绍了一种统一的 multimodal multitask 框架,能在单一架构内同时完成道路封闭分类(无、部分、完全)和受影响路段关联。模型整合了结构化地图数据、融合街景检测的卫星影像及街景图像,利用模态特定编码器和跨模态 Transformer 注意力机制进行显式推理。
nnUnet 在基于 Cirrus 与 Spectralis 设备 OCT 图像的地理性萎缩分割任务中,以 0.8882±0.0033 的 Dice 系数超越其他四款深度学习架构及阈值基线。该研究通过归一化与修复预处理提升图像质量,证实 nnUnet 在数据受限条件下兼具高精度、稳定性与效率。论文已上传 arXiv,提供完整代码与权重下载许可。
该论文提出一种新的图像地理定位方法,通过在预训练的位置编码器表示空间中学习行为来避免坐标生成的语义不稳定问题。作者引入位置自编码器(LAE)将嵌入映射回公里级精度的坐标,并在此空间内训练名为 DIG 的潜在扩散模型。
论文介绍 GroundCascade,一种无需训练即可通过全屏与局部视图预测一致性来决定是否咨询互补模型的控制器。该方法在 ScreenSpot-Pro、OSWorld-G-Refined 和 UI-Vision 等基准上实现了比独立两阶段定位器更高的准确率,并在匹配模型调用预算下显著优于分层随机采样策略。材料为预印本,提供了具体的性能提升数据和 API 链接。
该文针对文生图扩散模型无法精确控制时钟显示时间或圆形物体特定比例的问题,提出了一种基于几何 Token 编码的框架。该方法将角度参数化为周期性正弦余弦特征并注入提示词,引入随机定位松弛(SLR)技术以在无需推理端定位输入的情况下实现空间对齐,同时针对时钟任务设计了防手位互换的目标函数。实验显示,该方法在时钟生成任务上6度内准确率提升至63-78%,圆形物体分割准确率达89.5%,显著优于基线模型。
推荐理由:提出几何 Token 编码与随机定位松弛方法,将文本生成时钟的时针分针角度控制准确率从不足1%提升至63-78%,并验证了在圆形物体分割任务上的泛化能力。
论文针对视觉语言动作模型在 LIBERO 基准上表现优异但泛化来源不明的问题,提出通过检索邻近演示并复用动作片段即可在无策略训练下达到 91.7% 成功率。研究对比九种公开 VLA 发现微调主要优化了视觉语言骨干作为检索键的效果,且动作仍接近演示。
本文介绍 VIGOR 基准,用于评估多模态大语言模型(MLLMs)的视觉推理正确性。该基准将视觉推理表示为与像素级定位配对的显式概念,涵盖从低级属性到高级运动关系的多层抽象。作者开发了自动标注框架以构建大规模数据,并通过对比模型生成的视觉证据与真实标注,发现当前 MLLMs 在视觉推理正确性上存在局限及不同层级下的定位失败现象。代码已开源。
针对基于学习的去中心化避撞在状态估计不确定性和异构动力学下的可靠性问题,本文提出 DOBB(Dynamic Oriented Bounding Box),将当前状态估计、不确定性及智能体特定响应特性映射为动态方向相关的安全边界。
该研究在 JiT 基础上引入后期像素路径层,无需额外损失即可将 ImageNet@256 的 FID 从 2.34 降至 1.78。像素路径仅在去噪最后 20% 激活,避免了早期阶段干扰。实验证明简单卷积层能显著改善无潜扩散模型的图像生成质量。
ASPIRE 是一个由大语言模型智能体主导的非线性系统辨识框架,能自主构建闭环静态或动态模型并验证物理约束。该平台在移动机器人、干摩擦旋转系统及发酵罐三个实测对象上完成 30 次运行,全部产出有效模型且单次成本介于 0.96 至 3.38 美元。评估显示其文档与结构选择满足 150 项指标中的 132 项,但部分模型存在关于结构选择的声明不准确问题。
针对现有遥感图像超分辨率方法过度依赖相对缩放因子而忽视绝对空间分辨率先验的问题,论文提出 SpatialSR 方法。该方法利用预训练的扩散模型提取特定空间分辨率的纹理风格代码,并通过空间分辨率估计模块动态确定缩放比例及分辨率感知风格一致性约束。实验表明,SpatialSR 在常用遥感图像超分辨率数据集及下游分类、分割任务上均达到最先进水平(SOTA)。
针对眼科手术各阶段缺乏公开多模态视网膜图像刚性配准数据的问题,MICRO 数据集提供了涵盖术前、术中及术后的 1,365 对跨模态图像及标准化标注。提出的 OFS2Reg 框架摒弃传统两步骤分割后检测模式,利用频率引导的结构保持描述子构建关键点拓扑约束,实现像素级跨模态血管结构精准对齐。该研究旨在解决现有深度方法因依赖分割质量而受限的难题,为眼科手术提供关键引导。
Robo-MLT 提出一种结合显式工作流监控与学习动作生成的双系统框架,用于处理血液气体分析及试管排序等长视界医疗实验室任务。该模型在包含 50 种标准及 20 种样本移除配置的实验中,任务成功率分别达到 82% 和 70%,比π0.5基线高出 30 和 22 个百分点。系统能在操作员移除正在处理的样本后自动修订计划并继续处理其余样本,显著提升了长视界操作的可恢复性。
该论文提出了 RoboACE(Robot Adversarial Co-Evolution)框架,旨在解决固定训练源无法发现新弱点的问题。该方法联合演化课程选择与执行策略,围绕冻结的基础模型进行交替更新:课程模块利用积累的能力证据提出信息丰富的挑战,执行模块则通过可复用的修订扩展能力。
论文介绍了 GTAGym 环境及 GTAVBench 基准,包含源自 GTA V 主线剧情的 103 个在线任务及 47 个射击狙击子任务。作者构建了支持截图与键鼠操作的自动状态检查接口,并测试了六款前沿大语言模型在文本指令及仅首图指令(AGI 分支)下的表现,最佳配置在 AGI 分支达到 70.9% 准确率。
AncBench 包含 100K 对齐的清洁 - 退化图像对,模拟老化、纹理变化及水致几何畸变等复合退化。AncRestore 利用视觉先验路由网络动态整合专家策略,在抑制复杂退化的同时保留文字结构。实验显示该方法优于其他方法,适用于文化遗产保护中的智能古籍修复。
该方法提出实例保留的分级语义报告机制,将实例选择与语义细节分离,利用 DELTA 规则权衡效用增益与错误成本。在八段手术视频共 5,641 帧测试中,DELTA 使被基线拒绝的正确部分报告保留率达 80.0%,每百帧加权正确报告产出提升 19.13 至 23.13。该研究通过固定预测与评分对比三种决策规则,明确展示了在手术动作三元组识别中效用与完整性的显式权衡。
GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。
该论文提出 PhysMoE 框架以解决具身视觉语言模型(VLM)在坐标预测任务中的离散化延迟与多接触适配难题。其核心贡献包括共享底层多模态上下文、利用视觉编码器位置嵌入将每个坐标编码为单 Token 以注入空间先验,以及采用可微符号距离场(SDF)监督来适应不规则几何形状。
该论文针对多模态归因任务中依赖成对模态作为代理监督、隐含语义对齐假设的问题,指出在存在部分语义不对齐和不可靠跨模态对应时,传统基于全局充分性压缩的信息瓶颈目标会导致后验过度收缩。作者提出 TIB 框架,通过样本级调节根据跨模态可靠性自适应调整归因强度,无需假设语义对齐。实验在受控基准和大规模数据集上验证了该方法的有效性及其对识别出的失效模式的纠正能力。
论文提出了 CAFE 框架,旨在解决场景驱动机器人自主性中从观察中选择任务并执行的问题。该系统在预定义的清洁、安全和存储/整理类别下运行,不依赖实例特定的目标或动作序列。
DCLDs-EIR 框架通过耦合假设细化与多模态证据获取,解决弥散性囊性肺病影像表现重叠及标注数据受限难题。该方案利用肺部渲染初始化鉴别诊断,结合临床上下文检索疾病知识图谱,形成证据采集与验证的反馈闭环。多中心评估显示其诊断准确率持续优于基线,并通过显式链接实现可追溯的鉴别诊断。
该论文提出了一种名为 TRD 的方法,通过动量混合策略将分布级和轨迹级监督结合到单次学生模型前向过程中。该方法同时作为一步生成器、无需额外网络的学生边际速度估计器以及沿教师 ODE 轨迹进行闭式时间依赖速度场监督的代理。
该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。
针对开放词汇目标检测中模型偏向基础类别导致新类别语义坍塌的问题,论文提出了 PR-OVD 框架。该方法首先进行粗粒度分区以隔离背景与类别特征,随后在各类别内进行细化以提升决策边界清晰度,并设计了受认知启发的结构提示(Structure Prompt)为新型类别提供视觉锚点。实验显示,PR-OVD 在两个基准测试中使新类别检测性能平均提升 6.5%,同时提升了分割和分类等任务效果。