GeoLift:基于显式 3D 地图的视频空间推理 grounding
该论文提出 GeoLift,一个无需训练的框架,利用前馈 3D 重建将单帧检测对象映射到共享度量 3D 场景。通过冻结 MLLM 进行 2D grounding 并结合预训练几何模型,该方法使用超点关联跨视角观测,实现了显式的空间关系计算与多步路线规划。
该论文提出 GeoLift,一个无需训练的框架,利用前馈 3D 重建将单帧检测对象映射到共享度量 3D 场景。通过冻结 MLLM 进行 2D grounding 并结合预训练几何模型,该方法使用超点关联跨视角观测,实现了显式的空间关系计算与多步路线规划。
该论文针对高分辨率遥感图像中现有方法在跨尺度视觉层级联合建模及密集注意力机制效率上的不足,提出了 Cross-Scale Sparse Attention Model (CSSAM)。
论文提出 RoCoP 网络解决遥感图像无标准朝向及全局平均池化忽略局部对象的问题。该方法包含特征提取器、非负分解模块(NDM)和组件评分模块(CSM),通过确定性初始化与乘法更新将同一物体位置聚合,并利用激活幅度生成软掩膜进行池化。实验在 NWPU-RESISC45、AID 和 UC Merced 数据集上验证,相比强基线提升约 2.5 点五选一准确率,且推理无需额外参数。
针对自动驾驶中毫米波雷达图像以峰值为特征且需处理噪声的问题,本文从频域视角重新审视峰值卷积算子,提出 FreqPKC 并开发 FreqPKC-Net 框架。该方法通过显式建模频率响应和自适应调整有效带宽,在目标区域增强高频分量以提升分割精度,同时在背景区域抑制低频噪声。
该论文提出一种基于群作用与谱几何不变量的文本到 B-rep 检索框架,通过群作用刻画平移、旋转、反射等变换下的等价性,为 sketch-extrusion 实体构建固定维度的谱几何描述符。
该研究构建了包含标准化预处理的多数据集基准框架,对比了 ResNet-50、ReXNet-150、Swin Transformer、ViT-Base 及 ViT-Large 五种架构。
该论文提出 TinyFlow,这是一个拥有 126 万参数的免形变光流网络,通过用固定窗口相关替换依赖流的形变操作,使整个网络能编译为单个静态 INT8 图。经量化感知微调、教师蒸馏和模型混合优化后,在 MPI-Sintel 数据集上的端点误差低于 0.2。
研究利用 Grad-CAM 分析发现,R(2+1)D-18 模型在 Basketball-51 数据集上的投篮分类准确率从 69.3% 降至中心模糊后的 43.7%,证明其依赖射手、篮筐等任务相关区域。对比随机模糊的 50.9% 准确率,额外的 7.2 个百分点降幅表明模型未过度依赖时空捷径,需持续审计以确保体育分析的可信与公平。
针对快速光照过渡导致图像饱和并破坏视觉对应关系的问题,本文提出了 B-Adapt 和 BVSLAM 两种方法。B-Adapt 获取自适应曝光括号以覆盖场景动态范围并促进光度重叠;BVSLAM 直接将多曝光序列作为约束用于因子图状态估计器,无需依赖 HDR 合并。
该研究针对视网膜 OCT 深度学习依赖预定义类别导致罕见异常漏检的问题,引入无需疾病特定标注的非监督框架。实验表明,将预训练表示适配至正常视网膜结构能显著提升异常敏感度,像素空间重建误差与特征空间偏差为识别病理变化提供互补信号。该方法通过解剖感知表征学习,为超越预定义疾病类别的通用视网膜异常检测提供了新见解。
该研究提出一种用于可扩展相机网络的去中心化多视角跟踪系统。系统将单目检测结果投影至鸟瞰图(BEV)坐标,并由独立的多视角跟踪器在动态空间分区内融合轨迹。为支持空间分区的标度化扩展,作者引入去中心化层以统一轨迹,利用锁定协议和周期性全局合并操作(global collate),并通过延迟输出缓冲机制回溯应用历史修正以吸收异步协调延迟、稳定跨区身份一致性。
岩山科技旗下岩芯矩阵联合港科大、CMU等高校发布并开源了EdgeRock-4B模型,该模型基于Qwen3.5-4B改造,采用记忆岩锚(RMA)机制将每条序列的KV Cache固定在72 MiB,不随上下文长度增长。
推荐理由:岩山科技联合港科大与CMU开源EdgeRock-4B,通过固定内存机制实现长推理显存不涨且吞吐提升6倍。
该方法针对现有三维资产编辑中身份泄露与编辑信号不足的问题,提出 VS3D 框架。其核心在于在 ODE 采样器内部直接干预速度场,通过重构锚点注入、部分均值引导和双一致性残差注入三个模块,分别解决保留区域的身份保持、编辑信号增强及几何材质阶段的局部控制。实验表明该方法优于现有原生三维与二维提升的编辑器,代码已开源。
MeshCone 是一个利用参考几何修正变形或退化网格的凸优化框架,通过顶点位置优化与边长正则化实现亚秒级推理。该方法在 ShapeNet 和 ThreeDScans 共 56 类物体上表现优异,优于拉普拉斯平滑等基线,适用于模板生成及扫描对齐流程。因分析问题需重大修订,作者已撤回该预印本提交。
该论文针对现有 3D 异常检测方法依赖正常分布导致边界模糊的问题,提出一种基于关系不一致性的框架,将缺陷定义为邻近结构间的几何一致性问题。通过边感知图细化模块和聚类偏差建模模块学习类别无关的缺陷线索。
OccamView 提出一种物体条件的视图选择框架,通过在线记忆与遮挡感知评分解决几何驱动策略在有限帧数下对局部物体重建不足的问题。该方法结合 Geo-Floor 机制保留底层规划器的几何探索行为,仅在几何竞争候选集中进行重排序。实验显示,该框架在 Replica 和 Matterport3D 数据集上显著降低了完成时间并提升了完成率比。
GenTrack3 提出一种融合确定性数据关联与随机不确定性建模的在线多目标跟踪框架,通过引入聚类感知匹配机制提升大规模目标场景下的可扩展性与群组跟踪能力。该工作采用包含标识符、状态及惩罚项的轨迹片段(tracklet)进行推理,并针对每个目标构建随机粒子集以计算检测匹配成本。相关参考实现代码与基线追踪器已开源于 GitHub 仓库,论文手稿已提交期刊待发表。
Freq-RemoteVAR 将遥感变化检测重构为频域结构化生成,通过次频预测与尺度对齐机制提升复杂场景下的鲁棒性。该模型在 CDD、GZ-CD 和 LEVIR-CD 数据集上均优于现有方法,有效抑制伪变化响应并捕捉跨频段长程依赖。相关代码与论文已作为预印本公开于 arXiv。
该研究将重构误差拆解为系数失真、多路交互损失、方向性损失及模型外泄露,指出对三阶及以上张量进行最优单模截断仅产生交互损失。在正交特征源场景下,交互损失表现为幸存源的加权特征畸变;若低于阈值则保持周期图估计在主瓣内并限制偏差。实测高秩超光谱图像显示,谱主成分分析与多线性截断具有同等存储效率。
本文发布首个包含 40K+ 人工验证参考细节对的服装细节生成基准 FDBench,并提出 DetailAnywhere 模型。该方法利用微调后的 DINOv3 教师网络进行双分支蒸馏以对齐语义空间,并引入一致性奖励模型通过强化学习优化生成结果,在各项指标与人类评估中均优于现有开源方法。
论文 World from Motion 提出一种从单目视频生成可自由渲染的动态 3D 高斯表示的方法。该方法通过条件化视频模型,利用像素对齐的渲染来编码外观、几何和三维场景运动,以修正渲染伪影并填充初始重建中的缺失区域。
针对自动驾驶车辆中多模态大语言模型(MLLM)空间智能不足的难题,本文提出 OmniSpace 范式。该方法通过相机姿态注入、多视角极线注意力模块及三维几何蒸馏目标,将几何知识直接融入模型以解决跨视图对应与深度估计瓶颈。实验表明,OmniSpace 在 nuScenes、Bench2Drive 等规划基准及风险检测任务上优于现有方法。
针对通用视觉语言模型在处理眼动视频时难以捕捉手物交互细节的问题,本文提出将视频转化为时序动作图以解耦视觉感知与符号推理。通过在 EGTEA 和 Epic-Kitchens-100 数据集上的实验表明,基于图的少样本演示比零样本帧级推理准确率高;即使在零样本设置下,该方法也具备竞争力。
针对自动驾驶大规模视频检索中难以捕捉切线、急刹等动态事件的问题,本文提出 STRIVE-D 数据校准检索框架。该框架利用弱标注域内视频评估规则可靠性并自适应调整,融合规则分数与视觉语言及关键词检索信号。在 DrivingDojo 等新基准上,该方法相比最先进方法 Top-1 准确率提升最高达 84%。论文已接受 NeurIPS 2026。
论文提出语言传感器模型(LSM)将自然语言描述映射为包含指代歧义与空间不确定性的多模态分布,并引入 VL-Map 框架将其作为随机观测与车载感知融合。在 VLA-3D 基准及真机实验中,该方法使目标物体位置预测的概率质量较最强基线提升约 70%。材料仅基于 arXiv 预印本发布,未提及同行评审状态或具体部署许可。
论文介绍 DisPOSE 框架,通过可微 Sinkhorn 投影将离散的多人分配问题转化为生成式扩散过程,利用超图卷积解码器回归完整骨架。该方法在标准数据集及新提出的手术室高遮挡基准上优于现有自监督方法,仅需 10% 伪标签即可保留 99% 性能,且对相机布局不敏感。材料已接受于 ICML 2026,提供 arXiv 链接与代码入口。
推荐理由:提出 DisPOSE 框架,将多视角人体姿态分配建模为扩散过程,在手术场景遮挡基准上表现优异且标签效率高。
论文提出 RigPAPR 方法,旨在将高保真静态神经点重建(如 Gaussian splats)转化为可驱动的 3D 资产。针对传统 LBS 变形在关节处易产生伪影的问题,该方法利用 PAPR 表示无需每个原语携带独立形状,能在渲染时自然重构表面以适配动作。
该论文提出一种针对三维汽车激光雷达数据的零样本开放词汇语义分割新方法。为规避视觉语言模型固有的图文模态差距,该方法利用文本生成图像创建原型,并通过蒸馏自二维视觉基础模型的 3D 网络匹配点云特征与 2D 原型图像特征进行标注。方法在 nuScenes 和 SemanticKITTI 数据集上达到最先进水平。代码、预训练模型及生成的图像已公开。
该论文提出 TopoGS-SLAM,通过覆盖触发的初始化与受控拓扑优化解耦了精度提升与表示增长,解决了传统残差驱动方法中精度饱和但内存持续增长的问题。在标准室内基准测试中,该方法在定位和重建精度上匹配或超越现有稠密化流水线,同时大幅提升了内存可扩展性和吞吐量,表明在具有足够多视角覆盖的有界区域静态室内场景中,无需迭代拓扑突变即可实现准确的高斯 SLAM。
GenTrack2 提出了一种结合随机粒子滤波与确定性关联的视觉多目标跟踪方法,通过融合运动一致性、外观相似性及社交交互线索解决非线性动力学下的标识符一致性问题。该方法支持预录制视频与无未来帧的实时流灵活运行,实验结果显示其性能优于最先进跟踪器,源代码已在 GitHub 开源。
针对现有基于检测的跟踪方法在遮挡和近距离交互场景下表现不佳的问题,本文提出 DepTR-MOT 模型。该方法通过基础模型的实例级软深度标签监督及稠密深度图蒸馏策略,将深度感知嵌入 DETR 架构,无需额外训练或推理阶段即可输出实例级深度信息。
针对现有 AI 生成图像检测器泛化性不足的问题,本文提出 NS-Net 框架,利用 CLIP 视觉特征的零空间投影解耦高层语义信息,并通过对比学习捕捉真实与生成图像的分布差异。
该研究提出结合改进的 Affine Scale-Invariant Feature Transform(ASIFT)与双相机结构光法,在三维建模中实现 99.9% 的相机运动轨迹准确率。该方法通过提取更多匹配点并修正旋转误差,有效解决了大视角变化下的对齐难题。论文已撤回待修订,目前无 PDF 可供下载。
HierViT 模型通过预测临床视觉属性并结合层级推理,在 LIDC-IDRI 肺结节与 derm7pt 皮肤病变基准上取得竞争性性能。该架构利用属性特定原型与注意力图可视化中间表征,将图像示例、空间关注区域与语义特征关联以支持预测解释。arXiv 预印本提供代码与权重下载,适用于高风险医疗领域的可解释性需求。
针对非结构化表格识别中低质量图像输入成为瓶颈的问题,研究提出基于分层设计哲学的 NGTR 框架与基准。该框架通过迁移相似邻居的工具选择经验并引入反思模块监督工具调用,在无需训练的公开数据集上显著提升了原生视觉大语言模型的识别能力。相关成果已发表于 IJCAI 2025,代码与权重开放许可情况需查阅论文原文。
论文提出了 STATIC 模型,旨在解决传统单目深度估计模型在视频序列中缺乏时序一致性的问题。该方法利用表面法线作为内在几何线索,生成深度衍生的几何感知差异掩码以识别帧间几何变化区域。
推荐理由:该工作提出利用表面法线引导的双分支对齐与时间整合方法,在仅用相邻帧的情况下实现了视频深度估计的时序一致性。
VisFlow 提出一种结合连续 SDF 表示与显式多边形演化的新型可解释流公式,解决几何扰动导致离散表示突变的问题。该方法在可见性重建任务中保持比最先进方法多 20% 的可见关系,在可见性表征任务中将覆盖率提升 30%。研究已在 arXiv 提交(arXiv:2610.31892),专注于计算几何与计算机视觉领域的连续表示学习挑战。
Sense-Aligned Grounding Evaluation (SAGE) 提出统一图像选择基准,涵盖名词、动词及实体中心 grounding,引入难负样本与 VerSe 诊断。
FlexGlue 是一种用于图像间对应关系估计的神经网络,解决了传统方法在重复性与鲁棒性之间的权衡问题。该方法通过非对称稀疏到稠密匹配,结合子像素精度与稀疏速度,同时具备高精确度的错误对拒绝能力。实验表明其在相对位姿估计、结构运动(SfM)和视觉定位任务上均优于现有方案。论文已公开于 arXiv 平台。
VTRL-Med 提出一种结合 SAM 特征提取与持久同调拓扑分支的框架,通过原型选择与 KNN 一致性验证生成伪标签。该模型在 13 个基准上平均准确率提升 4.48%,其中拓扑引导正则化额外带来 1.3%–4.3% 增益。目前为 arXiv 预印本,代码与权重暂未开放。