BiStepNet 实现跨鞋履步态零样本识别:基于 StepUP-P150 数据集的稳健性研究
BiStepNet 架构利用 StepUP-P150 数据集,在用户仅用固定鞋履注册的情况下,实现了针对任意未见鞋履条件的零样本步态身份识别。该模型将空间与时间特征解耦为独立训练流,性能随训练集中鞋履表示的体积和多样性提升而系统增强。研究还证明,通过架构分解设计引入部分模态重叠的辅助步态数据集,可进一步改善对未见鞋履条件的鲁棒性。
BiStepNet 架构利用 StepUP-P150 数据集,在用户仅用固定鞋履注册的情况下,实现了针对任意未见鞋履条件的零样本步态身份识别。该模型将空间与时间特征解耦为独立训练流,性能随训练集中鞋履表示的体积和多样性提升而系统增强。研究还证明,通过架构分解设计引入部分模态重叠的辅助步态数据集,可进一步改善对未见鞋履条件的鲁棒性。
该挑战赛提出在骁龙 8 Elite Gen 5 和 Dimensity 9500 GPU 上实现全高清图像增强,要求运行时间低于 300 毫秒。研究基于 iPhone 3GS 与 Canon 70D 采集的 DPED 数据集进行模型设计评估。论文提供完整模型描述,代码与权重开放许可待定。
该研究在 NIH ChestX-ray14 数据集上训练了卷积网络与视觉 Transformer,评估其在美、越两地的 30.3768 万次决策发现:Grad-CAM 定位准确率最高仅 0.575,远低于放射科医生共识的 0.888。
该报告总结了 Mobile AI 2026 Challenge 中针对移动 GPU 的高效 ISP 模型方案,展示了在骁龙与联发科平台上将 RAW 数据重构为高质量 RGB 图像的工程实践。
论文提出 ScoreDial 方法,利用可微回归器拟合 100-479 张人类评分图像,在采样过程中通过误差自适应引导实现目标值 $c$ 的精确控制。实验覆盖轮胎防滑、内饰复杂度、食物食欲和肥皂透明度四个属性,在共享采样设置下达到最大可达到的评估协议性能(R-MAE≤0.013,Spearman ρ=0.980)。
针对无人机与地面监控摄像头图像间存在严重视角差异、遮挡及域间隙的挑战,本文提出 ProAlign 网络以解决层级特征提取中的累积位置漂移和跨视图语义不一致问题。
推荐理由:提出 ProAlign 网络,通过分层位置校准与视图感知原型对比学习解决空天地 ReID 的位置漂移与语义不一致问题。
arXiv 预印本论文提出 Practical Image Coding Agents (PICA) 框架,利用四个协作智能体(感知、改进、编码、后编码)解决传统编码器难以适应多样化压缩目标及含退化输入的问题。
推荐理由:提出 PICA 多智能体框架,通过感知、优化与后处理协同实现场景自适应图像压缩。
针对汽车雷达感知中的杂波干扰问题,研究提出了轻量级微型图变换器网络(TGTNet),用于区分静止与运动目标。在公开数据集 RadarScenes 上的评估显示,该模型在精度和召回率上媲美最先进方法,但参数量降低一到两个数量级且推理速度显著提升。论文已被 IEEE Sensors Journal 接收,将于 2026 年 3 月发表,代码与数据暂未开放。
DPAGait 提出一种结合 2D 动态姿态与 3D SMPL 信息的双分支网络,利用 DPPS 表征提升信息熵以解决衣着、物体及视角变化导致的识别退化问题。该方法在 SUSTech1K、CCPG 和 Gait3D 四个野外数据集上验证了有效性,其中后两者支持或可估计 SMPL 信息,展现了跨时间变化的强泛化能力。完整框架代码与权重待 arXiv 注册后开放。
该论文提出 PATTS 框架,针对并行多模态离散扩散语言模型中的推理与图像联合解码问题,利用模型内部轨迹诊断生成的状态相关可靠性权重来调节外部语义验证的影响。实验显示,在固定 N=32 的搜索预算下,该方法将 GenEval 分数从 0.628 提升至 0.844,优于无测试时扩展、Best-of-N 和 FKD 方法。论文已被 WACV 2027 接收,代码已开源。
推荐理由:提出 PATTS 框架,利用内部轨迹诊断调节外部语义验证权重,在并行多模态离散扩散模型上实现 GenEval 分数从 0.628 提升至 0.844。
该论文通过包含 505 名参与者的在线大规模实验,评估了一代 Chiasm 网络摄像头眼动追踪器在多样化设备与条件下的性能。结果显示,满足校准标准的参与者平均空间精度为 2.15 cm(60 cm 距离),且头部运动后精度下降有限。
该研究针对复杂视觉问答中模型难以定位关键区域或获取充分证据的问题,提出 Observation Policy Optimization (OPO) 算法以优化工具增强的图像思考中的观察动作。
推荐理由:针对多模态模型在图像思考中的观察动作优化难题,提出 OPO 算法通过不确定性引导分支与证据归因机制提升视觉推理性能。
HTNN-MSC 提出用有界双曲正切张量秩替代传统范数,以解决多视图数据中主导分量被过度压缩的问题。该方法在 23 个基准数据集上平均聚类准确率达 0.8404,对凸 t-SVD-MSC 骨架取得 19 胜 1 平 3 负的成绩。论文为预印本状态,代码与权重暂未开放,实验仅覆盖计算机视觉领域的多视图聚类任务。
针对神经网络在物理贴片攻击下的鲁棒性验证难题,该方法提出基于群稀疏建模与半定松弛的新框架。实验显示其计算耗时不足原混合整数半定规划法的 3%,目标函数值仅增加 0.34%。Group-Lasso 松弛将验证成功率提升至 91%,显著优于此前低于 70% 的现有方法水平。
VISTA 是首个利用语义推理实现长视频在线人脸聚类的视觉语言框架,有效应对光照、姿态及服饰变化带来的挑战。在包含《生活大爆炸》等剧集的 VPCD 基准数据集上,该方法在相同检测器与评估协议下,精度和召回率平衡均优于最强无监督基线 COFC。代码与补充材料已公开,论文已被 ACM Multimedia 2026 接收。
EP-LVMQA 提出一种证据保留的粗粒到细粒度框架,解决医疗与工业培训中长视频字幕缺失或 ASR 噪声导致的证据难核查问题。该模型在 MedVidQA 数据集上实现 [email protected] 为 26.1、mIoU 为 31.8,较最强非本方法结果分别提升 6.3 和 5.1 个点。在低质量扰动下,其平均相对退化率从最强的 14.6% 降至 11.1%,并在 Ego4D-NLQ 等基准上表现相当。
MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。
推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。
论文提出 ICIR-MCQ 探针方法,通过分析注意力质量识别指向目标图像的稀疏指针头,并通过训练轻量级检索器识别输出包含足够信息的写入头。研究发现两者选出的头部集合仅有少量重叠,且只有同时满足两种标准的头部对多图像推理具有最一致的因果效应。代码与数据已开源,该文已被 NeurIPS 2026 接收。
VisSearch-Bench 是一个包含 204 个人工编写任务的基准测试集,覆盖 7 个主要领域和 25 个子领域,旨在评估多模态智能体在利用图像工具进行长程信息连接时的表现。
该综述回顾了光学字符识别(OCR)在基础模型时代的演进,将其定义为基于视觉证据的忠实转录。文章将当代系统分为模块化工具、专用文档 VLM、混合工作流、通用 VLM 及商业产品五类,对比了架构与生成式 OCR 的幻觉问题。研究还指出了评估定义不一致及真实拍摄条件覆盖不足等挑战,并提供了相关工作的持续追踪链接。
该研究利用仿射或方向协变特征,通过新型几何约束实现了联合单应性与径向畸变的极小化求解。在存在离群值时,该方法相比现有最先进方案显著提速且保持相当或更优的估计精度。实验验证了其在合成图像及含鱼眼畸变的真实图像上的有效性。
针对夜间图像复杂退化导致的质量评估难题,作者发布了 NightIQA 数据集与基准套件,包含由现代设备采集的 1,769 张高分辨率真实图像、专为多模态大模型设计的 1,078 道视觉 grounding 选择题以及生成 8 万张高保真图像的合成管线。基于该数据微调后的 Qwen3-VL-8B 在开源方法中表现最优,且整体准确率超过领先的闭源模型,验证了领域专用数据与结构化监督的价值。
针对现有视频生成模型依赖预训练自编码器导致训练分阶段且信号损失的问题,本文提出 U-JiT 模型直接在像素空间进行视频生成。
针对 AUROC 和 AUPRO 等全局指标在部分数据集上得分趋近 100% 且忽略阈值选择过程的局限,本文提出 Bounded AUKS 作为新的评估指标。该指标通过计算正常样本分布决定的有界范围内真阳性率与假阳性率的差值积分,直接量化异常分数分布的分离度。实验在 MVTec AD 和 VisA 数据集上验证了其在评估无监督异常检测模型方面的有效性。
针对视频大语言模型在场景转换理解和事件排序等时序敏感任务中的幻觉问题,本文提出无需重训的单次前向框架 SPOD。该方法利用帧显著性分析和时间差子空间技术,对隐藏状态进行分解与独立缩放,以增强动态信息并抑制静态外观偏差。
VISAGE 是一种基于顶点的条件扩散框架,用于从稀疏图像恢复 3D 人头的身份忠实且基于物理的表面外观。该方法结合全局光谱处理与局部测地 K-近邻细化,无需训练时一致的 UV 参数化即可直接在任意网格拓扑上合成每个顶点的反照率和粗糙度。
论文提出 DenseTwins 框架,旨在解决现有多模态感知方法中忽略模态特异性信息或缺乏空间结构的问题。该方法通过将稠密特征空间显式解耦为共享和模态特定组件,结合跨模态对应关系与冗余减少目标,在结构化稠密嵌入空间中同时捕捉共享语义和模态特有线索。
论文提出 DOVE(Dental Optical Visual Encoder),基于约 53 万张无标注口腔照片进行域自适应自监督预训练,旨在解决口腔影像分析依赖昂贵专家标注的问题。
针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。
推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。
作者发布了 BhopalMLS 数据集,包含印度博帕尔约 10 公里道路走廊的 12 亿余点云及 1.9 万标注实例,涵盖细粒度静态类别与动态子类。实验显示微调后的基础模型 Utonia(L) 和 Concerto(L) 在该数据上表现优于从头训练的基线,且向其他区域迁移时效果显著优于反向迁移。研究归因于该数据集对非规划城市子类型的丰富覆盖,而非单纯的数据量或几何结构。
Therapy-FIS 是首个面向心理治疗场景的公开数据集,基于 890 名治疗师和 8 名模拟患者的视频记录提供面部、声学及文本信号。该资源建立了 Therapist Performance Rating 与联合表现评分两项下游任务基准,并引入 DyadicFIS 作为竞争基线,在两项任务中分别取得 0.2807 和 0.3299 的宏观 CCC 分。
该预印本论文提出了 ReXMo 端到端框架,旨在在替换视频中演员身份的同时保留面部表情、肢体动作及场景动态。方法引入配对三元组监督机制,利用合成数据生成实现可扩展训练;通过上下文扩散 Transformer 联合驱动视频、参考身份与文本提示学习身份变换,并借助表情增强适配器提升多人场景的表情保持效果。实验显示其在身份保真度、动作一致性等方面优于现有方法,数据集与代码将公开。
MambaHand Net 提出双流框架,结合 CNN 提取帧级局部身份特征并利用双向 Mamba 建模长程行为依赖。该方法在 SCUT-DHGA 基准数据集上取得最先进平均性能,验证了融合 CNN 与 Mamba 架构对动态手势认证的有效性。论文为 arXiv 预印本版本(arXiv:2611.04626),代码与权重尚未公开。
基于孪生神经网络和对比学习的深度学习方法,利用丹麦 CareForColon2015 试验中由临床专家标注的 5,103 对相同及不同息肉图像进行训练。实验结果显示该模型在结肠胶囊内镜分析任务中分类准确率达最高 92%,AUC 值接近 0.98。该技术有望减少息肉重复计数、优化患者风险分层并降低不必要的随访肠镜检查需求。
该论文针对弱监督旋转目标检测中缺乏明确方向信息导致的学习不稳定问题,提出利用图像自身梯度先验生成伪角度标签进行辅助监督的方法,无需旋转框标注或额外参数。研究还引入包含角度差异的评估指标以弥补传统 AP 对角度误差的掩盖。实验表明该方法在基准数据集上提升了检测性能与方向估计质量。材料为 arXiv 预印本,已接受 WACV 2027。
该论文提出了一种名为 MPath Mamba 的新型神经网络框架,旨在解决自动驾驶系统中的 3D 语义场景补全任务。该方法结合了状态空间建模与基于扩散的生成方法,利用跳连三元组 Mamba 结构、维度分解残差和多路径数据中的多方向膨胀来高效处理长序列特征提取。
推荐理由:该工作提出融合状态空间建模与扩散模型的 MPath Mamba 网络,在 SemanticKITTI 基准上实现了具有竞争力的 3D 点云语义场景补全性能。
针对现有视频异常理解系统依赖预定义规则被动推理且易受证据缺失影响的局限,本文提出 SEEK-VAU 框架与 SEEK-Bench 基准。SEEK-VAU 将任务重构为在有限预算下的主动搜索与验证交互协议,策略能跨越事件链的前兆、触发及后果三个阶段主动收集并验证证据充分性。
针对合成孔径成像中遮挡导致区域误判为占用及生物量高估问题,该研究通过引入深度切片作为负类标签修改训练数据。实验显示,2D U-Net 在无膨胀校准下取得 0.6514 的 IoU,优于 COLMAP(0.3446)和 DepthAnything3(0.2959)。结果揭示了传统重建方法在封闭树冠内推断占用状态的局限性。
针对大视觉语言模型推理时计算开销大的问题,本文提出 BtsPruner 框架,该方法无需训练即可通过识别视觉 Token 从局部细节到全局代表的角色演变过程进行剪枝。实验表明,在 LLaVA-1.5-7B 等模型上,仅保留 32 个视觉 Token(占总数 5.6%)即可保持 91.6% 的原始性能,并在高分辨率设置下实现最高 5.95 倍的 CUDA 延迟加速。
推荐理由:提出无需训练的基于角色感知的视觉 Token 剪枝框架,在大幅减少输入 Token 数量下保持高性能并显著降低推理延迟。
这篇论文提出了一种无需标签预训练的卷积 beta-VAE 编码器,专门针对去除杂波的原始雷达测量数据(60/77 GHz),旨在解决微多普勒谱图在迁移学习中的泛化不足问题。研究者在十个设置下对比了该冻结编码器与端到端监督模型及基础模型,结果显示其在跨用户、跨任务和跨硬件场景中均能保持最佳或接近最佳的识别性能。代码已开源。