Learning to Falsify:面向高分辨率的层级多实例学习与伪造驱动检测
针对生成模型合成图像日益逼真导致的高分辨率检测难题,本文提出 Learning to Falsify (LTF) 框架与 FATAS 测试时聚合策略。LTF 将图像视为不同空间层级的实例集合,基于单块伪造即可判定整图伪造的原则建模;引入 Cross-Shuffle 训练技巧以强化局部伪影特征学习。
针对生成模型合成图像日益逼真导致的高分辨率检测难题,本文提出 Learning to Falsify (LTF) 框架与 FATAS 测试时聚合策略。LTF 将图像视为不同空间层级的实例集合,基于单块伪造即可判定整图伪造的原则建模;引入 Cross-Shuffle 训练技巧以强化局部伪影特征学习。
针对 3D 高斯泼溅(3DGS)压缩带来的表示特异性失真及缺乏对齐真值的问题,作者构建了包含 3036 个重建、覆盖 11 个真实场景和 22 个合成场景的 3DGS-VBench+ 基准,标注了 9108 个 MOS 分数以评估整体、几何和颜色质量。
针对单目深度估计基础模型(如 Depth Anything)计算成本高及低比特量化难的问题,本文提出了 SPA-Q 框架。该方法包含注意力保持校准与通道分布对齐两个组件,旨在解决查询键投影独立量化破坏注意力图以及层间误差累积导致特征分布偏移的挑战。实验表明,在 NYUv2 和 KITTI 数据集上,SPA-Q 在4-bit量化下平均将 AbsRel 降低 25.9%,δ1 提升 17.3%。
针对高分辨率距离像(HRRP)识别中强视角依赖变化和稀疏新类支持的问题,本文提出偏振散射结构对比学习(PSS-CL)。该方法通过软亲和度将主导局部响应映射到标准偏振机制、归一化位置及能量贡献上,利用对称跨视图目标将散射结构转移至 HRRP 表示,并借助事件原型学习实现无需物理分支的新类推理。
针对 Vision-language 模型(如 CLIP)在测试时数据扰动下因模态偏差导致置信度过高的问题,本文提出 CDIM 方法。该方法在表征层面结合冻结的自监督骨干网络(DINO v2)与 CLIP,优化层面引入带门控的信息最大化目标以排除不可靠样本,预测层面进行在线 logit 调整。实验表明 CDIM 在 ImageNet-C、CIFAR10-C 等基准上优于现有基线,代码已开源。
KeyWise 利用已知键盘几何结构替代全局特征学习,在 PianoVAM 数据集上以 130 万参数实现 95.0% 的 onset F1,参数量仅为 SOTA 模型的 4.7%,推理速度提升 4.7 倍。该模型在 100ms 延迟下对离键与速度检测也显著优于基线,并在 PianoYT 数据集上经微调后达到 69.4% 的 onset F1。论文已开源预印本,适用于计算机视觉领域的音乐转录任务。
本文针对视频推理分割中现有方法依赖语义单调且空间模糊的分割 Token 的问题,提出了显式视觉对象定位框架。该方法利用多模态大语言模型生成并细化目标的边界框与点集提示,引入查询多样化模块从不同视角描述同一目标以缓解训练偏差,并结合基于关键帧的选择策略支持掩码解码。在八个数据集上的实验表明,该方法显著优于最先进方法。论文已被 NeurIPS 2026 接收,代码已开源。
推荐理由:提出显式视觉对象定位框架,通过空间感知提示与查询多样化解决语义单调问题。
针对历史航空影像跨年份传感器差异导致一致时间序列稀缺的问题,研究团队开发了无需历史训练样本的双轨工作流。该流程对 2009-2017 年高质量影像采用预训练 U-Net/ResNet-34 结合 SAM 模型优化边界,对 2004-2008 年低质量影像则通过基于 NLCD 的时空桥接与标签回溯重建。
针对大视觉语言模型(LVLMs)常命名图像中不存在物体的问题,本文提出一种无需额外前向传播的熵门控动态校正方法(EGDR)。该方法利用生成过程中的预测熵作为局部控制信号,在不确定性高时降低干预阈值以抑制幻觉,而在确定性高时保持校准的工作点。
针对航空制造中飞机蒙皮自动铣削的系统性需求,该研究提出了一种结合空间切线连续性(STC)与分层分支搜索(HBS)的点云边缘检测新框架。该方法在合成模型及真实蒙皮工件上验证了性能,其提取的边缘精度优于现有基线方法,为后续加工提供了关键参考。
针对高性能计算环境中多变量科学仿真数据存储瓶颈问题,本文提出 SWAP-INR 架构以实现高保真压缩。该方法引入可切换注意力路径(SWAP)模块以显式建模跨变量交互并剪枝冗余层,同时利用自适应放大 SIREN(A2-SIREN)替代刚性频率缩放以适应异构物理特征。
VidUEU-Agent 提出一种四阶段自动化管线,从原始视频中合成指令数据以支持多模态理解、编辑及统一任务。该框架能基于下游训练结果自主迭代数据分布,优化质量与平衡性,并构建了包含 10 万样本的 VidUEU-100K 数据集。实验表明,在基准测试上微调基线模型可取得显著且一致的性能提升。
针对现有指令式图像编辑器主要运行于 1K 而实际编辑需忠实输出 2K/4K 的矛盾,本文提出 FLASH,一种原生高分辨率编辑器。该方法利用冻结的 1K 分支作为语义与结构锚点,在 Transformer 内重构局部细节;通过非对称拓扑保留完整 1K 注意力并引导高分辨率查询,将高分辨率目标 - 引用交互限制在局部 Halo 邻域。
论文 SphereFlow 提出一种将不同模态投影至共享超球面潜在空间的框架,利用流匹配(flow matching)实现跨模态补全。针对标准高斯噪声源与单位范数数据流形不匹配及线性插值偏离球面的问题,作者通过替换噪声源为观测模态潜变量并采用时间加权损失函数进行几何修正。
推荐理由:提出基于超球面几何传输的缺失模态补全方法,在医学影像翻译任务中实现最先进生成保真度并显著缩小与全模态基准的差距。
LCM-UNet 是一种融合多基础可重参数化适配器的 3.3 万参数量 U 型网络,在 ISIC 2017/2018 和 PH²数据集上分别取得 88.62%、89.73% 及 90.46%的 Dice 分数。
DR-LiteNet 通过融合 EfficientNetB0 与手工特征分支,在 APTOS 2019 数据集上以 4.69M 参数量实现 88.77% 准确率并优于 ResNet50。该模型利用自适应 SMOTE 处理类别不平衡,结合 Grad CAM 提供临床可解释性,仅需单张 Google Colab T4 GPU 即可运行。项目代码已开源,论文被 iCONEECT 会议接收。
该预印本研究了在无目标条件下对相机-LiDAR 融合的外参变换进行校正后是否应被下游系统采纳的问题。研究在 Argoverse 2 合成漂移数据上评估了单帧与多帧对齐策略,发现单帧 Canny 对齐在轻度漂移下有害,而多帧对齐虽改善旋转但恶化平移且联合误差指标为负。
推荐理由:该预印本通过日志分离协议评估了无目标外参校正的质量与递归风险,指出单帧对齐在轻度漂移下有害且联合误差指标为负,不支持将其作为可部署的校准门禁。
Spin Spherical Fourier Neural Operators(S²FNOs)通过提升球面卷积实现了对球面上任意自旋场(如风场、宇宙微波背景偏振及弱引力透镜剪切)的精确旋转等变学习。该方法基于 Mackey 函数框架与谐波表示,在现有基准测试中达到最先进水平,并在新引入的基准上超越了标量模型。研究证明了该层级的旋转等变性保持至机器精度,相关代码与论文已作为预印本公开。
论文提出 StepX-OPD,将原本分阶段进行的多教师同策略能力整合与少步采样合并为单阶段训练。该方法让一个学生在接受冻结专家监督的同时学习少步采样,通过回归低噪声部分的 velocity 来解决 rollout 的 KL 权重速度失配问题,并针对能力整合导致的非请求文本生成问题提供了改进变体。
论文提出了 IGSW 框架,旨在实现高保真的 4D 城市场景多天气编辑以支持端到端自动驾驶训练。该方法将背景高斯外观分解为共享反照率与法线及特定辐照度残差,并利用扩散模型生成的教师图像和内在映射提供软监督;第二阶段通过结构保持门控抑制不可靠区域并增强目标天气外观。
推荐理由:提出 IGSW 框架,通过解耦高斯场景建模与结构保持的天气细化,解决了多天气编辑中的结构失真问题。
针对内窥镜手术场景中位姿跟踪、可形变重建与语义映射难以并行解决的挑战,论文提出基于高斯泼溅的 EndoS3 框架。该方法利用实例掩码引导任务分解,通过残差流分离动静实例并分配独立变形网络,同时根据实例大小与非刚性特征动态分配节点预算。
针对基于相机的在线 HD 地图系统易受传感器故障影响的问题,本文提出 ReSMap 框架,将离线缓存的卫星图像作为相机失效时的冗余互补源。该框架通过预测 - 融合模块和以物体为中心的跨模态查询解码器,利用各分支的置信度进行像素级可靠性加权并合并更新,无需学习路由网络。模型在 nuScenes 数据集的所有划分及范围设置下均达到最先进性能,特别是在相机故障场景下显著提升了鲁棒性。
推荐理由:提出利用卫星图像作为相机失效时的冗余备份,在 nuScenes 数据集上实现包括相机故障场景在内的最先进性能。
论文针对全切片多实例学习中模型忽视组织空间结构的‘空间盲区’问题,提出 ResTopoMIL 方法。该方法在训练图残差前冻结成分预测器,并利用坐标重分配分离损失进行优化。
SteelHuman 通过聚合手持稀疏视角下的冻结 DINOv2 token,在 600 个外折堆料上实现与操作员估计 13.4% 的总变异距离。针对 HMS 四类厚度定义的分配误差,图像依赖型分配将组内 TV 从 25.1% 降至 11.2%,且无需适配即可对齐 DOES 数据集分类类别。
该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。
推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。
该论文提出了 FlowTranslator 框架,旨在实现图像内的机器翻译(IIMT),即在保留周围视觉上下文的同时替换图像中的文本。该方法无需大规模配对训练数据,利用 OCR 和 LLM 生成翻译提示词并注入基于扩散模型的 T2I 架构中。
针对胸部 X 光诊断中需识别细微病变及并发异常的挑战,本文提出 GroundSeek-CXR 框架。该框架通过回顾性诊断评估(RDE)对离线蒙特卡洛树搜索生成的观察与停止候选进行评分,并利用回顾性差距加权偏好优化(RGPO)学习基于最终诊断结果的偏好信号。实验表明,该方法在异常图像样本 F1 值上比即时分数偏好学习方法提升 4.48%。
推荐理由:提出基于回顾性评估的主动观察框架,利用最终诊断结果优化局部区域选择与停止决策。
该论文提出一种无需梯度、成对数据或微调的权重空间编程(WSP)方法,旨在利用大语言模型直接编辑扩散模型的参数以改善图像复原质量。作者构建了包含去模糊、超分辨率等任务的精确回归场景,并提出了三项技术猜想:LLM 能在有限前向传播预算内定位质量缺陷层;对特定权重方向的小规模编辑可提升 PSNR 和感知质量;递归循环能累积增益形成最小化自提升(RSI)闭环。
推荐理由:提出利用大模型在权重空间直接编辑扩散模型以改进图像复原质量的猜想,并设计了诊断 - 编辑 - 评估的递归自提升循环框架。
论文提出了 Sketch-Omni,这是首个专为处理草图而构建的感知多模态大模型(Perception MLLM)。该模型利用边缘检测技术将标注照片转化为类草图数据,并通过光导关系对齐训练,实现了从草图到照片的实例级定位。
推荐理由:该工作构建了首个基于草图感知的多模态大模型,通过边缘检测与关系对齐技术实现了从草图到照片的实例级定位。
ProGeo-RC 提出原型引导语义可靠性估计与结构化语义 - 几何误差校准模块,解决半监督医学图像分割中伪标签可靠性不足问题。在 ACDC 和 MVAA-CT 数据集 10% 标注设置下,其 DSC 提升 0.37%,Jaccard 提升 0.49%,显著优于现有方法。该工作已接受发表于 IEEE BIBM 2026,代码与数据许可状态待进一步确认。
该论文提出 P-SER 框架,通过重构复数值和向径差通道 HRRP 中的主散射点及观测几何,利用空间结构、目标尺度与能量分布推导类级散射原型与样本显著性先验,为特征学习与旧类知识保留提供物理约束。
论文 CounterSketch 提出一种将自然语言‘如果...’查询转化为物理合理动画的框架。系统整合视觉语言模型场景定位、因果事件链推理及基于约束的轨迹生成与验证,通过更新场景图计算连续物体轨迹并投影为运动边界框以指导下游合成。
针对长尾单样本等极端数据稀缺场景,该方法通过掩码引导参考注意力与排斥噪声优化组件,在 CUB-LT 数据集 IF100 指标上最高提升 2.50 和 2.94 分。实验验证了其在少样本及背景偏移评估中的鲁棒性,有效解决了生成样本缺乏判别细节的问题。该研究已被 WACV2027 接收,代码与论文将公开。
TCINet 提出任务特定特征适配器与组织条件感知机制,在 PanNuke 数据集上多类泛optic质量达0.519、二分类为0.692。该模型在 MoNuSeg 零样本检测 F1 得分为0.876,且在 PanNuke fold 0 将 mPQ从0.505提升至0.525。代码已开源供计算机视觉领域使用。
Mamba3R 通过仅训练 128 万参数适配器,在冻结骨干网络下实现长序列三维重建的几何质量优化。该模型在公开室内外数据集及机器人实测轨迹上,较循环基线降低轨迹误差并提升表面与深度精度,单指标最高增益达 40%。离线回放实验显示,RTX 4060 显卡在 5.1 GiB 显存下平均吞吐 11.7 FPS,覆盖 10 Hz 传感器速率且吞吐量波动不超过 1.4%。
R2CL 框架通过建模双网络间的置信度关系,将未标注区域划分为熵正则化、方向知识转移及可靠监督锚点三类角色进行混合训练。该方法在多个数据集上提升了区域重叠与边界相关指标,尤其在前景稀疏的 MVAA-CT 数据集优势显著。论文已被 IEEE BIBM 2026 接收,代码与数据许可状态待进一步确认。
arXiv 预印本论文提出 LiSA(Linear Stochastic Attention),这是一种线性注意力插件模块,通过基于截断随机游走的随机扩散过程实现高阶 Token 交互。该方法具备自适应局部性以保留细粒度结构,并在分类、语义分割和目标检测任务上展示了优于最先进方法的实验结果。
推荐理由:提出基于截断随机游走的线性随机注意力模块,在分类与分割任务上优于现有方法。
该研究在 VinDr-Mammo 数据集上隔离了输入分辨率影响,训练 18 个探测器共 108 种组合,发现从 512x416 升至 1600x1280 像素时,mAP50 中位数由 0.626 提升至 0.660。最佳结果由 DINO 配合 ConvNeXt-S 骨干网实现,在最小病灶上 mAP50 提升 0.074,训练与推理时间分别增加至 1.40 小时和 113.7 毫秒。
针对动态驾驶场景中生成数据与现实观测差距大的问题,论文提出 ReconDreamer# 框架,实现重建与生成的自进化闭环协同及基于几何先验的自适应地面建模。在 Waymo、nuScenes 等基准测试中,该方法显著提升了三维表征能力:Waymo 数据集上横向偏移 6 米时,NTA-IoU 和 NTL-IoU 分别提升 8.8% 和 3.0%,FID 降低 15.1%。
推荐理由:提出自进化闭环框架,通过生成与重建模型互促提升动态驾驶场景的三维表征能力。
论文提出了名为 ReCR 的训练免费方法,将自回归视频解码重构为表征引导的上下文重写任务。该方法在每一步利用内部解码器表征构建选定的可见上下文,以匹配全局生成状态、避免冗余并覆盖时间边界。实验表明,ReCR 在多个长视界文本到视频基准上提升了不同自回归骨干网络的性能,且表征空间诊断分析证实优化可见内容是实现更稳定长视频解码的有效路径。