TRIDENT:水下机器人视觉感知的高效三任务学习模型
TRIDENT 模型通过单一骨干与三个并行解码器,高效完成去雾、深度估计及不确定性评估三项水下视觉任务。实验显示该模型在图像增强和深度估计上显著优于现有方法,且在内存占用与推理时间效率上更优。其联合学习方法展现了稳健的特征匹配能力,并实现了从二维到三维视觉任务的无缝扩展。
TRIDENT 模型通过单一骨干与三个并行解码器,高效完成去雾、深度估计及不确定性评估三项水下视觉任务。实验显示该模型在图像增强和深度估计上显著优于现有方法,且在内存占用与推理时间效率上更优。其联合学习方法展现了稳健的特征匹配能力,并实现了从二维到三维视觉任务的无缝扩展。
针对现有全合一图像复原方法中适应策略隐含于特征表示、导致清洁区域过平滑及局部退化校正不足的问题,论文提出了 ExplicitIR 模型。该方法通过空间策略估计器(SPE)预测两个显式逐像素字段:Budget 用于确定更新位置与强度,Style 用于选择窄或宽上下文窗口,并由策略自适应解码块(PADB)进行融合。
Joint-ID 是一种基于 Transformer 的神经网络,通过联合学习实现水下原始图像的感知质量增强与深度信息获取。该方法在合成及标准数据集上评估有效,并能在高浊度真实水下环境中进行特征匹配与显著性检测以辅助视觉引导机器人。论文由 IEEE Sensors Journal 于 2024 年发表,代码与权重暂未公开,仅允许个人使用。
ARG-Avatar 提出一种仅需 68M 可训练参数的高效前馈框架,通过 FACRoPE 与 ITR 管道利用几何对应关系提升重建质量。相比 LHM++,该方法参数量少约 9 倍、训练序列减少 4.8 倍且计算量降低 14 倍,推理速度快 6 倍并在 NeuMan 基准上 PSNR 提升 2.7 dB。
针对骨架数据向第三方分析工具传输时的身份泄露问题,本文提出 MIRAGE 方法。该方法通过注意力机制计算原始坐标空间的残差并逐帧添加,无需目标骨架即可在线处理。
SRED 方法在无切片级标签下,利用稀疏自编码器从 20x 特征学习事件字典并蒸馏至 5x 编码器,实现与原生 5x 推理速度匹配且平均提速 11.58 倍。该方法在七个分类分级队列中平均宏观 F1 提升 1.1 点,五个生存队列平均 C-index 提升 1.7 点。该成果作为 CVPR 2027 投稿提交,代码与权重暂未公开。
论文 CueClash 通过构建渲染场景揭示视觉语言模型(VLM)在从图像推断三维关系时存在的线索冲突与深度压缩缺陷。实验显示,Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等模型在低推理努力下存在显著准确率差距,且其生成的俯视场景地图往往保留图像的深度缩短特性而非真实布局。研究还发现模型在处理 CV-Bench 照片中的可靠二维线索误导时也会失效。
推荐理由:该研究揭示了前沿 VLM 在从图像推断三维关系时存在的线索冲突与深度压缩缺陷,并量化了不同模型的表现差异。
该方法提出单项目标函数,通过脊基谱机制在 CIFAR-10、CIFAR-100 及 Imagenette 数据集上实现最高线性 Top-1 准确率。实验揭示增加参数κ虽增强视图对齐但降低有效秩的权衡关系,且无需显式对比负样本或加权惩罚项即可达成最优几何分解与有限损失保证。
INNReg 通过可逆神经网络与动态深度卷积局部注意力机制,在 MRI T1/T2 及 MRI/CT 数据集上实现了无监督多模态医学图像配准。该方法利用基于归一化互信息的屏障损失函数约束注册网络,有效保障了图像翻译后的几何一致性。相关代码已公开,研究发表于 arXiv:2611.22152 [cs.CV]。
论文 EgoHandWAM 探究了第一人称相机视角下手部运动对预测未来视觉特征的贡献。研究基于 751,065 个 EgoDex 窗口训练,冻结 DINOv2 编码器,结果显示仅凭历史轨迹信息对视觉特征预测的增益有限(平滑 L1 误差降低 1.32%),而结合未来位移掩码能显著减少误差(降低 3.93%)。
针对短视频多模态交织导致真假难辨的问题,作者提出了 CEVA 框架,其核心是双分支互补重组模块,将视频帧按显式对齐与候选互补上下文分离,再进行跨模态融合。实验表明该方法在 FakeSV 和 FakeTT 数据集上表现最佳,且能提升不同检测器的性能。
TMCNet 通过文本引导的模态编码、跨模态对齐及渐进式修正解码,解决开放词汇目标检测中语义模糊与特征融合不足的问题。该方法在 COCO-OVD 和 LVIS-OVD 两个公开数据集上验证了利用简单文本查询指导检测的有效性,并成功扩展至分割任务以证明其泛化能力。
FrameSeg3D 提出一种新框架,先预测每个部件的局部中心与朝向,再在高分辨率视图下分割,解决了传统方法因缩放或视角导致的细节丢失问题。该方法在手部扫描指甲任务上平均 Dice 达 0.970,在 Teeth3DS+ 测试集单牙 IoU 为 96.5%,边界 IoU 达 70.5%。模型仅需少量标注即可泛化至不同部件类型,适用于计算机视觉与图形学领域的高精度分割需求。
RetiDual-Select 结合 RETFound 与 MedSigLIP,通过校准的产品专家融合、小门控替代及冻结伤害守卫实现自适应路由。在 Kermany-4 数据集上,该方法于 2% 误报率下将选择性准确率提升至 99.89%,并在严重对比度降低条件下使增益扩大约九倍。研究仅基于合成扰动评估,未证实对自然采集或扫描仪偏移的鲁棒性,已提交 IEEE 待刊。
研究揭示合成自监督训练会导致超轻量修图网络在真实输入上产生绿色肤色色偏,即便全帧 PSNR/SSIM 指标未变。提出的逐像素、肤色掩膜不对称绿过量损失在无新增参数下将色偏从 70 张人像中的 52 例降至仅 1 例,且在 FFHQ 数据集上将错误率从 68.1% 大幅降低至 2.2%。该方法最终导出为 35 KB 的 TFLite 模型,相关论文已获 ACCV 2026 接收。
针对动态场景渲染中形变网络评估计算量大的问题,上海交通大学团队提出 CueSplat 后训练框架。该方法利用局部时序规律预测高斯属性,通过轻量级路由器在离线校准的预算内选择需精确更新的索引,并复用邻近帧的选择结果以降低开销;同时引入漂移信号调度全形变帧以控制误差。
AUC Generative Reconstruction (AUCGR) 及 Partial AUC Generative Reconstruction (pAUCGR) 提出将生成重建重构为判别排序问题,通过优化 ROC 曲线下面积确保匹配对得分更高。
针对传统安全控制依赖二元区域划分的局限,该研究提出基于 RGB 与 LiDAR 观测的连续风险评估框架,融合动能、势能等四因子生成风险分数。方法将估计值集成至泊松安全函数并引入拉普拉斯引导场作为滤波器,实现在开放世界机器人导航中的在线监测与干预。团队在仿真餐厅场景中验证了该方法的有效性。
Direct Head 是一种分割引导架构,通过从光伏区域特征和面积描述符直接回归非负容量,解耦了传统方法中容量预测与掩码面积的耦合关系。该模型在法国 7,590 个屋顶安装点的独立测试中,相比参数匹配的基准模型将平均绝对误差分别降低了 8.7% 和 12.5%,对称平均绝对百分比误差降低 14.0% 和 20.7%。
针对淡水影像像素级标注稀缺问题,该研究提出将 Swin Transformer U-Net 与 SCSE 解码器从 ImageNet-1K 迁移至水体及水华分割的三阶段流程。
论文 BATMoS 提出一种无需额外训练路由器的引导分配方案,通过基于幅值的时间规则将新鲜引导与缓存引导结合,在 CogVideoX-2B 上以 20% 更少的分支评估达到接近全量引导的生成质量。该方法可与特征复用组合,进一步降低有效计算分支数,为视频扩散模型推理提供了实用的预算优化机制。
推荐理由:BATMoS 提出基于时间步的引导策略复用机制,在固定推理预算下提升视频生成质量并减少计算分支评估。
LightMatch 提出一种基于偏好的逆光照框架,通过解耦可控光与环境照明确定最佳布光位置。该方法在独立测试环境中达到 87.8% 的预言机改进率,真实 OLAT 人脸任务准确率达 73.2%,并将灯位方向误差降低 37.7%。
针对森林环境中植被重复及光照季节变化导致的视觉地点识别难题,本文以 MegaLoc 为外观基线,在 WildCross 基准上评估了时序、语言、结构及几何上下文对序列匹配与重排序的增益。结果显示,同向重访时分数空间召回率提升显著,但描述符空间表现下降,其他上下文表示未能提供一致改进,揭示了当前非外观表征在复杂自然场景中的局限性。
Clef-flash(基于 Qwen3.5-9B 骨干)在工业检测基准的零样本检测中,MVTec AD 类别级图像 AUROC 达 0.924,但决策头路由注意力产生的每图像素 AUROC 仅为 0.391。研究指出移除问题文本上下文会导致表现低于随机猜测,且无法匹配专用少样本定位器。该预印本是米兰理工大学硕士论文技术部分,代码与注册信息在提交会议前由作者私有托管。
DEFTS 是一种严格在文本子空间内运行的数据高效、无需训练的少样本分类方法,通过将图像原型投影至该子空间并仅计算少量系数来降低模态差距。该方法在 12 个图像分类基准上的广泛实验表明,其性能显著优于现有的无训练方法。
该论文推导了连接生物特征误识率(EER)与独立标准化高斯特征数量及测试重测相关性的数学定律,并扩展至跨比较持久性变化场景。研究在眼动、键盘动态、心电图和面部嵌入等 101 种条件下验证了公式的拟合度,提出了关于特征添加收益的设计规则。材料为预印本版本,未提及同行评审状态或具体部署结果。
针对全球神经影像数据因隐私规则无法集中化的问题,本文提出 SCAN 框架,允许新站点在不共享患者扫描数据或重新训练的情况下,对 3D 医学视觉语言模型进行本地化适配。
推荐理由:提出无需共享影像或重训的站点感知协作框架,在保护隐私前提下实现多中心神经影像模型适配。
为提升自动驾驶对轮椅用户的包容性,研究团队发布了包含 467 张人脸模糊图像的轮椅配置图像数据集(WCID),涵盖手动/电动、子类型及遮挡等 10 类标注。该数据集提供验证集与测试集划分,用于评估卷积神经网络及冻结视觉语言探测器的跨数据集泛化能力与高斯模糊下的鲁棒性。代码、权重及数据已公开,旨在填补现有数据集仅标记存在与否的空白,推动无障碍车辆设计适配多样化轮椅配置。
该研究针对小视频语言模型(2-3B)提出一种无需标注的干预测试方法,通过遮蔽模型自身引用的区域或实体来检验答案依赖性。实验显示,在 CLEVRER 任务上引用遮蔽导致的答案翻转率是随机遮蔽同尺寸区域的 2.2 倍,而在 NExT-QA 上差异较小,揭示了常规 grounding 检查无法捕捉到的引用与答案脱钩问题。
推荐理由:提出无需标注的引用干预测试方法,揭示小视频语言模型在 CLEVRER 等任务上存在引用与答案依赖脱钩现象。
该论文发现现有面部隐私保护方法的评测结果存在缺陷:输入端直接喂入整图或检测框而非对齐裁剪,导致防御效果被高估;阈值设定沿用旧标准,在整图上产生偏差。作者通过引入可微分对齐算子并修正评分方式,在不重新生成图像的情况下,将转移攻击的规避保护降低了 56%,预算分配攻击降低 7%。实验显示,修正后的方法在三个未见识别器上性能提升显著,且改变了 L-infinity 转移攻击的排名顺序。
推荐理由:文章指出既有面部隐私评测因输入与阈值设定错误而高估了防护效果,并给出可复用的修正方法与实验数据。
REEL 框架通过线性语义解码器、预训练视频生成器及三种神经编码流,在 CC2017 数据集上将三位参与者的平均 Video 50-way 准确率从 0.2359 提升至 0.2434。该方法同样在 BMD 数据集的十位参与者中实现准确率提升(从 0.3653 至 0.3920),为视频脑解码提供了比复杂流水线更简洁的替代策略。
该研究提出了一种针对面部资产(albedo 和 displacement maps)的领域自适应扩散超分辨率方法,旨在解决通用生成管线仅输出1K分辨率而电影级特写需要4K的问题。
论文提出了 FaceRiff,这是一个统一且数据高效的框架,可直接从文本生成完整的 3D 人脸资产(网格、反照率和位移)。该方法适配预训练的 SDXL 骨干网络,使用 UV 法线图作为几何条件引导合成,仅需约 2049 个扫描数据和单 GPU 训练即可更新少于 3% 的骨干参数。盲测显示其感知真实度接近真实采集数据,且生成的反照率对光照独立,适合 PBR 重光照和毛孔级位移生成。
推荐理由:该工作提出 FaceRiff,利用预训练扩散先验与几何条件,在少量数据下生成高保真 3D 人脸资产。
本文研究能否利用预测视频的世界模型提供跨数据集泛化的信号以检测深度伪造。作者冻结 V-JEPA 2.1 编码器,使用 rank-16 LoRA 适配预测器,将预测输出与冻结编码器的目标差异定义为预测残差。
针对遥感图像感知相似度度量在自然图像上迁移效果差的问题,研究提出基于 RemoteCLIP 层对齐注意力分数(AAS)的新指标。引入无需人工偏好标签调优的遥感感知距离(RSPD),在涵盖合成伪影、超分及 SAR 转光学的盲测基准中表现优异。该成果已接受至 IEEE/CVF WACV 2027,显著优于简单余弦距离并具备通用基线竞争力。
论文研究了多模态模型如何通过合成像素进行推理,发现迭代去噪主导了推理成本。研究揭示了三种思维模式:因果性思维早期即可识读且素描步数远少于渲染步数;装饰性思维可省略;有害思维会降低准确率。
推荐理由:研究揭示生成式视觉推理中三种计算分配模式,提出无需标签的素描投票策略以显著降低推理成本。
荷兰两家农场的四路摄像头部署了约一周的群居奶牛犊视频,共含 1,173 个文件、651 小时时长。训练员基于 Noldus The Observer XT 对其中 104 小时(90 小时全犊编码)进行连续行为标注,包含 18 项玩耍等行为图谱。数据集提供 110 万解码帧及光学字符识别时间戳、分割轨迹和逐帧标签,支持奶牛行为与福利研究及自动化行为识别开发。
EgoLink 是 ACM Multimedia 2026 发布的基准,评估模型在第一人称视频中进行社交推理、解析视觉指代并将用户请求转化为工具介导动作的能力。
Edge-Adaptive Hiera-Seg 模型通过融合多朝向视觉辐照度数据,在边缘控制器上实现短临期建筑光伏功率预测。该架构利用分层区域提取与自适应模块处理缺失帧、延迟及局部阴影变化,输出包含置信区间的主导证据贡献分析。实验基于未见过的多建筑数据集验证了其在不同朝向下的泛化能力,旨在支持微网调度与运营规划。
该方法结合注意力残差与雅可比透镜读出概念,在两个开源模型上实现了比单层注入更强的内部对齐和行为改变。研究揭示了逐层几何分解、强度窗口及指标纪律等发现,并训练了深度权重以提升泛化性能。代码和数据已公开。