MS-HVED 实现临床脑 MRI 多栈灵活超分:尼日利亚队列专家评估优于基线
MS-HVED 框架通过物理感知域随机化与高斯后验融合,在尼日利亚队列的盲审中于 210 对对比里以 187 次胜出监督基线。该模型在所有输入下整体质量评分达 5.93(基线 4.49),且即便缺少轴状或冠状面输入仍保持显著优势(p<.001)。代码已公开,研究涵盖计算机视觉与医学影像超分任务。
MS-HVED 框架通过物理感知域随机化与高斯后验融合,在尼日利亚队列的盲审中于 210 对对比里以 187 次胜出监督基线。该模型在所有输入下整体质量评分达 5.93(基线 4.49),且即便缺少轴状或冠状面输入仍保持显著优势(p<.001)。代码已公开,研究涵盖计算机视觉与医学影像超分任务。
针对 3D Gaussian Splatting 现有分割方法依赖渲染视图导致被遮挡或低贡献 Gaussians 监督不足的问题,提出 VODA 插件式监督目标。
推荐理由:提出 VODA 监督目标,利用局部深度结构直接监督被遮挡或贡献度低的 Gaussians,在 Removal-3D 基准上提升体积分割效果。
作者提出一种名为标量积变换(SPT)的方法,将图像块的向量嵌入转换为点反射对称性的分数。该方法受梯度乘积变换启发但使用向量嵌入而非灰度梯度,无需针对对称性检测进行特定训练步骤,可直接利用任意预训练的块嵌入模型进行测试。
论文提出了 Déjà-Events,一种仅使用事件相机输入即可预测深度、相机位姿和点云的多视图 3D 感知模型。该方法通过蒸馏自一个冻结的 RGB 教师模型(Déjà View),利用事件数据的稀疏特性引入自适应门控机制,在无需深度或位姿真值的情况下训练仅需约 1% 参数量的学生网络。
AnachroBench 提出针对特定时代与国家的视觉场景历史一致性控制判别基准,填补现有评测空白。该基准包含来自八个国家、跨越 19 世纪末至 20 世纪初的 1,600 张图像对,每对由原始历史图与无缝插入现代物体的错位版本组成。研究揭示了模型在“插入物体感知”与“时代 - 国家一致性判断”之间存在显著差距,为评估此类行为提供了定向工具。
针对3D高斯泼溅(3DGS)在新视角合成中缺乏真实图像导致无法直接测量渲染误差的问题,本文提出 QuantileGS 框架。该方法通过冻结模型计算 RGB 均方绝对误差,学习预测误差的分位数场,并利用保留集进行尺度归一化 conformal 校准。
该系统结合 ETH-XGaze 与九点校准及 RTMPose 特征修正,单用户实验在 12 个屏幕目标上平均误差为 204.24 像素。相比 xgaze-js 和 gaze_tracker,误差分别降低 35.83% 和 57.69%,且所有目标均产出有效估计。鉴于仅涉及一名参与者,后续需扩大样本与姿态范围验证可行性。
针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。
推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。
针对现有多模态大语言模型存在冗余视觉 token 或移除图像输入导致知识激活受阻的问题,本文提出 Beyond Token Stacking (BTS) 框架。
论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。
DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。
该论文提出了IGRecon4D框架,旨在解决当前前馈式4D驾驶场景重建中存在的交通参与者语义泄漏到静态表示以及高斯位置跨视角几何漂移两大问题。
GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。
推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。
针对仅少数物种拥有三维标注数据的难题,该方法提出基于 AVES 参数化网格模型的谱系奥恩斯坦 - 乌伦贝克先验,将二元家族对比损失扩展为连续生成形式。在未见物种的 CowBird 基准和 CtrlAVES3D 数据集上,其性能优于 AniMer+,同时在已见物种 CUB 上表现相当。论文状态为 NeurIPS 2026 口头报告(arXiv:2611.21102),代码与权重尚未开放。
论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。
推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。
arXiv 论文 Body of Evidence 针对多相机设置中遮挡导致单关节仅存单一 2D 观测的问题,提出预测每相机关节深度与 2D 位置的框架。方法结合图像特征与重建的 3D 身体几何作为上下文线索以减少单目深度歧义,并引入可学习深度感知三角化以支持单相机贡献下的重建。实验在 CMU Panoptic 数据集上展示了优于现有技术的性能,特别是在三相机稀疏设置下平均精度提升显著。
Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。
推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。
论文提出 GJBench 基准,要求图像生成模型绘制被打散、旋转且分离的拼图式场景,以区分模型是真正理解场景整体还是仅依赖相邻连接。评估显示所有测试模型均无法在碎片化条件下保持场景连贯:要么数量错误,要么轮廓不匹配导致无法拼接,且参考图对解决这些问题帮助有限。该工作揭示了图像生成器在处理空间破碎场景时的根本局限。
研究在基于单门控双向选择性状态空间块的肺结节恶性概念瓶颈模型中,证实了固定门控模式下掩蔽因果卷积输入并赋予闭环 Token 零权重时,概念与任务 Logits 对闭环 Token 保持严格不变。
针对现有流匹配点云上采样器在全局统一时间分辨率下难以兼顾不同形状局部重建需求的局限,本文提出多速率流匹配框架。该方法在推理时冻结学习到的速度场,将离散预算松弛为连续变量,利用输入衍生的几何保真度目标在线优化积分步数,最终投影回离散预算进行求解器 rollout。实验表明,相比仅依赖步长分布的基准,基于局部区域自适应分配的分配策略能显著提升重建质量。
MVSTF 提出端到端多分支网络,利用时序点云生成多视图图像与特征差异,并行提取时空及维度特征以解决动态环境下的边界模糊与遮挡难题。该方法在 SemanticKITTI 和 KITTI-Road 基准上实现最先进结果,并在隐藏测试集表现优异,代码已开源。
该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。
针对拜耳去马赛克中方向性插值法计算成本高但收益不确定的问题,该研究在 80 张基准图像上验证了质量增益与图像饱和度的强相关性(r=-0.86),并构建了无需深度学习的可解释决策树。该方法能根据图像描述符推荐最佳廉价算法,在留一验证中比始终选择最常用方法的基线提升 20.0 个百分点,且所有步骤均可检查。
该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。
论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。
ThermoSight 框架利用可微光谱模型,仅凭有限校准火焰图像联合重构三维温度与烟气体积分数场,无需场级真值即可解决解耦难题。合成消融实验显示,波长分辨衰减将高温区温度 RMSE 从 234 K 降至 112 K,且 RGB PSNR 保持 65.23 dB 至 65.24 dB 几乎不变。该成果证明物理引导神经场能恢复视觉上无法直接观测的内部可解释物理量。
该研究利用 Sentinel-2 的 10 个波段及地形信息构建深度流水线,在印度喜马拉雅 Chamoli 区 2021 年 2 月 7 日岩冰雪崩事件中评估模型性能。
CLIFT 方法通过在 LiDAR 检测器的中间体素特征上引入实例级对比学习目标,将检测器本身转化为跟踪器,无需依赖运动模型或重识别网络。该方法利用检测框内的体素嵌入,通过余弦相似度和匈牙利算法进行跨帧匹配,并在微调过程中保持检测精度基本不变。
该研究介绍了一种选择性、可控的传感器采集机制,允许用户指定第二传感器的目标使用率,系统仅在主传感器性能不足时自动触发额外传感。该方法通过在线阈值调整适应主传感器近期表现,无需针对特定模态或环境进行校准,适用于单帧和序列定位任务。
SG-ODOM 框架利用稳定性门控机制筛选接触更新,仅在足部达到稳定支撑条件后触发估算修正。该方法在 GrandTour 数据集户外序列上评估显示,相比基线估计器将相对姿态误差(RPE)降低最多 25%。代码与视频已公开,适用于四足与人形机器人平台。
针对多视图 RGB 图像及法线图生成中的跨视图信息交互成本问题,本文提出全局 - 局部代理注意力(GLPA)机制。该方法在保留单视图全分辨率交互的同时,利用紧凑的全局代理进行跨视图通信,并通过迭代优化代理以复用注意力参数。实验表明,该机制在 FLUX 和 Stable Diffusion 两种扩散骨干网络上均有效,显著降低了计算开销并提升了重建 IoU、NVS LPIPS 等指标。
论文介绍 GRASP 方法,旨在解决现有物体检测数据蒸馏依赖学习模型且可能改变对象空间关系的问题。该方法在不进行网络训练或推理的情况下,通过联合搜索图像选择与空间布局的凸分配子问题,将密集的原生监督信息压缩到有限像素中。
针对现有方法在快速运动下难以恢复高频纹理的问题,该研究首次提出融合事件相机的立体视频超分辨率框架。通过 EGTE 与 CVTI 模块整合事件驱动的运动纹理信息及跨视角空间关系,实验证明其在真实与合成数据集上均优于现有方法并维持了立体一致性。代码与数据许可状态需查阅项目页面,论文预印本已发布于 arXiv。
SCoRe 框架利用两个互补的视觉基础模型(VFM)分割器,通过角色融合方法在无需训练的情况下完成跨域少样本分割任务。该方法在 RSRM 和 FSS-SAM3 上基于 10 个数据集共 3,314 次五样本实验评估,平均前景 mIoU 达 72.738%,较 RSRM 提升 5.210 个百分点。
该论文提出 OrthoMark 方法,旨在解决激光雷达 SLAM 中的回环检测问题。该方法无需训练,利用鸟瞰图(BEV)的平移和旋转不变极坐标傅里叶谱进行候选检索,并通过相位相关估计平面位姿。
该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。
推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。
针对现有零样本单目度量深度模型评估依赖跨数据集平均分数的做法,本文指出其无法反映严重错误比例、偏差方向及共性失效图像。作者提出基于单图结果的评估框架,包含失效率(度量δ1<0.5)、结构对齐指标、尺度偏差与绝对误差等,并对比 11 种架构在 7 个日常场景基准集上的表现。
推荐理由:提出基于单图结果的深度模型评估框架,揭示日常场景中尺度误差仍是主要瓶颈。
论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。
推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。
Pointillist Maize 项目验证了使用消费级无人机 RGB 视频结合运动恢复结构与多视图立体视觉,可识别出叶片、茎秆等玉米器官。实验显示单轨道采集在植物结构内点浓度更高且空隙更少,而曲线路径虽能区分个体植株但土壤表面仍存在大量空洞。研究揭示了采集策略与重建完整性及点分散度之间的权衡,指出独立几何验证仍是定量表型分析的前提。
针对人类视频数据缺乏显式动作相关表征的挑战,本文提出 LSA 分层预训练框架。该方法通过 Lift 阶段将 2D 观测自适应对齐至 3D 基础模型中间表征以获取稠密表示;See 阶段引入深度图重建与手部区域提示以增强几何感知与交互热点关注;Act 阶段实现鲁棒的机器人操作。