点监督变化检测中的渐进式伪标签优化方法
该论文针对点监督变化检测中伪标签不完整和噪声大的问题,提出了一种引入 SAM2 先验的两阶段框架。第一阶段利用 SAM2 生成候选掩码并设计双时相掩码选择策略,辅以轻量级 CNN 模块提升边界质量;第二阶段构建教师 - 学生自训练闭环进行持续优化。实验表明该方法在 WHU-CD、LEVIR-CD 和 SYSU-CD 三个基准数据集上表现优异,优于现有弱监督方法并接近全监督水平。
该论文针对点监督变化检测中伪标签不完整和噪声大的问题,提出了一种引入 SAM2 先验的两阶段框架。第一阶段利用 SAM2 生成候选掩码并设计双时相掩码选择策略,辅以轻量级 CNN 模块提升边界质量;第二阶段构建教师 - 学生自训练闭环进行持续优化。实验表明该方法在 WHU-CD、LEVIR-CD 和 SYSU-CD 三个基准数据集上表现优异,优于现有弱监督方法并接近全监督水平。
该论文针对视觉定位(VG)中收集自然语言描述及区域标注成本高昂的问题,提出了一种无需原始文本的主动学习框架。方法利用基础模型生成辅助区域 - 文本对,引入“指代区域模糊度”新获取函数以优先选择存在跨区域竞争的图片,并设计了高效的标注界面。实验表明该方法在 RIS 和 REC 基准上优于现有基线,用户研究显示描述标注速度最高提升 1.6 倍。
针对真实海洋场景难以获取配对增强参考的问题,该方法提出两阶段框架,利用 MediumRBF 构建介质感知高斯场景并共享估计。第二阶段通过外观转换共识校准视图变化,联合调整物体辐射度与介质外观以生成连贯的增强效果。实验表明其在提升新视角增强和跨视图一致性方面表现优异,代码与项目页面已公开。
arXiv 发布了一个包含 2022 至 2026 年欧洲 E 级路网车辆速度的数据集,数据源自 Copernicus Sentinel-2 Level-2A 卫星光学影像。
针对异构成像域下红外小目标检测任务中语义丢失导致泛化性差的问题,本文提出“先理解后检测”范式及 JinSight 模型。该模型通过语言监督构建全局红外目标理解,并将跨域表征迁移至精确检测;引入潜在语义交互机制在低秩空间交换全局语义与细粒度特征。此外,构建了 OmniIRST-VL 数据集,包含超 3.9 万条标注的六类指令任务,涵盖场景级理解与以目标为中心的推理。
WaiT 是一种感知频率的流匹配图像 Transformer,利用无损小波将生成分解为粗粒和细粒度频带,让高频噪声在低频结构出现前保持纯净以等待信号。该模型在 ImageNet 512x512 上实现了像素空间 FID 1.3 的新纪录,并在纹理保真度上优于最强的潜在空间模型。
针对视觉语言模型(如 CLIP)易受对抗攻击的问题,本文提出 CARE 协作对抗鲁棒性微调框架。该方法在训练过程中维护多个具有不同鲁棒特性的专家模型,通过嵌入空间对齐促进知识交换与整合,最终汇聚成单一统一模型以继承互补的鲁棒属性。实验表明,CARE 在经典图像分类及下游视觉语言任务中均能超越单独学习的模型专家,验证了跨模型专家协作学习在提升对抗鲁棒性方面的潜力。
该研究针对冻结的视觉语言模型(VLM)中常见的可学习门控机制进行了实验,发现跨熵微调下优化器总是将门关闭。通过双曲视觉关系图实验,作者归因于梯度死亡和负效用两种机制。消融测试表明,未归一化的门控前缀在推理时有害,而规范对齐设计行为上关闭但保留生成能力。研究开源了实现、检查点和结果文件。
Ocular Verification for Virtual Reality 研究针对 Meta Quest、Apple Vision Pro 等 VR 头显在 unconstrained acquisition 场景下的生物特征认证瓶颈,评估了 ISO/IEC 29794-6 指标局限性并引入生成模型处理离轴注视与非均匀光照。
该论文针对大视觉语言模型在工业异常检测中难以将判断转化为精确像素级定位的问题,提出了首个引入同策略自蒸馏的框架 MOPDA。该方法通过混合轨迹监督结合学生生成的部署相关路径与教师提供的证据条件化监督,并利用最终判断作为语义条件构建图像特定的正常与异常锚点以生成异常图。
研究团队提出 UAV-DualCog,这是首个将无人机智能体状态推理与世界状态推理进行联合评估的基准。该基准利用 SUSP 仿真平台与 DCCS 采集系统构建 4096 张图像和 2048 个视频样本,涵盖 12 个场景及共享的智能体 - 地标上下文。对 45 种多模态大语言模型的广泛评测显示,当前模型在无人机双认知任务中可靠性不足,状态推理弱于世界推理且语义回答缺乏空间时间配准。
AI 生成视频(AIGVs)通常包含帧间不一致导致的细微时序伪影。现有视频预训练骨干网因标准全局读出层过度压缩时空信息,导致在检测任务上表现不如图像预训练探针。
针对水下目标检测受场景域偏移影响大且现有基准缺乏真实环境表征的问题,该研究提出首个基于外观、场景构成及采集几何的领域标签框架。通过系统分析发现,人类标注质量与深度学习模型性能均存在显著的领域依赖性差异。引入物理意义的领域标签后,研究者能够量化并改进数据收集策略,从而提升检测器在多样化水下环境中的鲁棒性。
Mixture of Probes(MoP)提出一种通过探测机制解耦模态特定与通用信号的框架,解决推理时仅部分模态可用的问题。该方案引入 MoP-X 训练策略防止探测坍塌,在涵盖八项任务的四类模态评估中,相比强基线模型最高提升 65% 性能。代码、检查点及评估协议将于 https URL 公开,论文提交至 NeurIPS 2026。
针对 MERU、HyCoCLIP 和 PHyCLIP 七个检查点,审计发现其收敛后曲率半径远低于产生显著度畸变的阈值,且语义遍历与乱序测试均未检测到有效的全层级读出。研究指出低曲率捷径导致模型通过放宽蕴含锥而非学习顺序来抑制违规,证实这些公式在当前诊断下未展现可操作的径向或基于锥体的层级结构。作者据此提炼出五数几何报告以评估未来关于层级的主张。
CrosInv 提出了一种解决现有可逆神经网络存在单尺度特征提取及非线性表示能力不足问题的新架构。该模型通过引入跨尺度可逆模块与不可逆交叉稠密模块,利用像素重排和 Haar 小波变换实现空间频率信息的协同融合。实验验证表明,CrosInv 在同等分辨率下能显著提升图像隐藏后的视觉质量并有效完成消息隐蔽与还原任务。
该研究提出融合轻量级生成对抗网络(GAN)姿态前置化与忆阻器神经形态识别的人脸框架,在两个数据集上针对非正面视角变化实现了最高 96% 的识别准确率。此方法有效缓解了传统 AI 的计算瓶颈,为无人机等资源受限平台提供可扩展的高效解决方案。论文已上传至 arXiv,相关代码与数据许可状态未明确说明。
GWFP(Global Wildfire Prevention Dataset)是一个包含火焰、烟雾及水雾/浓烟等环境条件的大规模开源图像和视频数据集。该数据集涵盖全球真实场景的地理多样性数据,并包含近红外影像及困难负样本以评估模型鲁棒性。相关基准测试在 IEEE ICIP 2026 HydroImaging Workshop 发表,代码与数据已在 Kaggle 开放获取。
NIV 是一种将静态字体自动转换为功能完备的可变字体的方法,通过预测轮廓点位移实现多设计轴的连续几何变化。该方法在超过一百万个变化元组的新数据集上训练,能泛化至未见字符、风格及高复杂度汉字甚至手写输入,并支持现有渲染引擎的连续插值。研究团队开源了数据集、完整代码及预训练模型。
论文提出 SaluNet 架构,利用饱和自适应线性单元(SALU)替代传统归一化层,通过调整点算子的几何属性来稳定信号传播。实验表明该方法在 CIFAR-100 上优于孤立替换方案,支持 Batch Size 为 1 的训练,并在 ImageNet-1K 上成功扩展至 ResNet-50 和 ViT-B/16 模型。
论文针对医院脱敏胸部 X 光片公开但报告受限的场景,提出“选择性链接精度”指标以衡量 VLM 利用图像和元数据匹配报告的攻击能力。实验显示,在仅用性别、年龄和投照方式过滤后,MedSigLIP-448 的精度可达 67.68%;若加入获取年份属性,精度升至 99.05%。研究还发现扩大数据集规模会降低精度,且微调头部无法降低该风险。
针对单图估计日常物体 9D 姿态因缺乏大规模监督而困难的挑战,作者发布了 Every9D-22M 数据集。该数据集包含来自 11.4 万个以物体为中心的视频的 2280 万张真实图像,覆盖 630 个类别。
DuoGesture 将伴语手势合成解耦为语义流与节拍流,通过语义变分信息瓶颈协调两者并引入运动接地条件与惯性节拍先验。客观评估与主观实验显示该方法优于强基线,消融验证了各组件互补作用。项目演示与定性插图可在官方页面查看。
LiFT 框架将三维医学图像合成分解为切片生成与跨切片轨迹学习,在 BraTS 2023 和 SynthRAD2023 数据集上实现了高画质且保持解剖一致性。该方案主要采用二维合成架构,速度比全体积扩散基线快 390 倍,显著提升了通过平面连贯性。研究证明了轻量级跨切片轨迹学习是高效高分辨率三维医学合成的有效途径。
论文提出 ReLATE 方法,通过可学习锚点定义图像块和文本 token 的相对表示,仅优化锚点即可实现冻结编码器间的对齐。在 13 个通用领域基准上优于对比的后验对齐方法,并在病理学零样本分类任务中达到或超过专用模型性能。
该论文提出 GibbsLens 方法,解决预训练流匹配视频生成器在部分观测下的逆问题难题。通过引入内循环块条件伪吉布斯细化机制,该方法在保持轨迹遵循的同时提升视觉质量,并在 RealEstate10K 和 DAVIS 数据集上优于所有免训练及基于训练的竞争对手。
该论文提出了Aes3D框架,包含首个专注于3D场景美学评估的数据集Aesthetic3D和轻量级模型Aes3DGSNet。该方法直接基于3D高斯原语预测场景级美学分数,无需渲染多视角图像,从而降低了计算成本和硬件要求。实验表明该方法在保持轻量设计的同时实现了优异性能,为3D场景美学评估建立了新基准。
DiffCap-Bench 是一个涵盖十类差异的新颖基准,通过人类验证的差异列表和 LLM-as-a-Judge 协议评估多模态大模型在细粒度变化感知上的表现。实验揭示专有模型与开源模型存在显著性能差距,并指出推理能力对捕捉视觉变化的关键作用及模型扩展的局限。该基准代码将公开以支持后续研究,其结果与下游图像编辑数据构建质量高度相关。
针对动态点云预训练受限于掩码重建目标导致的时空位置泄露及多模态轨迹不确定性坍塌问题,本文提出 Diffusion Masked Pretraining (DiMP) 框架。
针对多模态模型遗忘(Machine Unlearning)缺乏有效评估的问题,本研究提出有效性门控审计(VGUA),通过检查数据泄露、评分器正确性与代码实现来验证评估管道。
针对大模型注意力机制无法直接应用于稠密目标跟踪的问题,本文提出 GateMOT 在线跟踪框架。其核心是 Q-Gated Attention,将 Query 转化为可学习的门控单元以调制 Key 特征,实现显式相关性选择并降低计算复杂度。
针对多亿参数扩散 Transformer 难以通过梯度微调去除不想要概念的痛点,作者提出 SHIFT 框架。该方法无需更新模型权重,仅通过在推理阶段对中间激活进行定向操作来实现概念抑制。单个时间无关的引导向量可泛化至所有去噪步长,且蒸馏模型的向量可有效迁移至非蒸馏版本。实验表明,SHIFT 在实现强概念抑制的同时保留了提示保真度和图像质量,并支持灵活的对象与风格控制。
针对自动车牌识别系统在低质量成像和安装不佳场景下的挑战,该工作将原有基准数据集规模扩大至原来的三倍以上,新增两天采集数据并修正标注错误。研究引入了车牌级、车辆级和图片级的细粒度标注,包括文本、可读性等级、车型颜色及相机身份等。
论文提出一种基于分数的插拔式(PnP)框架解释,证明可直接利用预训练分数基扩散模型作为先验,无需反向扩散采样。通过引入随机重噪声机制,该方法在严重不适定的逆任务中优化高斯平滑目标并避免严格鞍点。实验在多线圈 MRI 重建和大掩码图像修复等挑战任务上,相比传统 PnP 方法表现一致提升,性能与基于扩散的求解器竞争。
针对文本到视频扩散模型在推理阶段难以预判生成成败的问题,作者提出了一种实时检测(RI)模块与分层早期退出干预流程。该方法将潜在空间特征转换为中间视频预览以进行对齐评分,并在检测到失败时触发干预,相比事后重试可节省高达 2.64 倍的时间开销。
推荐理由:提出实时检测与早期干预机制,显著降低视频生成失败重试的计算开销。
该方法通过联合角度运动图像与 Token-Patch 晚期交互机制,解决了传统双编码器压缩全局嵌入而丢失局部对应关系的问题。在 HumanML3D 和 KIT-ML 数据集上的实验表明,其性能优于最先进文本 - 运动检索方法并提供可解释的细粒度对应。代码已随补充材料提供。
论文介绍视觉查询分割(VQS)这一新范式,旨在给定视觉查询时分割未剪辑视频中目标对象的所有像素级出现位置。为此构建了包含 4,111 个视频、超 130 万帧及 222 类对象的 VQS-4K 基准,所有数据均经人工精细标注。作者提出名为 VQ-SAM 的方法,通过利用目标与背景干扰线索并引入自适应记忆生成模块,在 VQS-4K 上取得优于现有方法的结果。基准代码已开源。
该方法利用 BIODISCOVER 双相机系统捕捉标本在乙醇柱中下落的图像序列,通过面积和下沉速度预测干质量。模型在复杂形态样本上实现个体误差中位数为 10%-20%,且群体分布与观测数据无显著差异。研究鼓励同时使用百分比误差和绝对误差作为评估指标,相关论文已发表于 Ecological Informatics。
该论文提出 LIPAR 框架,通过检测并跳过重复的潜在图块计算来提升视频生成速度,同时引入注意力恢复机制以消除剪枝带来的视觉伪影。实验显示该方法在 NVIDIA A6000 上将平均生成速率从基线的 8.4 FPS 提升至 12.2 FPS(提升 1.45 倍),且不降低生成质量,可无缝集成到扩散 Transformer 中而无需额外训练。
该 arXiv 位置论文主张现代视觉系统评估不应再主要依赖单一图像质量基准,因客观指标已偏离人类感知与用户偏好。文章呼吁在保留指标的同时,转向更以人为本、情境感知及细粒度的评估范式,以规避对创新与科研方向的误导风险。
最多提供 50 页,更早的内容请使用搜索或主题页。