RetroCBM:一种用于无示例类增量学习的回溯概念瓶颈模型
该论文提出了 RetroCBM 方法,旨在解决无示例类增量学习(EFCIL)中旧概念在新任务下被忽视的问题。该方法通过保留冻结视觉特征与预训练多模态模型嵌入空间之间的词汇无关统计量,利用回溯回归规则监督新概念,并引入图加权惩罚以修正系统误差对分类的影响。实验显示,RetroCBM 在六个数据集上均优于最先进的可解释方法,平均增量准确率相对最强无示例基线提升 18.1%。
该论文提出了 RetroCBM 方法,旨在解决无示例类增量学习(EFCIL)中旧概念在新任务下被忽视的问题。该方法通过保留冻结视觉特征与预训练多模态模型嵌入空间之间的词汇无关统计量,利用回溯回归规则监督新概念,并引入图加权惩罚以修正系统误差对分类的影响。实验显示,RetroCBM 在六个数据集上均优于最先进的可解释方法,平均增量准确率相对最强无示例基线提升 18.1%。
该论文提出 NativeSeg 框架,利用 LoRA 适配的 Qwen3.8-27B 模型在 2D 空间视觉 Token 上直接进行密集掩码解码、体积分级和局部放大,无需外部 SAM 解码器。实验显示该方法在成人 CT 上将 Round 0 DSC 提升约 19.81 分点,并在儿科数据上实现 87.04% 的零样本分割精度,同时能安全地优化现有 2D nnU-Net 等基线模型。
针对现有文本到图像生成模型在复杂任务中无法充分利用图像语义且易产生幻觉的问题,本文提出了 MLIE-CoT 框架。该方法学习从三个层级选择图像修复粒度,保留正确语义并减少错误内容干扰;同时构建了包含不同错误案例的图像修复数据集以训练路由网络,引导多模态模型将不同严重程度的错误导向合适的修复层级。实验表明,MLIE-CoT 在多个基准测试中显著优于基线模型及固定策略方法。
针对视觉语言模型处理长交错输入时预填充耗时过长的问题,论文提出 SkimPrefill 方法。该方法利用一个未训练的小型混合模型(Qwen3.5-0.8B)在低分辨率下快速读取完整输入并筛选关键单元,将其作为精简提示词传递给目标大模型。
论文提出了一种构造性无限次可微引导向量场(GVF),旨在解决现有 GVF 框架在需要信号导数的级联控制器中存在的非可导性或大梯度问题。该方法通过引入平滑参数实现了对原有方法的推广,并在该参数趋近于零时恢复原始 GVF。研究建立了主要理论性质,并通过数值和真实世界实验展示了其在保持离散化下光滑性、减少曲线采样数以降低计算时间以及维持小路径跟踪误差方面的优势。
PhysResponse 是一个用于评估视频生成模型物理参数响应能力的基准,包含场景条件模拟器反演和事件评估两个层级。研究对十种图像到视频模型进行测试,发现其重力、摩擦力和初速度等参数误差远超物理正确视频,且难以复现临界过渡结果。作者构建了包含 20 类多物体交互的 72,000 个合成视频用于微调,结果显示该方法能降低参数误差并迁移至真实视频及外部基准。
研究揭示当音频 token 在 CLIP 文本空间处于几何位移且语义未锚定位置时,扩散 U-Net 难以可靠关注或定位。通过对比 BEATs 和 CLAP 嵌入分析发现,CLAP 在类内紧凑性、角度对齐及空间分离三项属性上均优于 BEATs,提升轮廓分数超 3 倍。
StrideWorld 引入固定参考几何与步幅策略,揭示除一个模型外所有开源模型在相机移动时均发生形变,最大偏移达真实渲染的 7.3 倍。该基准通过验证渲染视频证明评分符合人类判断,并发现仅缩放命令深度的两个模型能保持路线终点预测准确。代码、数据及排行榜已公开,支持微调以消除途中停滞问题。
RAPID 是一种几何优先框架,通过整合表面法线到深度图并利用多视角偏振线索恢复稠密表面先验,解决了高斯泼溅在反射和弱纹理区域的优化难题。实验显示该方法相比 PhyGaP 速度提升约 5 倍,平均优化时间从 21 分钟降至 4 分钟,同时保持了具有竞争力的新视角合成质量和网格重建精度。
Reliable Tree Recruitment 框架利用 RGB UAV 正射影像,经最多五次迭代将阿克雷州保留树冠从约 500 增至 960、马兰昂州从约 700 增至超 3100。其树冠级 F1 达 92.2%,显著优于单任务与多任务 DeepLabV3 基线(分别为 53.5% 和 45.2%)。该方法仅需少量标注即可在热带森林中以消费级无人机低成本扩展物种库存。
针对标注昂贵且资源受限的复杂数据集,该研究提出基于 YOLO-World 特征聚类的主动学习框架,优化目标检测训练初期样本选择。在 Aquarium 和 NWPU VHR-10 数据集上,该方法使图像评估 mAP50 平均提升 6.6%,物体评估提升约 11%。算法实现代码已公开,验证了基础模型在早期循环中的优势。
该论文针对 Representation Alignment (REPA) 方法中固定监督层的局限,提出 AdaREPA 框架。该方法通过测量流匹配与对齐目标之间的梯度兼容性,以 softmax 分布在线采样最佳监督层,从而适应学生模型随训练进程变化的学习需求。实验表明,在 ImageNet-256 上,AdaREPA 能加速收敛并提升生成质量,且无额外推理成本。
针对端到端自动驾驶系统存在的捷径学习与因果混淆问题,本文利用视觉语言模型(VLM)探讨了基于语言的反事实推理是否真正提升了因果理解能力。实验表明,该推理方式虽使行为分布转向更保守的策略并增加不确定性,但并未改变视觉定位基础;在事故场景下掩蔽因果相关与非因果因素产生的决策变化率相当。
针对未知环境中机器人的物体搜索任务,本文提出了 SearchDiffusion 这一基于扩散的规划器。该方法利用学习到的稠密效用图生成位置和航向轨迹,该地图表征了几何可达性、有用可见性和语义进展,并为采样提供目标函数。
论文介绍 CanopyKV,一种无需训练的 KV 缓存压缩框架,旨在解决主动视觉推理中因累积裁剪和推理 token 导致的显存膨胀问题。该方法利用父子裁剪关系区分被替换证据与未来探索所需的互补信息,通过工具元数据提供保留信号并减少后续注意力成本。
针对现有视觉检索模型缺乏显式协调结构与细粒度线索的问题,本文提出双向槽注意力(BiSA)机制。该方法将特征聚合重构为迭代耦合系统,利用共享亲和度沿竞争轴与选择轴两个互补维度进行渐进式细化:竞争轴决定令牌归属并诱导非冗余场景分解,选择轴控制响应广度以覆盖从宏观布局到稀疏细节的谱系。
针对全切片图像分析中平均分割精度掩盖局部失败的问题,本文提出 SCOUT 风险引导级联架构。该方法利用轻量审计网络评估分割误差分布并优先处理候选区域,结合冻结病理基础模型与初始掩膜进行非对称共识融合,以在减少漏检的同时限制假阳性。
针对视觉语言动作(VLA)模型因相机或机器人基座微小位移导致操作失败的问题,本文提出 WACO 世界锚定规范框架。该框架利用机械臂正运动学作为度量校准目标、静态场景作为世界锚点,无需真值外参即可从单帧 RGB-D 图像估计位姿偏移并规范化输入与策略。
OCTR2A 架构利用变高度对向角落 RGB 相机,在单张消费级 GPU 上以 10Hz 频率实现实时轨迹投影与预测。该方法在真实场景下达到 0.144/0.154 米 ADE/FDE,较 SIND 基准最强方法提升 66.7%/41.7%。研究配套开源了基于 Blender 的合成基准 R3ST++ 以支持特定站点微调与域适应。
该研究调查了权重编辑是否能改变模型在处理承诺与惠及更多人之间的权衡方式。在概念监督的文本模型中,通过调整拟合选择权重,使覆盖正式承诺所需的收益大于普通承诺。实验显示该方法在六种独立训练的文本阅读器上,对 100% 的目标普通冲突和 83.3% 的目标正式冲突均能选出较大群体,同时保留了小冲突的成功率和事实准确性。
Pixel2Perspective 提出面向具身智能的跨域泛化基准,涵盖空中与地面视角及红外等多传感器数据。该工作评估 CLIP 等基础模型在恶劣天气、仿真到现实场景下的开放词汇分割能力,并引入 MSRIQ 框架联合量化不确定性。项目页面与数据集已公开,旨在推动开放世界具身智能感知系统的鲁棒性研究。
EmergeFuse 提出一种基于像素级的 RGB-IR 融合框架,通过类相关热线索选择与文本对比图像校正,解决红外信息干扰 RGB-语言对齐的问题。实验在三个基准上显示,该方法相比现有融合方法,未见类别 mIoU 提升最高达 4.755%,严格互补转换率提升 15.730%。该研究旨在增强恶劣光照下的视觉感知能力,同时保持可靠的 RGB 预测结果。
该论文提出 SBEE(Simultaneous Base and Elevation Estimation)框架,旨在解决腿部机器人在视觉退化环境中仅依赖本体感知时产生的垂直漂移问题。
针对视觉基础模型产生的粗粒度特征需恢复至像素级分辨率的问题,提出 AnchorUp 方法。该方法保留参数无关的经典双线性插值作为“锚点”以处理平滑区域,仅通过轻量引导网络预测边缘与细节的修正量,并融合两者。
CROMPT 提出一种针对语义分割的零样本域自适应框架,引入跨模态特征增强与渐进式难易适应策略。在两个基准数据集上,该方法相比强基线及最先进方法均取得提升,mIoU 增益达 1.63%-2.63% 且推理复杂度保持不变。该工作为恶劣天气下的鲁棒分割提供了高效解决方案,代码与论文已公开。
研究团队开发了一套结合内窥镜机器人与数据流传输的网络仿真与基准测试框架,用于系统评估网络性能对物理导航及操作员体验的影响。该框架在八名临床医生和工程学生参与的 480 次导航尝试中验证了效果:在最恶劣组合条件下成功率降至 78.1%,平均耗时从 63.5 秒增至 94.3 秒;5% 丢包率下虽仍有 87.5% 的成功率,但所有受试者均认为该条件不可接受。
QDD-MM 是一种利用准直驱电机实现的简单紧凑肌肉模块,相比现有设计具备更高反向传动性和更快的动作速度。该模块无需专用力传感机制,支持多方向布线及模块化连接,其设计已公开并提供可复用的开源实现。研究团队使用单关节机器人(含两或三肌)及部分人形机器人验证了 QDD-MM 的有效性,相关工作已被 IEEE-RAS Humanoids 2026 接收。
论文提出 SAFI 方法,旨在解决红外与可见光视频在高帧率融合及插值时因相机速率差异或观测缺失引发的误差累积与亮度闪烁问题。该方法利用目标时刻的语义信息引导联合处理:当可见光帧可用时提供直接上下文;缺失时则通过运动引导局部匹配并从邻帧传播恢复语义。实验在三个数据集上验证了其在视觉质量、计算效率及不同输入速率下的时序增益,同时保持了下游跟踪性能。代码已公开。
论文提出 Set-valued Relabeling of Autonomous experience (SeRA) 框架,解决现有方法浪费自主经验或强化次优行为的问题。
该论文提出 ActiveForager,这是一种针对直播视频的流式处理智能体,旨在解决严格内存和延迟限制下的问答问题。该方法维护一个干净的短工作窗口,仅在需要时按需收集额外证据(如放大高分辨率帧、回忆历史事件或等待未来帧)。
论文提出了 LookAway 方法,解决视觉语言模型在处理长视频时持续读取关键值缓存(KV cache)的高计算开销问题。该方法让模型先在视频中写下带时间戳的笔记以记录关键信息,随后在推理过程中隐藏视频 KV Cache。
针对现有机器人超声引导针头干预主要关注定位而忽视后续样本获取的问题,该工作提出统一框架,利用单真空辅助末端执行器结合力控扫描、语义识别与自动部署,实现胸腔积液抽吸与组织活检。
针对长序列视频生成中注意力计算成本高的问题,该研究提出了 Spark-Attn 方法并集成至 MiniMax-H3 模型。该方法包含无需训练的 Spark-Reblock(递归按注意力偏好分组)和 Spark-Reweight(利用全局均值查询校准压缩块的注意力质量)。
One Shot Any View 系统利用源视频和显式 3D 先验,生成沿用户指定相机轨迹的同场表演重拍视频。该系统通过训练推理一致性及几何锚定 RoPE 偏移解决长焦浅景深导致的退化问题,并支持可选角色与场景参考图补充外观。在客观与人机评估中,One Shot Any View 均优于现有重拍方法。
该论文提出了 CityNav-VLA,一种用于城市空中导航的视觉 - 语言 - 动作(VLA)模型。其核心创新在于整合动态地心感知与持久的allocentric空间记忆,将飞行中收集的观测累积到固定北向地图上以支持长程导航。
论文 CommDreamer 提出一种融合原始车载 3D LiDAR、多小区蜂窝报告和相对运动学的无线电几何世界模型,利用分类递归状态空间模型压缩多模态测量历史以推断局部避障和方向性 SINR 动态。
针对Landsat 30米分辨率地表温度受云层污染的问题,作者提出A^2E^2端到端U-Net模型,融合年度温度循环物理先验、地球系统建模粗粒度数据及AlphaEarth嵌入。实验在纽约市2022年四组季节性场景上验证,该方法将误差降低60.1%(相对无空间校正基线)和3.7%(相对于年均光谱反射率引导的U-Net)。独立ECOSTRESS验证表明地球基础模型嵌入优于传统光谱波段。
论文提出了 ViLFlow(Vision-Language Flow),一种结合输出嵌入联合建模与并行令牌解码的连续流视觉 - 语言模型。该方法通过学习的图像引导和预测感知令牌解码,将预训练的连续语言生成适配到视觉问答和图片描述任务。
GRAM 是一种受心理测量学分级反应模型启发的感知质量表征学习框架,通过潜质、内容敏感度和失真阈值三个因素优化图像质量评估模型的核集选择。在九个数据集上的实验表明,该方法能提升不同选择策略及下游 IQA 模型的性能并降低标注预算。代码将公开提供。
该研究提出 ProbeShare 方法,旨在解决标准交叉熵规划器在评估候选动作序列时存在的冗余计算问题。作者观察到同一规划步内的候选者共享观测历史及特征映射关系,因此利用少量代表性探测点测量局部响应,并通过场景条件化的几何感知加权重构每个候选者的特征网格。