FVScore:基于规范的神经符号视频评估框架发布
FVScore 通过编译显式命题与隐式约束,利用感知工具及线性时序逻辑算子对视频生成进行可解释性评估。在包含多事件的公开基准测试中,该框架在人类相关性上优于现有整体判断或智能体基线,并仅保留具有感知显著性的违规以校准报告。项目页面已提供,代码与权重许可状态待进一步确认。
FVScore 通过编译显式命题与隐式约束,利用感知工具及线性时序逻辑算子对视频生成进行可解释性评估。在包含多事件的公开基准测试中,该框架在人类相关性上优于现有整体判断或智能体基线,并仅保留具有感知显著性的违规以校准报告。项目页面已提供,代码与权重许可状态待进一步确认。
该论文提出一种三模态驾驶世界模型,旨在联合预测 RGB、热成像和 LiDAR 三种传感器的下一帧数据,以应对恶劣天气挑战。研究基于 DSERT-RoLL 数据集中的真实恶劣天气序列进行后训练,将 LiDAR 表示为与 RGB 相机对齐的深度视频,并通过模型的视频分词器优化稠密化与编码策略。
CHORD 是一种无需偏倚监督的多视图框架,利用类内分区代理候选偏倚,在视觉、语言、语音及医学成像等七个基准上提升了最弱势群体准确率。代码与检查点已公开,论文处于审稿中,解决了单一表征证据不全或含噪导致的模型失效问题。
该论文旨在加速生成机器人动作的自回归视觉语言动作模型(VLAs)。针对传统推测解码在机器人控制中因动作 token 冗余导致草案被频繁拒绝的问题,作者提出了 VSpark 方法。
SpatialCast 是一个利用投射阴影评估模型连接物理场景条件与视觉观察能力的基准,包含 21,000 个合成问题和 200 个真实场景问题。评测显示闭源多模态大语言模型优于通用开源权重及空间推理专用模型,后者在合成基准上表现接近随机猜测。研究还利用该数据对 GRPO 进行后训练,提升了开源模型性能并验证了其在外部空间基准上的迁移能力。
Unified Residual Translator(URT) 将固定通道映射与学习残差预测分离,在 MRI、可见光至红外及 SAR 转光学等六类任务上均优于基线。
论文提出 Risk Density RRT$^*$(RD-RRT$^*$),将碰撞风险直接作为高层规划目标以优化确定性环境中的路径。该方法在蒙特卡洛仿真中验证了近似保真度,能持续找到更低估计碰撞概率的路径。文章已接受发表于《国际机器人研究杂志》(IJRR),代码与权重暂未提及开放许可。
OmniTongue 是首个针对中医舌诊的细粒度视觉问答基准,整合了 1351 张专家验证图像与 21616 条指令对。该基准涵盖 16 个临床维度、区域特异性标注及 66 个精细标签,旨在评估多模态大模型在中医领域的真实理解能力而非统计捷径。现有模型在该基准上表现不佳,暴露出缺乏领域优势与过度依赖统计技巧的局限。
针对现有 AI 生成图检测器依赖生成样本导致泛化差、对非真实性特征敏感的问题,论文提出 SaySee 这一免训练检测方法。该方法通过成对描述构建生成方向并投影评分,同时利用真实图像校正格式与内容引起的偏移。在涵盖标准基准及最新生成器的 24 个评测集上,SaySee 平均 AUC 达 98.2%,优于现有最佳方法 4.2 个百分点。代码将开源。
论文提出 REVEAL 统一扩散框架,利用用户文本查询驱动开放词汇分割获取可见掩码,并通过光流将前帧可见内容传播至遮挡区域以提供形状先验,同时用文本约束纹理重建以保持视觉连贯性。作者贡献了 LAVAT 基准数据集用于评估重度遮挡下的视频非遮挡完成任务。实验表明该方法在现有基准上达到最先进性能且保持长序列时间一致性。材料为 arXiv 预印本,已接受 TMLR 发表。
推荐理由:提出 REVEAL 框架,结合光流与文本引导解决视频非遮挡重建难题,并开源 LAVAT 基准。
OVET-Consensus 是一种在保持时序专家排名列表默认不变的前提下,仅允许高置信度策略对排名第一进行覆盖的验证层。该方法结合父区间证据、Qwen3-VL 判断及 VideoLLaMA3 信号,在 QVHighlights 数据集上将 [email protected] 从 64.71% 提升至 65.35%,mAP 维持在 42.74%。
Anchored Residual Flow 利用免费 Sentinel-2 影像,在连续美国 69 个生态区实现 0.5 米精度树冠高度合成。确定性回归器 Anchor 仅用卫星输入即达 2.83 米 MAE,条件流匹配模型 AR-flow 将切片 Wasserstein 距离降至 0.208 但 MAE 升至 3.68 米。
针对现有 grounding 专家对指令变化敏感、生成式 VLM 难以完整恢复目标的问题,该研究提出 VLM-guided Grounding Expert(VGE),通过逐层联合注意力机制将冻结 VLM 的上下文表征与可训练的空间预测能力结合。
针对生成式策略缺乏任务进展保证的问题,本文引入基于物理仿真的推理时优化框架,评估候选动作片段并搜索满足任务收敛条件的运动。该方法结合区间 Lipschitz 约束与径向分位带限制源分布,支持欧氏及姿态值黎曼流匹配策略。在 PushT 和立方体堆叠任务中,成功率分别从 31.3% 提升至 88.5%,从 77.0% 提升至 86.0%;同时显著降低最大损失并减少分布外动作比例。
针对相机重访已知场景导致物体重复计数的难题,该研究提出 PlaceTally 模型,这是一种无需预先知道目标类别的测试时记忆模型,能为每个视频构建地方图。模型将视频片段与最佳早期匹配的地方合并或开启新地方,利用冻结的视觉语言模型从最多 128 帧中计数每个地方一次,确保输入有界且内存随地方数量增长,建图速度为实时速度的 15 倍。
Gradient-guided Random Search (GRS) 提出一种针对像素稀疏攻击的鲁棒性防御方法,在 CIFAR-10 与 ImageNet 模型上表现优于或持平于 sparse-AutoAttack。该方法仅需一次前向与反向传播,运行速度比 sAA 成员快 3.7 至 5.0 倍,且无需依赖集成测试即可有效抵抗局部搜索攻击。
Anchored Path Matching(APM)通过监督端点与短过渡预测,在 RoboTwin 2.0 上实现一步生成即支持多步联合推理。该方法在 Clean 演示集上将闭环成功率较基线提升 2.0 个百分点,视频 PSNR 从 30.169 升至 32.317 dB。真实机器人实验中,APM 相比八步教师模型将控制周期延迟降低 21.3 倍。
现有代理操作系统将预训练的视觉语言动作策略视为不透明的语言原语,在指令或场景扰动下无法调整行为。本文提出 InteractVLA 框架,通过双向几何接口使预训练流式 VLA 成为可被几何引导和检查的工具:正向利用测试时几何引导将末端执行器目标转化为输入梯度,反向暴露动作片段与相机重投影以诊断空间差异并修正后续调用。
推荐理由:提出 InteractVLA 框架,通过双向几何接口将预训练 VLA 转化为可交互工具,实现测试时几何引导与递归自我改进。
SemGeo 是一种高效的视觉定位框架,利用单个网格 token 进行粗略定位,并通过几何解码器并行恢复精确坐标。该方法引入高斯软标签联合训练提议生成与定位,强化后训练缓解教师强制训练与推理间的差异。
论文指出视觉语言模型(VLMs)作为零样本图像质量评估器时,其好坏判断与人类意见仅中度一致。层探针实验表明,图像质量信息在视觉编码器和最后一层语言层中均可线性解码,偏差主要源于最终输出层的读取机制,该层过度奖励色彩丰富度而低估清晰度。
动作条件化的世界模型虽能生成逼真的视频,却可能做出糟糕的规划决策。本文提出 CURE(Certify, Upweight, Rollout, Explore)技术,通过证书评估模型是否可信赖并决定后续操作:重新加权训练数据以去偏、测试时滚动更多样本或在支持缺失处探索新数据。
推荐理由:提出 CURE 证书引导技术,通过评估决策质量而非视频感知质量来诊断并改进用于规划的世界模型。
在 AudioFuse 模型中,尽管融合得分表现强劲,但频谱图分支因训练失衡而未被使用。研究提出包含删除分支、线性探测及单视图训练的三部分诊断方案,证实该架构单独训练 AUC 超 0.9 却存在早期优化不平衡。此现象仅在 PhysioNet 数据集观察到,ICBHI 或 CirCor 上未完全满足诊断标准,建议报告分支删除与未训练对照探针以验证各分支有效性。
论文提出 Fast Training-Free Low-Light Video Enhancement with a Frozen Image Diffusion Prior,在无需低光照训练数据和重新训练新相机的情况下增强低光照视频。
针对视觉世界模型在实体姿态和空间关系上的递归误差限制长视界规划问题,本文提出 Joint Graph--Visual Dynamics Correction (JointGV) 插件。
推荐理由:提出 JointGV 插件,在不重构视觉模型前提下利用图动力学修正长视界预测漂移,在 DMC 与真实倒立摆实验中显著降低误差。
MentalGrid 基准评估显示现有多模态大语言模型在无需视觉反馈的动态空间模拟任务中存在感知局限与推理不足。为此提出的三阶段课程学习框架利用 16k 专用样本训练出 SpatialWalker,其平均性能较基线提升 33.8%,超越 Gemini-3-Flash 等专有模型。该模型在跨域基准上保持 4.9% 的平均增益,证实空间模拟是构建广泛空间智能的关键基石。
针对不可靠感知下的集体估计问题,本文提出了 DGF-Asym 去中心化方法,通过基于回顾性预测性能的不对称同伴加权扩展了 DeGroot-Friedkin 模型。该方法无需先验传感器噪声统计或显式故障模型即可达成共识,并在异步通信下支持模拟群体导航任务。实验显示其在嘈杂观测和时变传感器故障场景下比三个基线更稳定且可靠维持决策标准,但决策时间更长,整体性能受故障比例、群体规模和影响力阈值选择影响。
FPF-DM 分解方案通过测度变换将状态依赖乘性噪声纳入粒子权重,恢复多项式形式泊松方程以支持闭式增益计算。该方法在四元数和对偶四元数流形上实现,10 个粒子的仿真验证其在 4D 姿态跟踪与 8D 点云配准任务中优于基线滤波器。该预印本论文未开源代码或权重,仅作为非线性滤波新理论提出。
该技术提出一种基于半透明三角形的场景表示方法,通过推导三角形泼溅窗口在像素上的精确闭式解实现抗锯齿。该方法无需重新训练即可消除现有模型的严重混叠效应,相比 2x2 超采样展现出更少的时域混叠并支持多尺度训练。实验表明其在降低分辨率下能匹配或超越超采样训练效果,且仅剔除无法达到渲染器 alpha 截止值的三角形以优化性能。
该论文针对高光谱图像(HSI)和激光雷达数据中模态特征判别可靠性空间变化未被显式建模的问题,提出了 ReDF 框架。该方法通过类原型库量化各位置特征的可靠性,利用估计出的可靠性构建加权共享表示并指导基于邻域一致性的双向跨模态特征修正,进而自适应调整融合表示中各模态的贡献度。在三个公开数据集上的实验表明,其整体准确率和 Kappa 系数均优于对比方法。
针对视觉定位中环境变化大与计算资源受限的挑战,本文提出 EfficientVPR 轻量级单阶段框架。该方法利用场景感知视觉提示调优以少量参数适配预训练特征,并结合实例依赖的关键局部特征增强模块强化判别区域。
该研究针对跨机构的临床任务适配问题,利用配对腹部 CT 扫描和放射学报告对预训练的 3D 医学 VLM 进行了自监督适应。实验对比了全量微调与参数高效微调(PEFT)两种策略:全量微调收敛快但易过拟合,而 PEFT(图像编码器用 ConvLoRA,文本编码器用 LoRA)在更新约 1% 参数的情况下达到了相当的性能,AUC 为 0.79,F1 为 0.70。
该研究指出当前指令引导的视频编辑奖励模型常因过度追求时间一致性而导致“运动坍塌”,在 VE-Bench 基准上对抑制了运动的候选项选择率高达 97%。为此,作者提出一种结合 RGB 帧差流与针对运动抑制及伪造运动负样本进行偏好训练的运动感知奖励模型,并通过蒸馏锚点保持与人类质量判断的一致性。
该论文提出保护性扩散模型(PDM),通过蒸馏迭代教师网络并结合目标残差投影损失进行后训练,实现了一次训练即可为多张新图像生成扰动样本。该方法在人脸和艺术作品等任务上优于九个基线模型,且成本仅为教师的十分之一。材料为预印本版本,未提及同行评审状态或具体部署场景。
论文介绍 Progress Predicts Policy (PPP),该方法通过学习语言条件的标量场并利用其微分诱导命令,结合共享世界模型读取动作梯度以生成连续或离散动作控制。实验表明,在无需额外标注的情况下,仅拟合演示进度值即可实现优于行为克隆的策略性能,适用于仿真与真实机器人操作任务。
推荐理由:该工作提出通过语言条件标量场学习混合策略,无需独立动作头或迭代搜索,在仿真与真实机器人操作中优于行为克隆。
Guoping Xu 等人提出 LeViT-UNet++,这是一种旨在平衡局部细节保留与全局上下文建模的高效编码器 - 解码器架构。该模型引入 Haar 小波多尺度下采样模块以分解特征表示并提取多尺度结构信息,同时开发基于深度卷积的解码器来融合 Transformer 块的全局表示与局部空间特征。
论文提出了 PRUDENT 方法,用于加速大型视觉语言模型(VLM)。该方法利用一个小 VLM 对剪枝后结果的异议信号,将节省下来的计算资源重新分配给那些小 VLM 认为不可靠的问题进行二次回答。在 18 个基准测试中,PRUDENT 在相同的平均视觉 Token 预算下优于八种现有的剪枝方法,且在预算更紧张时优势更大。代码和数据已公开。
推荐理由:提出 PRUDENT 方法,利用小 VLM 对剪枝结果的异议来重新分配视觉 Token,在多个基准上优于现有方法。
针对手动从参考视频中重建动画三维块状布局成本高、限制创作者使用及配对训练数据生产的问题,该工作提出 MAVE 框架与 MAVEBench 基准。MAVE 结合度量观察、代理建模和基于证据的验证,在共享度量坐标系中恢复相机、人物运动及几何证据,由代理构建受约束的可编辑环境,并通过程序化检查报告不一致性以指导优化。
推荐理由:该工作提出 MAVE 框架与基准,从电影镜头重建可编辑三维场景,为视频生成提供结构化条件。
Sample-Aligned Decoders (SAD) 通过样本对齐与编码器锚点保留技术,解决潜在生成模型在测试时未见真实潜变量的分布差异问题。该方法在不增加推理开销的前提下,将 REPA-E 的 FID-50K 指标从 1.15 提升至 0.98,并兼容判别器引导及文生图任务。代码与模型已开源,适用于 ImageNet 等主流生成架构。
论文提出 VoxelSBFL 方法,将工作空间划分为体素以替代传统代码元素进行故障定位分析。该方法结合工具中心点轨迹与执行结果构建可疑度地图,能在无需访问模型内部的情况下识别高失败风险区域并评分未见过轨迹。
MedImgAnnotator 是一款集成编辑、掩码匹配及插件管理的半自动批量标注工具,将主动标注时间从开源工具的 206.5±32.87 秒降至 59 秒。该工具已在 MICCAI 2026 CARE Challenge 肝分割优胜者处用于处理 6412 个 MRI 容积数据,且经 12 名用户评估显著提升了易用性。目前提供可执行文件与 Python 脚本版本供下载。