MambaVision 在胸部 X 光分类任务中通过替换第四阶段实现参数与精度权衡
MambaVision 混合架构将大部分参数置于最宽第四阶段,研究将其替换为轻量级状态空间块以量化贡献。在 Tiny 和 Small 规模下,该操作减少 35.7% 参数量并提升 GPU 吞吐量 19.3%,但无蒸馏时 ChestMNIST 曲线下面积均值下降 0.004;知识蒸馏可缩小差距至 0.001-0.002。
MambaVision 混合架构将大部分参数置于最宽第四阶段,研究将其替换为轻量级状态空间块以量化贡献。在 Tiny 和 Small 规模下,该操作减少 35.7% 参数量并提升 GPU 吞吐量 19.3%,但无蒸馏时 ChestMNIST 曲线下面积均值下降 0.004;知识蒸馏可缩小差距至 0.001-0.002。
针对点云视频自监督学习中存在的几何位置与时间掩码导致的信息泄露问题,论文提出了 PointWM 方法。该方法通过仅使用目标最后一次出现的位置和时间戳进行查询,并学习无需标注的潜在动作来预测未来帧的特征与几何结构,从而将任务从补全转变为真正的因果预测。
推荐理由:提出 PointWM 方法解决点云视频预训练中的信息泄露问题,在 HOI4D 任务上显著优于从头训练。
论文提出 Glance-ETD 框架,通过轻量级问题条件评分器分两阶段减少视觉 token。第一阶段以低分辨率概览图像并仅重编码相关问题区域;第二阶段结合多样性与预测证据选择最终 token,确保覆盖场景且保留答案。
论文测试了零配对跨模态对齐的可行性,发现仅在自然图像数据集成功,而环境音频、胸部 X 光及 CT 等失败,分析表明需先定位共变子空间。为此提出 LightAlign 方法:利用少量配对数据通过岭回归同时确定映射位置与方向,并用文本分类器预测医学影像中的诊断结果。在 3D CT 任务上,该方法仅需约 200 对数据即可超越端到端训练的模型,且在未见过的医院数据集上也表现优异。
论文提出 Two-Stage Prompt Learning (TSPL) 框架,解决现有方法依赖固定指令且难以处理未知换衣场景的问题。第一阶段在冻结编码器下解耦服装与身份特征;第二阶段利用可学习上下文嵌入训练图像编码器,实现跨同衣、换衣及未知场景的鲁棒适应。实验显示该方法在 LTCC 和 VC-Clothes 基准上分别提升 mAP 9.2% 和 6.4%,代码将开源。
HEmIF-Bench 基准评测显示,MIPHEI-ViT 在五项病理任务中领先但内部特征优于生成输出,且未超越 UNI2。该基准解耦编码器与生成结果,涵盖分子至患者尺度八数据集,验证像素保真度不等于下游效用。研究指出当前配对数据规模下的生成模型尚未超越大规模纯 H&E 基础模型,需更大规模数据突破。
现有基于反馈的在线视觉语言导航方法主要依赖当前回合结果,未充分利用既往反馈。受人类情景记忆启发,本文提出 R2A 框架,通过成功 - 失败记忆模块保留并检索历史经验,结合先验锚定适应机制强化成功轨迹、抑制失败路径以稳定策略更新。实验在 REVERIE、R2R 和 R2R-CE 三个基准及五个导航骨干网络上验证,在 REVERIE 未见测试集上显著提升了 DUET 模型的 SR 与 SPL 指标。
本文研究路缘是否可通行的感知问题,指出同一场景对不同辅助移动工具用户存在不同判断,单一标签不适用。作者提出 PassCal 方法,通过冻结的视觉语言模型提取场景描述,结合基于 1.49 万份公开审计训练的检测器预测障碍属性,再根据少量(如 8 个)新用户的回答拟合其响应风格与权重进行校准。
该研究针对特征金字塔中各输出位置应聚合哪些层级信息的问题,提出允许每个位置动态关注多尺度特征的机制。实验发现,细粒度输出网格约 75% 的注意力分配给两层更粗的特征,且随物体尺寸增大平衡向更粗特征倾斜。
该研究在 MMEB-V2 基准的 78 个数据集上验证,标准附加循环使检索分数下降 0.46 分,而中间生成阶段则提升 0.36 分。预训练引入循环的模型相比去环控制组增益 4.23 分,且在视觉问答与文本定位任务中受益于查询条件化的图像更新。研究区分了前向信息流保持查询独立性与双向注意力下的状态敏感性机制。
针对现实风险常具视觉细微性或处于边缘导致现有模型失效的问题,本文提出 Fine-Grained RLAIF(FGR)框架,将图像局部放大操作建模为可学习的感知策略。
Drift-Conditioned Structural Replay Loss(DCSRL)通过源参考知识漂移调节解剖结构保持,在 CAMUS、CardiacNet 和 EchoNet-Dynamic 数据集上优于正则化及重放基线。
论文介绍 TIVS(Token Identity Versus Statistics),一个无需训练的干预框架,用于在受控条件下分别研究序列排列、令牌保留、数值精度和统计替换对冻结解码器的影响。
针对基于毫米波雷达的点云模型在家具环境中部署时性能下降的问题,本文提出 Floorplan-Context-Aware (FCA) 增强方法,通过引入主体与家具的相对位置信息并采用伪地标策略进行训练。
针对现有空间模型泛化差、语义模型缺失空间特征的问题,该研究引入能联合双耳音频与视觉进行时空推理的新模型。通过开发自动管线定位声源并渲染双耳音频以扩展 VGGSound 数据集规模,实现了在空间推理任务上的性能提升及更好的泛化能力。
该研究提出一种利用航拍图像自动生成多级一致地图的新框架,包含感知层级与感知一致性两个生成器。团队构建了大规模高质量数据集 Multi-Level Map (MLM),实验表明该方法在综合定量指标和感知质量上均优于现有最先进方法。论文代码与数据处于预印本阶段,尚未正式开源或商用。
针对无人机图像分类在大数据集、GPU 及重框架依赖下的局限,本文提出一种无需 GPU 且具备高可解释性的轻量级算法。该方法利用二维色相 - 饱和度直方图特征表示,结合地球移动距离或二次型距离与对数似然概率分数进行分类。
论文介绍 RelMLLM,一种专门用于处理 RGB 和热红外(TIR)传感器输入的 RGB-T 多模态大语言模型。该模型通过显式学习跨模态关系来改进特定任务的决策制定,将模态可靠性、跨模态关系及主导模态表示为可验证的决策状态。
InvarOrd 模型仅需每等级 5 个样本(共 30 个)即可在三种阶段内适应新鱼种,其 42.3K 参数学生网络比教师小 2.54 倍。该方法在鲑鱼与鳕鱼配对数据上实现 1.476 天平均绝对误差和 56.1% 一日内准确率,优于仅目标训练 0.29 天且推理延迟为每立方体 1.44ms。论文已被 IEEE TAFE 接收,代码与权重开放许可。
该论文提出 Projection-based Top-k Attention Head Suppression 方法,旨在缓解扩散模型的训练样本记忆化问题。研究发现记忆化主要由少数具有异常强语义控制的浅层注意力头驱动。
SRDP(Soft-interior Rim Dense-grid Pooling)是一种无需训练的几何感知读出方法,将冻结的 PFM 晶格转化为与掩码对齐的细粒度细胞表征。
针对真实世界夜间图像增强因缺乏严格配对的日 - 夜数据及复杂退化导致的泛化难题,论文提出 MrLIE 框架。该方法利用多模态大语言模型(MLLM)作为高保真参考合成器与诊断评论家,直接从退化的夜间观测中迭代生成、诊断并校正正常光照参考图。
LC-ISP 是一个大规模基准,由相机实时预览流与离线采集流的内在差距构建而成,包含 53.9k 组空间对齐数据,覆盖昼夜、室内外及 HDR 场景。该基准提供用于模块化监督的采集流中间数据,并开发了一个在 2.5-GFLOP 预算下优于最强单帧基线(PSNR 提升超 2 dB)的两阶段轻量级基线模型。
针对预训练视觉语言模型在多域任务增量学习中面临的遗忘与适配难题,研究提出 TSP-DLoRA 方法。该方法利用任务子空间投影区分已知未知任务,并通过动态分配低秩适配器平衡性能与参数成本。在 11 个数据集上的三项指标实验验证了该方法的有效性,代码已开源。
EviRef 是一种无需训练的计算机视觉方法,通过为每类证据构建独立参考记忆来验证场景规则。该方法在 VID-AD 数据集上,仅用每个任务 20 张正常图像即可实现平均 AUROC 92.1%,优于使用 50 张图像的对比方法。其组件原型可解析任意捕获条件下的图像,且支持文本等额外证据通过任务级门控机制接入。
针对视频跌倒检测中陌生摄像头与稀缺本地标签的挑战,该研究分析了 OmniFall 和 AI-Hub 数据集共 2,697 个片段,验证了多源联合训练对跨数据集检测的提升。
论文提出了 DecoEdit 框架,旨在解决当前多模态图像编辑局限于二维平面控制(如文本提示、边界框)的难题。该工作构建了包含 160 万样本的 DecoDataset 数据集和 DecoBench 基准测试,并设计了一种解耦管道:利用 SAM-3D 的结构引导锚定目标几何、比例和空间方向,同时通过细节保留路径锁定高保真纹理。
RAVEN-Bench 引入包含 100 对时序对齐 EO-IR 视频及 1200 道人工审核的四选一问答题,支持单模态与配对评估以诊断跨光谱推理能力。该基准在 NeurIPS 2026 数据集与评测轨道被接收,代码和数据已开源,旨在验证 RGB 视频模型进展是否有效迁移至低空多模态理解任务。
针对现有不确定性估计器难以区分字段级推理误差且忽视视觉退化问题,本文提出 FiReIQ 框架,通过结合单生成过程的字段对齐推理信号与局部全局图像质量特征进行质量条件化视觉融合。研究构建了涵盖金融票据和法律合同的 FiReIQ-Bench 基准,实验表明该方法在私有金融服务数据上将 AUROC 提升 6.8%,95% 精度下的覆盖率提升 10.6%,有效降低了人工复核需求并提升了文档自动化可靠性。
推荐理由:FiReIQ 框架结合推理信号与图像质量特征,在金融票据等文档提取任务中显著提升了置信度判别能力。
该论文针对非 RGB 科学成像(如生物、医学和卫星图像)中数据集通道组成异质性的问题,提出 DINO BoC 方法。研究发现,在大规模数据训练下,独立编码通道的策略显著优于联合编码方法。该方法在从细胞显微镜到地理空间图像的广泛实验验证中表现优异,特别是在分布外任务和无见过组合的泛化上达到新的 SOTA。作者开源了用于荧光显微镜的新型通用特征提取器的代码和模型权重。
推荐理由:论文提出 DINO BoC 方法,证明在大规模数据下独立编码通道优于联合编码,并在荧光显微镜等基准上刷新 SOTA。
Agri-MRAG 提出语义一致性引导聚类与参数化知识注入策略,将检索知识编码为 LoRA 适配器并融合至 MLLM 前馈网络层。该框架在 PlantVillageVQA 和含 7,514 张图像的 PlantVQA 数据集上 ROUGE-L 分别达 41.21 与 46.58,较 mRAG 提升 11.70 分。
arXiv 论文 LiNO 针对自动驾驶车辆的占用估计任务,提出了一种结合相机与雷达传感器的实时轻量级架构。该方法通过残差多阶段头设计替代了以往依赖重型纯相机模块的方案,并引入特定任务的数据增强策略以提升泛化能力。
该研究探讨了在图像编辑中采用通道拼接(channel-wise concatenation)作为序列拼接的低成本替代方案,以保留源图像的结构布局。基于 FLUX.2 Klein 4B 基座模型,该方法仅需展宽输入投影即可实现像素对齐的输出,并保持了原始序列长度与较低的注意力成本。
LVRE 是一种免训练的视觉代理,旨在解决光学化学结构识别中全图再生引入回退误差的问题。该方法结合高分辨率裁剪、全局图表与局部邻域进行针对性检查,由确定性控制器验证修改并由视觉审查模块仲裁提交或回滚。
T2T 提出全自动流水线,将桌面、Web 及移动端未标注视频教程转化为结构化可执行交互轨迹。该管线结合主动片段过滤与两阶段动作空间归一化,在百万级无人类标注样本上微调 Qwen3-VL-8B。模型在 OSWorld-G、ScreenSpot-Pro 等基准实现跨应用泛化提升,且无需目标域分布内训练数据。
基于富士山周边 FujiView 网络,研究发现 gamification 机制能更有效地维持长期标注参与而非提升速度或一致性。在细粒度任务中,众包投票与单标注参考仅在 49.1% 的精确可见性类别上匹配,分组后提升至 90.2%。五轮重复实验显示,使用 25% 标签池的模型平均仅比全量池模型低 2.8 个百分点,为规划标注投入提供了实证依据。
论文 CompHall 通过受控实验评估了硬负样本微调对多模态大语言模型组合推理能力的影响。研究发现,修正后的损失函数能显著提升空间关系问题的准确率,但该方法存在图像幻觉无关性、泛化能力有限以及引入肯定偏置等局限。
推荐理由:该文通过受控实验揭示了硬负样本微调对多模态大模型组合推理能力的具体提升幅度与局限性,并指出了该方法引入的偏置问题。
ARC-VLN 提出一种 token 类型感知的递归计算框架,在文本与动作 token 保留全深度计算的同时,为视觉 token 自适应选择退出深度以压缩序列。该模型在 OpenFly 的 Test-Seen 和 Test-Unseen 子集上实现了最低的导航误差、最高的成功率及路径加权成功率,并显著减少了决策步数、浮点运算量、推理时间和显存占用。
PACTHub 是一个包含 1,464 个采集组和 99,810 次曝光的大规模三维光声计算机断层扫描(PACT)结构化实验数据集,涵盖动物、体模及人体测量。该数据集提供统一的 PAdata/JSON 表示法以关联声学信号与重建坐标,并公开了数值体积和最大强度投影等公共重建实现供复用。其保留的采集关系支持全景重建与区域信号分析,为开发评估三维 PACT 人工智能方法奠定实验基础。
该论文针对现有多模态推理大模型在视觉定位不确定时过度分配深层推理的问题,提出 ThinkWise 框架。该方法引入实例自适应的视觉感知建模机制以校准不确定性,并设计包含答案、感知与难度条件的结构化奖励公式来调节推理深度。实验表明,ThinkWise 在多个基准测试中显著提升了 3B 和 7B 模型的准确率与效率平衡。材料为预印本论文,未涉及真实机器人部署或产品发布。