Sfumato Supervision:一种利用 Copula-Boundary Learning 处理含噪标签的实例分割方法
该论文针对实例分割中人类标注或模型生成轮廓不可靠的问题,提出 CB-LNL(Copula-Boundary Learning with Noisy Labels)框架。
该论文针对实例分割中人类标注或模型生成轮廓不可靠的问题,提出 CB-LNL(Copula-Boundary Learning with Noisy Labels)框架。
针对机器人遥操作等低延迟沉浸式流媒体应用,研究量化了显著性预测精度带来的压缩收益递减规律。实验表明,仅需 52 FPS 的轻量级预测器即可捕获真值预言机 65% 的码率节省,而算力增加 38 倍后无额外增益。因此,在延迟受限场景下采用轻量级显著性预测器是兼顾性能与效率的实用选择。
针对现有知识分流方法参数开销大且依赖固定组件分配的问题,本文提出特异性引导知识分流(SGKDiv)。该方法从成对前馈通道构建知识单元,保留原生计算结构;结合校准的条件路由与互补正则化,实现自适应的知识专业化。实验表明,其在多种模型设置下优于稠密及 MoE 基线,且在八个数据集上展现出更强的下游适应能力。
针对长序列像素级标注成本过高及稀疏监督导致时序不稳定的问题,该研究提出一种仅需单帧涂鸦标注的弱监督框架。方法结合 DINOv3 编码器均值教师架构与参数高效微调,利用互补损失函数生成未标注帧的可靠分割先验。在 CAMUS 和 CardiacNet 数据集上的实验表明,该方法优于其他涂鸦监督方案,显著降低心脏超声时序分割的标注需求并支持可扩展的临床部署。
CivilBench 是首个针对土木工程与灾害场景的视觉语言模型(VLM)综合评测基准,涵盖序列推理、图像结构理解及开放世界理解三大任务家族。评估显示当前主流 VLM 在从稀疏结构化观测中推断数值关系等序列推理任务上存在显著瓶颈,且该基准将通过公开链接提供以支持可靠 AI 辅助工程决策能力的验证与进展追踪。
论文提出 PACIL 方法解决无标签数据下的类别增量学习问题。该方法利用 CLIP 零样本预测作为起点,但指出其混淆了名称偏差与真实分布不平衡。PACIL 通过先验选择规则修正类先验,并在白化特征空间使用固定先验的 von Mises-Fisher 混合模型细化每个图像的后验分布。
VIVID 是一个支持多种原生编码智能体在视频后期制作中工作的视觉框架,提供按需的视频检查、音频分析及转录工具。
Sidewalk Stewards 是一款填补自动提取与部署就绪人行道网络之间差距的视觉分析系统,通过协调的空间视图支持用户引导修正并实时反馈质量。对比传统工作流,该系统在跨城市案例研究中显著提升了错误识别效率及修正完整性,少量人工干预即可改善多项路网质量指标。目前该工具处于 arXiv 预印本审查阶段,代码与数据待开放许可后获取。
针对仅用AUC和一致性指数无法反映癌症发生时间的缺陷,研究提出以c_time作为主要时序指标重新评估OA-BreaCR、LMV-Net及Mirai模型。结果显示尽管C-index高达0.75,各模型在诊断时间排序上均未显著优于随机猜测(c_time介于0.51至0.58)。新提出的两阶段分离“是否”与“何时”模型在判别力持平的情况下,将时序排序能力提升至0.58。
HDR-VDC 数据集收录 4K HDR 流媒体畸变视频,在 60/120 像素/度视角及 8 倍亮度差异下测量画质损失。研究提出融合 PU21 显示模型与 PPS 透视缩放的预处理框架,适配 35 种主流指标以消除观看条件影响。该方法使现有质量评估能准确反映不同亮度和距离下的真实视频体验。
研究结合 HiDDeN 与 StegaStamp 构建互补水印,在 MS-COCO 和 CelebA-HQ 数据集上验证了双嵌入后仍具高可解码性。面对 UnMarker 的非语义或语义单独攻击,单一水印通常保持强鲁棒性,需连续攻击才能显著削弱信号。该预印本发现多类型水印组合能增强抗单阶段移除能力,并指出 LPIPS 指标在面部图像上存在失真风险。
本文研究二元目标下固定评分在不同组别混合时的表现,证明通用优势判定是共 NP-难问题,并给出了网格近似证书与错误包络。实验显示,冻结的 ResNet-50 在 ImageNet-C 上多数比较稳健,但存在反转案例;对 Stable LM 2 12B 输出及不确定性方法的审计发现部分比较在任务内胜出却在混合时反转,边际秩对齐可消除这些反转。
推荐理由:该文通过理论证明与实验审计,揭示了置信度评分在人群混合比例变化下发生反转的机制,为评估模型鲁棒性提供了新的分析视角。
针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。
推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。
论文研究在已知相机位姿和区间观测条件下,哪些深度由有限个源深度测量决定。作者证明首击深度的可达集合可能不连通,并给出必要充分条件判断多个候选深度是否属于同一场景的首次命中。
该研究通过受控实验发现,在需要读取像素数值的任务中,视觉语言模型的报告仍会随激励目标发生偏移,且图像模态下的合规性低于文本模态。
论文提出了 Pixel-KWS 框架,利用渲染后的灰度图像表示字符而非依赖固定词表嵌入,使文本编码器能从视觉形式泛化以处理未见符号或视觉相似符号。
XLSAR-Bench 发布了一个包含 405 张平均尺寸为 7153×7153 像素图像的综合基准,涵盖视觉问答、定位及详细描述等十项任务。该基准通过人工标注与半自动辅助,揭示了通用及专用多模态大语言模型在处理大场景 SAR 影像时存在的理解与感知挑战。项目已开源以支持开发更强大的完整大 SAR 场景 MLLM。
HongguoTrending 是首个连接微短剧系列与其平台可见性的纵向多模态数据集,包含中国最大微短剧平台 Hongguo 七个热门榜单的小时级快照。该档案通过两阶段异步管道收集了 63,200 个排名条目、元数据及观众互动指标,揭示了网页与移动端榜单的差异化流转率及内容特征。数据可通过 RESTful API 访问,旨在支持算法把关机制、流行度动态及多模态数字文化的实证研究。
针对视觉语言模型在遮挡导致的部分可观测性问题上深度歧义难解、性能随规模下降的瓶颈,本文提出 VLM-as-perceiver 范式,将 VLM 角色限定为局部感知,由外部求解器负责跨视图证据融合与规划生成。
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。
推荐理由:提出通过奇异值分解合并 VLM 与 VLA 参数,在不重训情况下恢复视觉语言能力并优于现有基线。
该研究提出一种神经网络引导的热启动框架,在保留原始变分公式前提下加速锥形束计算机断层扫描(CBCT)重建。实验基于 SynthRAD2025 挑战赛的骨盆 CT 图像显示,该方法将重建时间减少超过三倍,同时保持相当的图像质量。论文已提交至 IEEE ISBI 2027,代码与权重暂未开放。
RouteDiff 提出一种感知状态的扩散框架,通过保真度细化路由、超图状态调节及估计锚定重入机制优化图像恢复。该方法在 Mayo 2020/2016 数据集上分别达到 40.95 dB PSNR 和 95.13% SSIM,并在下游分割任务中取得 80.92% Dice 系数。论文已提交至 Knowledge-Based Systems,代码与权重暂未开放。
现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。
arXiv 论文《ReVision: Selective Intrinsic Reasoning for Tool-Augmented, Reasoning-Intensive VQA》提出一种无需训练的测试时方法,允许多模态大语言模型在调用外部工具(如搜索、代码执行)的同时,选择性地进行无工具的图像重审与证据整合。
论文提出 Cross-Input Relative Policy Optimization (CrossRPO) 方法,利用仅在小区域有差异的对比集训练视觉智能体,使其在回答超高分辨率图像问题时基于证据而非常识。
FaceJev 是一种基于多模态大语言模型的伪造检测新方法,通过共享图像编码回答面部八个部位的异常概率问题,无需生成文本解释即可直接判定。该方法利用包含约 160k 图像的 PartForensics 数据集及 FS-GRPO 优化策略进行监督训练。在未见过的操作类型上,FaceJev 比最强基线高出 7.25 个百分点的准确率。
该论文研究了视觉语言模型(VLM)在描述图像时决定观察顺序的内部规划机制,将其分解为绑定头、进度信号生成、选择步骤和注视头四个部分。研究通过在 Qwen3-VL 模型上进行合成视觉检索任务的因果修补验证了各组件的有效性,并证实该机制在不同输入格式、自然照片及语言中均成立,且存在于从 2B 到 32B 的所有模型规模中。
Wildfire-SSR 是一种结合卫星图像与街景全景的地理定位感知多模态框架,旨在进行结构级的野火脆弱性评估。该研究利用视觉语言模型从事件前的街景中提取建筑属性并转换为结构化文本,通过解耦交叉注意力融合解码器将其与卫星影像空间对齐,同时使用冻结的 DINOv3 编码器捕捉高空视觉上下文。
针对自回归模型在长视频生成中主体与背景随时间漂移的问题,该方法利用初始帧作为外观参考,构建教师网络通过注意力掩码强制新帧各区域关注初始帧对应区域,并将此行为蒸馏至学生模型的独立注意力路径。
针对实时交互系统需兼顾自然回应与避免误报的需求,本文提出 BLIP-Live 框架,统一了数据、指标、工具链及训练范式。研究构建了包含人类标注的 BLIP-Live-780K 数据集以定义主动行为,并提出了 PAUC-F 指标来衡量早期有用响应同时抑制过度触发。
论文指出视觉语言模型在跨图像匹配点或物体时常失败,即便答案隐含在隐藏状态中。研究在 Qwen3-VL、InternVL3.5 和 Gemma-3 等模型上验证了两种失效机制:一是携带比较信息的注意力头未将答案读出,二是语义对应存在于视觉 token 但未传递至输出层。
推荐理由:研究发现跨图像比较失败源于特定注意力头未读出答案,通过重分布注意力或微调查询键投影即可修复。
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
针对直接物体交互需要精细控制的挑战,本文介绍了 LynnReal-Hand 这一手控视频世界模型,统一了精确的交互建模与高效的流式生成。团队整理了涵盖真实与合成环境的 10 万条交互片段,开发了手部感知监督以改善细粒度动作;利用因果流图实现少步生成,并结合区域感知分数蒸馏融合视频与图像先验来优化交互动力学和视觉外观。
推荐理由:该工作提出手控视频世界模型,通过因果流图与区域感知蒸馏提升交互精度,并开源数据集、权重及代码以支持相关研究。
针对多模态大模型在处理超高分辨率(UHR)遥感场景时,全局概览易丢失小物体细节而详细裁剪又消耗大量上下文的矛盾,该研究提出将检查的裁剪压缩为连续视觉潜变量序列作为紧凑记忆。
针对基于 CLIP 的分类增量学习(CIL)任务,现有方法仅利用全局表示而忽视了局部特征。本文提出 PACE 方法,通过识别关键视觉 patch 和文本 token 并进行跨模态融合来挖掘被忽视的局部表征。
针对机载激光扫描点云中电力线的分割与识别问题,研究对比了基于迁移学习的 Point-SAM 方法与规则法,并推导了用于三维悬链线的 RANSAC 数学公式。在法国 LiDAR HD 项目新发布的 PowLiDFR 数据集上验证显示,无监督迁移学习优于规则分割,且 RANSAC 算法在拟合悬链线形状方面表现更佳。该成果共 8 页含 10 幅图,已获 VISAPP 2027 录用并公开提供数据集下载。
该研究在四个公开数据集上对 75 名测试对象进行了受控评估,发现基于质量的加权融合使心率平均绝对误差较均等平均降低 10.9%、较预选最佳方法降低 15.6%,且与事后最优法无统计差异。然而呼吸率指标无法识别更准确的估计,加权反而增加误差,30 秒窗口虽改善估计但未提升融合效果。
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。