当造假者成为法官:GPT-Image-2 无法识别其自造的假文件
论文指出 OpenAI 的 GPT-Image-2 已模糊真实与 AI 编辑文档的视觉边界,作者发布包含 3066 张伪造收据及像素级掩码的 AIForge-Doc v2 数据集。
推荐理由:作者发布 GPT-Image-2 伪造文档数据集并评测四路检测器,发现人类与模型自身均难以识别其生成的伪影。
技术方向
检测、分割、三维感知、定位与视频理解,以及相机、传感器和视觉工程。
985 条精选近 30 天 659 条共收录 6,653 条
论文指出 OpenAI 的 GPT-Image-2 已模糊真实与 AI 编辑文档的视觉边界,作者发布包含 3066 张伪造收据及像素级掩码的 AIForge-Doc v2 数据集。
推荐理由:作者发布 GPT-Image-2 伪造文档数据集并评测四路检测器,发现人类与模型自身均难以识别其生成的伪影。
论文提出了 4DSurf 框架,利用高斯变形诱导的符号距离函数流正则化约束高斯运动以对齐演化表面,并引入重叠分段划分策略处理大形变。在 Hi4D 和 CMU Panoptic 数据集上,该方法相比最先进方法的 Chamfer distance 分别提升 49% 和 19%,且在稀疏视角下实现了更优的时序一致性。论文已被 CVPR 2026 接收。
推荐理由:提出基于高斯泼溅的动态场景重建框架,通过流正则化与重叠分段策略解决大形变下的时序一致性问题。
该论文介绍 Multimodal Coherence Score (MCS),一种不依赖下游任务准确率的评估指标,将一致性分解为身份、空间、语义和决策四个维度。研究在 Visual Genome 和 COCO 数据集上验证,证明 MCS 比单一任务准确率对数据质量问题更敏感,且各维度响应独立无串扰。
推荐理由:提出一种无需下游模型即可评估多模态融合质量的指标,能独立识别身份、空间、语义及决策维度的不一致。
作者发布了 DOCFORGE-BENCH,这是首个针对文本篡改、收据伪造和身份证件操纵的统一零样本基准,评估了 14 种方法在八个数据集上的表现。研究发现现有方法存在严重的校准失效问题,即像素级 AUC 尚可但 F1 分数极低,根本原因在于篡改区域占比过小导致标准阈值严重失准,而非表征能力不足。
推荐理由:该基准揭示了文档伪造检测中阈值校准失效的普遍问题,证明仅靠微调无法解决部署难题。
针对 Vision-Language Models 在稠密视觉感知任务中因局部特征表示受限导致性能不佳的问题,本文提出 DeCLIP 框架。该框架通过解耦 CLIP 的自注意力模块分别获取内容与上下文特征:利用扩散模型的对象完整性线索与基础模型的语义相关性增强上下文特征以改善空间一致性;同时结合图像裁剪表示与区域相关性约束内容特征以提升局部判别力。
推荐理由:提出 DeCLIP 框架,通过解耦自注意力模块并融合扩散模型与基础模型特征,提升 CLIP 在开放词汇稠密感知任务中的局部判别力与空间一致性。
该研究提出 TriTile(含 Triage)方法,针对视频扩散模型中视觉 Token 注意力计算成本高的问题,设计了跳过、低精度估算及残差修正三种近似层级。该方法通过轻量级路由器根据块统计信息动态分配层级,仅在误差降低值得到额外算力时才升级精度,并融合执行于 RTX Blackwell GPU 的 FP4 Tensor Core。
推荐理由:该方法在无需训练的情况下,利用硬件特性实现了视频生成模型的加速与精度提升。
arXiv 论文介绍 GaussianSpline,一种利用自适应非均匀分段三次贝塞尔样条建模每个高斯运动的方法。该方法联合学习控制点与时间分区,在保持近静态区域轨迹紧凑的同时为高度动态区域分配更多时间容量,并通过反射约束确保段间 G1 连续性以维持全局平滑与可微性。实验表明其在 Neural 3D Video、Google Immersive 及合成场景上显著提升了非均匀动态下的重建质量。
推荐理由:提出自适应非均匀贝塞尔样条方法,在动态场景下提升高斯泼溅重建质量。
针对现有视频世界模型在长序列推演和分布外泛化上的不足,本文提出将时序可预测性作为潜空间设计准则的新方法。通过结合时序表示学习目标与过去条件解码器架构,该方法在不牺牲像素预测精度的前提下简化了未来预测任务。
推荐理由:提出将时序可预测性作为视频世界模型的潜空间设计准则,在同等训练预算下实现推理成本降低 5 倍、训练加速 7 倍以上及泛化误差显著下降。
针对现有监督降维方法未显式约束类几何结构导致结果不可复用的问题,本文提出 Isometric Centroid-Encoder (ICE) 框架。该方法在潜在空间直接学习类质心并保留预设的成对类质心几何关系,无需大量样本对或三元组约束即可保持类间几何结构。
推荐理由:提出一种在潜在空间直接学习类质心并保留成对几何结构的监督降维框架,引入 CNS 指标量化嵌入可复现性。
该论文提出 Iris 框架,解决多模态设置下模型处理离散视觉候选人的问题。研究证明在 Iris 架构下可实现严格的顺序不变性和精确缓存复用,并在 MetaEncoder 基准上超越更大参数量的基线。此外,通过重构 Qwen3.5 的 patch-embedding 卷积层为矩阵乘积形式,将 Ampere GPU 上的处理速度提升了 350 倍。代码、数据和检查点已开源。
推荐理由:Iris 框架在保持候选顺序不变性的同时实现缓存复用,显著降低多模态决策延迟,并解决了 Ampere GPU 上的系统瓶颈。
该论文针对 VGGT 等前馈 3D 重建模型仅报告置信度却未提供不确定性估计的问题,提出在冻结特征上训练线性探针以探测姿态预测失败。实验显示,该探针在 HardMatch 基准上的 ROC-AUC 达 93.5%,优于模型自身的点图置信度和分类器,且能泛化至 PhotoTourism 和 ScanNet-1500 等未见过的旋转失败场景。
推荐理由:研究发现冻结模型内部存在未报告的失败预测能力,可让下游系统在不重新训练的情况下对困难样本进行回避。
针对多模态传感器成像视角差异和视场失配导致的信息整合局限,论文提出了 SeeRF 框架。该方法结合微分不变速度场的形变生成策略、视觉基础模型引导的特征提取以及由粗到细的渐进式多模态图像配准模块,实现精确的跨模态流估计并生成有效视场掩码。
推荐理由:提出 SeeRF 框架,利用生成式扩散模型解决多模态传感器视场不匹配与融合伪影问题。
该论文提出 Self Flow Forcing (SF^2) 方法以解决现有分布匹配蒸馏在少步设置下导致的时空结构退化问题。该方法通过引入预测性表示损失,利用学生模型与指数移动平均教师之间的噪声不对称性,实现内部表示的自监督对齐。实验表明 SF^2 能有效缓解视频闪烁并提升空间保真度与运动质量,且无需外部特征提取器即可兼容双向及因果架构。
推荐理由:针对少步蒸馏中时空结构退化的问题,提出无需外部特征提取器的自监督表示对齐方法。
针对 ACE-Zero 等基于学习的结构光流方法在复杂场景中存在的位姿漂移问题,本文提出一种混合框架,将位姿图优化(PGO)集成到无监督相机位姿估计流程中。该方法直接从预测的场景坐标构建位姿图,并引入基于几何先验的不确定性感知优化策略,利用跨视图的极线约束和光流一致性来抑制错误修正,从而提升重建的鲁棒性与精度。
推荐理由:该工作将位姿图优化引入无监督结构光流法,利用几何先验提升复杂场景下的全局一致性。
针对现有无位姿 3D 高斯泼溅对残留姿态误差敏感的问题,论文提出 SG-Splat 框架。该方法将几何估计与属性预测解耦为独立分支,并引入流引导姿态修正(FGPR)和残差引导几何校正(RGC)流程以优化初始点图。
推荐理由:提出 SG-Splat 框架,通过解耦几何与属性预测及流引导姿态修正,提升无位姿输入下的 3DGS 鲁棒性。
arXiv 预印本论文 OrthoRF 提出一种通过内积损失和架构修改强制旋转特征方向空间正交的方法,旨在提升基于同步性的无监督物体发现性能。实验表明,该方法在重叠、噪声及分布外测试中表现匹配或优于现有模型,消除了后处理聚类需求,并能恢复被遮挡的物体部分。该研究为计算机视觉领域的物体中心学习提供了新的归纳偏置视角。
推荐理由:该工作提出正交旋转特征以解决同步性模型依赖后处理聚类的问题,在遮挡与噪声场景下表现更优。
西北工业大学团队发布论文,首次系统研究恶劣天气导致的协同感知失效现象(Weather-Induced Context Interference)。实验表明,即使 LiDAR 点云未变,外部环境变化也会破坏多车融合前的对象表征。
推荐理由:研究揭示恶劣天气下协同感知失效机制,提出无需成对数据的修复方法,在仿真与真实数据上均显著提升目标检测精度。
该论文提出 MemVLN 框架,旨在解决基于 VLM 的智能体在长视野导航中维持持续情景记忆的难题。方法上,系统维护一个有界压缩感知特征库(标注时间戳与动作相对姿态),并通过交叉注意力生成紧凑记忆 token;结合冻结预训练几何编码器及掩码轨迹总结任务进行训练。
推荐理由:提出 MEMVLN 框架,通过压缩感知特征与冻结几何编码器实现长视野导航中的持续记忆,物理实验显示成功率从基线 17% 提升至 47%。
针对基于视觉语言模型的 GUI 智能体在连续演化界面中重复计算的问题,本文提出了 GUIFlow 框架。该框架通过位置对齐的历史 KV 状态注入、变化信号引导的视觉编码器与语言模型状态选择性更新,以及利用早期动作响应作为目标模型验证的推测草稿,实现了跨步骤的增量推理复用。
推荐理由:提出 GUIFlow 框架,在无额外训练下实现多步交互的增量推理,显著降低计算成本。
该预印本论文提出可见状态监督(ViSS)和测试时因果视图搜索(TVS),旨在解决流式视频动作识别中的状态欠定义问题。ViSS 通过基于源头的探针训练事件身份、顺序及关系变化,提升幻觉检测能力;TVS 则在模型固定前提下自适应扩展证据访问范围。
推荐理由:提出可见状态监督与测试时因果视图搜索,分离表征选择以改善幻觉检测与事件召回。