跳到正文
11月10日周二
  1. arXiv · ML30

    HaloProbe:检测并缓解视觉语言模型对象幻觉的贝叶斯框架

    HaloProbe 提出了一种贝叶斯框架,用于检测和缓解视觉语言模型(VLM)中的对象幻觉。该框架通过因子化外部描述统计和内部解码信号,估计 token 级别的幻觉概率。 实验表明,由 HaloProbe 引导的解码在减少幻觉方面比最先进的基于干预的方法更有效,同时保留了字幕效用和语言流畅性。

  2. arXiv · ML31

    冻结离散 Token VLM 的 Logit 条件扩散解码方法 DCDD

    针对冻结的离散 Token VLM,DCDD 框架利用采样前的 Logit 分布条件化扩散解码器以提升图像保真度。在 ImageNet-1K 上训练 50K 步后,重建 FID 降低 74%,Janus-Pro 7B 生成 FID 降低 34%。 该方法证明性能提升源于对 Logit 分布的条件化而非扩散模型本身,且保持了 GenEval 等基准的语义对齐。

  3. arXiv · ML23

    MamaDino: 一种用于乳腺癌3年风险预测的混合视觉模型

    MamaDino通过融合DINOv3 ViT-S特征与可训练CNN编码器,在512x512分辨率下实现乳腺癌3年风险预测。 使用BilateralMixer聚合双侧信息,患者级AUC达0.736(分布内)和0.677(分布外),优于或持平Mirai,输入像素减少约13倍。 该模型证明了互补归纳偏置与显式对侧建模可在更低分辨率下达到Mirai级判别性能。

  4. arXiv · ML20

    X-SiT:用于痴呆症诊断的固有可解释表面视觉 Transformer

    X-SiT 是首个提供基于可解释皮层特征、人类可理解预测的固有可解释神经网络。 它引入基于皮层原型进行病例推理的表面补丁解码器,用于分类表面补丁嵌入,在阿尔茨海默病和额颞叶痴呆检测中达到最先进性能,并揭示与已知疾病模式一致的原型。 该模型支持临床决策制定,并通过皮层表面渲染实现 3D 脑部解剖结构可视化与交互探索。 ```

  5. arXiv · ML23

    PINR-ESI:用于脑电图扩展源成像的物理信息自监督隐式神经表示框架

    提出PINR-ESI框架,利用物理信息自监督隐式神经表示实现脑电图扩展源成像,无需配对源标签。 该框架通过导场矩阵约束模型,将皮层电流密度建模为连续坐标条件场,并用经典逆估计提供空间约束。 在模拟及癫痫患者真实脑电图数据上评估,验证了框架在源定位上的可行性。

  6. arXiv · AI30

    PURGE:针对大型视觉语言模型虚假相关性的分区感知遗忘框架

    研究提出 PURGE 框架,通过构建结构化数据集和分区感知遗忘,消除大型视觉语言模型(LVLMs)中由对象-背景虚假相关性导致的幻觉错误。 框架在 LLaVA-1.6-7B、Qwen3-VL-8B-Instruct 等模型上验证,在 CHAIR、POPE 等基准测试中显示能一致降低虚假相关性错误,同时保持或提升整体性能。

  7. arXiv · AI48

    LAION-BVD:包含1350万小时视频的开源多模态预训练数据集

    论文发布 LAION-BVD 开源视频数据集,包含8000万条视频,总时长达1350万小时,用于视频、音频及图像的多模态预训练。 数据集通过 CommonCrawl 爬取,利用内容感知场景检测提取片段并生成合成视频与音频字幕。 研究人员将开源该数据集,以大规模扩展多模态视频的公开访问范围。

  8. arXiv · AI34

    MGN-AIR:基于像素级多模态引导的All-in-One图像修复框架

    论文提出MGN-AIR像素级修复框架,用于All-in-One图像修复。 该框架估计像素级视觉提示,结合文本与视觉提示提供全局和局部退化线索,实现精细控制。 实验显示其在去噪、去雨、去模糊、去雾、去雪和低光增强等基准测试中,表现显著优于现有方法。该工作已被ACMMM 2026接收。

  9. arXiv · AI37

    Spatial-IQ:基于层级能力测试解构空间智能

    研究提出 Spatial-IQ 诊断框架,将 3D 堆叠结构中的物体计数拆解为 9 个感知与认知子任务,用于定位多模态大模型在空间推理上的具体短板。 团队利用 NVIDIA Isaac Sim 生成了约 80,000 个带真值标注的 3D 结构数据集,并在自由文本、多选图像和图像编辑三种输出格式下对模型及人类基线进行了评估。

  10. arXiv · AI24

    FINO:利用元数据无标签适配视觉基础模型至科学领域

    提出无标签方法 FINO,通过自监督目标结合元数据引导,将通用视觉基础模型适配至子细胞荧光显微镜、地球观测、野生动物监测及医学影像等专门科学领域。 FINO 处理离散与连续元数据,表征保留信息因子并抑制虚假因子。在特定任务上,FINO 性能优于匹配的自监督及全监督适配基线。 代码已公开,且在无任务标签下,FINO 在三个领域得分高于特定专业系统,在第四个领域达到同等表现。

  11. arXiv · AI35

    PitchBench 评测显示音频语言模型音高感知能力不可靠

    PitchBench 包含 28 项任务,评估音频语言模型在多种声学条件下的绝对与相对音高感知能力。 测试发现前沿 ALM 表现极不稳定,准确率受提示格式影响显著,而专业 DSP 和神经基线均值分别为 73.2% 和 75.2%,最强 ALM 仅 53.9%。 该研究作为 NeurIPS 2026 论文接受,并开源了评测基准、训练数据集及 Python 工具包。

  12. arXiv · AI32

    NeurIPS 2026论文提出基于MLLM与VAE的条件扩散模型,优化主体驱动图像生成

    该研究针对现有方法在主体驱动生成中存在的跨模态推理局限及复制粘贴伪影问题,提出条件化扩散模型框架。模型联合编码文本与参考图像,并引入VAE身份条件及双层聚合模块,通过多阶段去噪平衡语义与细节。 实验显示该方法在人工偏好上取得优越性能,有效协调多模态理解与身份保持。

  13. arXiv · AI23

    OASIS: 基于SE(3)轨迹预测的观测-动作空间对齐机器人操作

    OASIS提出了一种通过SE(3)末端执行器轨迹预测对齐观测与动作空间的视动策略。 该策略结合融合视觉语言与度量深度特征的3D感知特征编码器,以及生成相机坐标系末端执行器轨迹的SE(3)轨迹预测器,使动作解码器生成符合刚体运动的动作块。 在仿真和真实世界实验中,OASIS在成功率和分布外泛化方面优于VLA和WAM基线模型,并被NeurIPS 2026接收为Spotlight论文。

  14. arXiv · AI21

    Good Token Hunting: 视觉几何 Transformer 的 Token 选择指南

    Good Token Hunting 提出通过限制全局注意力中键值(key/value)交互的 Token 数量,为视觉几何 Transformer 加速超过 85%。 该方案采用两级筛选框架,在帧间使用基于多样性的策略保留关键帧,在帧内通过熵引导的层感知稀疏化进一步剔除冗余。 实验表明该方法在 500 张图像场景下保持甚至提升了基线性能,为未来视觉几何应用提供了高效的 Token 选择策略。

  15. arXiv · AI21

    神经符号视角下的弱监督分割:基于可微模糊逻辑的SAM微调方法

    该研究提出一种神经符号方法,将弱标注与领域先验统一为连续逻辑约束,用于在弱监督下微调Segment Anything Model(SAM)。 微调后的SAM生成更高质量的伪标签,并训练第二阶段的无提示分割模型。实验在Pascal VOC 2012和REFUGE2数据集上显示,该方法达到SOTA性能,常超过密集监督基线。 论文已被WACV2027接收。

  16. arXiv · AI23

    PPG2ECG:基于生理引导潜空间修正流的PPG到ECG生成

    PPG2ECG提出生理引导潜空间修正流框架,利用电动力学模拟器构建潜空间,显著提升MC-MED数据集上的ECG生成与心血管疾病分类表现。 该框架通过Physiology-Aware AutoEncoder学习潜空间,并在生成传输中强制ECG侧形态与正向血流动力学一致性,确保生成信号的生理合理性。

  17. arXiv · AI26

    AV-Phys Bench 揭示联合音视频生成模型缺乏物理理解能力

    AV-Phys Bench 基准测试显示,尽管 Seedance 2.0 表现最佳,但所有模型均未具备鲁棒的物理理解能力。 该基准涵盖稳态、事件过渡及环境过渡三类场景,模型在事件驱动过渡及反物理提示下性能显著下降。 跨模态物理一致性与过渡场景动力学是联合音视频生成领域当前的主要未解难题。

  18. arXiv · ML31

    多模态预测何时具备生物学支撑?DECAT 诊断评估框架

    研究团队提出模型无关的后验评估框架 DECAT,用于区分多模态模型中的共享生物学信号、虚假相关或单模态特异性。 DECAT 通过 5 个无参考指标对 2,500 多个表示和 8,979 名 TCGA 患者进行诊断,无需知晓混杂因子即可检测 AUROC 不可见的干扰。 该框架发表于 NeurIPS 2026 评测与数据集赛道,揭示了随着信号增强,纠缠模型会产生更高置信度的错误诊断。

  19. arXiv · ML25

    AIMS-Fold:利用结构蛋白质组学指导共折叠模型预测蛋白质复合体

    研究者推出推理时引导层 AIMS-Fold,基于 Boltz-2 且无需重训,支持接受排斥约束。在 28 个 Boltz-2 预测失败的复杂体中,仅用 5 个生成模型即可在 64% 案例中恢复正确构象。跨 100 个模型和 20 个种子测试中,无引导的 Boltz-2 准确率为 14%,AIMS-Fold 达到 86%。这表明利用正负结构信号可显著提升理性降解剂设计效率。

  20. arXiv · AI21

    探索卷积神经网络在同时应用图像增强下的专业化与敏感性

    提出将治疗-对照范式应用于可解释AI研究,通过方差分解和Sobol指数分析增强对模型内部推理的影响。 评估了AlexNet、VGG11、ResNet18等CNN,结合ViT-b-16和Swin-t验证,采用5至7种同时应用变换的增强集。 该方法有助于区分模型特异性与增强自交互,并支持激活引导掩码及单类敏感性分析。

  21. arXiv · ML38

    DPRM:用于离散扩散模型的可插拔 Doob h 变换诱导 Token 排序模块

    DPRM 通过 Doob h 变换将终端奖励转为过程奖励,作为可插拔模块优化离散扩散模型的 token 排序。 在 9 个开源模型上,该方法将 PUMA GSM8K 准确率提升 14.6%,Omni-Diffusion CLIP-L/14 提升 13.2%,且仅改变 token 顺序而不修改宿主架构。 证明了终端奖励能纠正局部自信但全局低质的选择,代码已开源。