跳到正文
10月28日周三
  1. arXiv · ML25

    NOMAD-EEG:一种独立于电极数量、身份、顺序和输入长度的原生全适配扩散模型

    NOMAD-EEG 是一款拥有 12.0 M 参数的 EEG 扩散基础模型,独立于电极数量、身份、顺序和输入长度,在癫痫检测等任务上性能优于 7 个现有模型。 该模型使用 3D 头皮位置识别电极,并在无补丁(patches)状态下沿时间轴交替使用状态空间层。它在 147 小时无标签 EEG 数据上预训练,在冻结线性探针下于 10 个数据集中对 7 个基础模型进行了评估。

  2. arXiv · ML23

    BCARP:生物学引导的空间基因表达预测框架

    BCARP框架通过生物学引导的上下文感知残差传播,实现从组织病理学图像预测空间基因表达,在三个空间转录组数据集上取得最高平均相关性。 该方法将组织病理学嵌入视为形态学视觉先验,在转录组潜在空间中逐步优化斑点表示,融合细胞核引导的局部上下文与原型引导的全局传播,经10个HEST-1k队列验证优于其他基线方法。 论文已被IEEE/CVF冬季计算机视觉应用会议2027接收。

  3. arXiv · ML24

    基于 JiT 的去噪方法用于无线信号调制分类的对抗样本防御

    该文提出一种基于 JiT 的去噪防御方法,以应对无线信号自动调制分类中的对抗样本。 该方法通过流匹配训练一维 Transformer 去噪网络,将任意输入投影到干净信号流形上,无需预知攻击类型。 在 RML2018.01A 数据集上,相较于 PGD 对抗训练,该方法在 PGD 攻击下的鲁棒准确率相对提升至少 20.58%;在更高攻击强度下,相对提升至少 39.72%。

  4. arXiv · ML21

    Variational Atlas Autoencoders 与自监督图表选择

    研究者提出 Variational Atlas Autoencoders,一种混合图表框架,通过证据下界将图表分配视为后验推理,实现自监督学习。 该框架引入 latent-evidence routing,根据点与图表潜在先验的距离和置信度进行分配,无需标签即可发现数据流形结构。在 CelebA 等数据集上,其潜在空间结构优于容量匹配的基线,采样仅需评估单个图表解码器。

  5. arXiv · ML28

    QViD:基于查询-视觉交互分解的无训练视觉 token 剪枝方法

    QViD 是一种无训练、查询感知的视觉 token 剪枝方法,利用 Transformer 注意力中查询-键投影隐含的查询-视觉交互矩阵的低秩结构,识别主导潜在交互模式以指导 token 选择。 在图像和视频理解基准测试中,QViD 在相同 token 预算下一致提升性能,且在激进压缩场景下收益最大。 该论文已被 NeurIPS 2026 接收。

  6. arXiv · AI29

    StepTrigger:基于接触状态触发的VLM驱动四足机器人后门攻击

    提出StepTrigger,一种针对VLM驱动四足机器人的接触状态触发后门攻击,利用Unitree Go1在密集地形步行的足地接触模式作为隐蔽触发器。 该攻击从多模态机器人状态学习选择性策略,区分良性压力事件与有毒接触样本。在分层离线评估中,98.75%的干净行为保留率与76.25%的真触发激活率表明其隐蔽性,揭示了本体感知和接触通道中未被现有防御覆盖的后门表面。

  7. arXiv · AI25

    TOPO$^{2}$:利用拓扑学习恢复光的拓扑信息

    TOPO$^{2}$ 框架通过拓扑学习从强无序的光场中单次恢复拓扑信息,仅使用常规相机即可提取嵌入 Skyrmion 拓扑的扭曲光学场中的拓扑数。 该 AI 框架在基于拓扑字母表的通信方案中展示了性能优势,证实优于传统方法。 这项研究将拓扑光子学与拓扑 AI 结合,为鲁棒的大容量信息编码和处理开辟了新路径。

  8. arXiv · AI28

    From Truncation to Commitment: Persistent Context in Uniform Discrete Diffusion

    提出无需训练的committed reveal sampling(CRS)采样器,通过存储并插入选定的argmax token作为持久上下文,改变了离散扩散模型中并行更新token的机制。 在8至64次函数评估预算下,CRS的生成困惑度(GenPPL)低于固定$p=0.95$和$p=0.9$的top-$p$基线,且分布距离SOL同样随持久上下文降低。

  9. arXiv · AI25

    医学影像无监督域适应流水线评估:距离临床部署还有多远?

    医学影像无监督域适应(UDA)研究评估了完整流水线,涵盖9个数据集、11个场景及80,000余个模型,指出无标签选择是主要瓶颈。 虽然存在高性能适配模型,但现有验证器无法可靠选出最佳模型,集成与少量标注策略虽缩小差距却未完全消除。 解决这一选择环节有助于推动当前UDA技术向临床部署迈进。

  10. arXiv · AI33

    面向医学影像非监督域适应的实用算法选择:无标签准则

    提出一种无标签准则,联合选择非监督域适应的算法与超参数,在无目标域标签情况下辅助临床部署。 方法利用多个无标签信号提名各算法模型,跨算法聚合形成参考预测,依据预测一致性选出最优候选模型。 在4项脑MRI与4项胸部X光数据集的7种临床迁移场景下,选择性能优于其他方法。

  11. arXiv · AI30

    StableHand:基于质量感知流匹配的双手运动估计框架

    StableHand 提出了一种质量感知的流匹配框架,用于从第一人称视频中估计世界坐标系下的双手 4D 运动。该模型通过分解腕部平移和手指关节角度为四个质量通道,利用 AdaLN 调制 DiT 去噪器以处理遮挡。在 HOT3D 和 ARCTIC 基准上,该方法将 W-MPJPE 降低了 20-25%,被 NeurIPS 2026 接收。

  12. arXiv · AI20

    REALM:用于LFP建模的回顾性编码器对齐框架

    提出REALM回顾性知识蒸馏框架,实现因果LFP行为解码。 该框架预训练Mamba-2教师模型并蒸馏至紧凑因果学生,参数少于CrossModalDistill一半,预训练时间为其十分之一。 该因果LFP-only模型解码精度媲美非因果多模态模型,为下一代无线植入式iBCI提供可行方案。

  13. arXiv · AI31

    Thalamus-Reasoning: 用于多样本组学推理的多模态大语言模型

    研究者推出 OmicsLM,一个 9B 参数的多模态大模型,将转录组表达谱编码为紧凑连续嵌入,可与自然语言指令及其他样本在同一上下文中交错处理。 模型通过 200 亿 token 继续预训练及 521 万对话监督微调进行训练;在 3000 题的 GEO-OmicsQA 基准全部六个变体及 PerturbQA 扰动反应预测中取得对比方法中最佳平均分,消融实验证实连续嵌入优于纯文本基因列表表示。

  14. arXiv · AI31

    GPT-Image-2 实战:基于 Twitter 数据集的自述 AI 生成图像分析

    研究团队发布首个 GPT-Image-2 公开数据集,汇集 2026 年 4 月 21 日模型发布后六天内的 10,217 张确认图像。 数据经多语言启发式与浏览器自动化验证筛选,涵盖 CLIP 主题分类、OCR 文本可读性及人脸检测等四维度分析。 发现 Twitter CDN 上传会系统性剥离 C2PA 内容凭证,导致社交媒体来源 AI 图像的加密溯源验证不可行。

  15. arXiv · AI26

    EAR:图像编辑模型中的视觉规划研究

    研究提出 EAR 范式,将视觉规划重构为单步图像变换,并引入 AMaze 数据集用于抽象谜题探测。 实验评估主流编辑模型发现零样本表现不佳,但基础尺度微调可显著提升领域内外泛化能力。 高性能模型仍无法匹配人类解题效率,揭示了神经视觉推理的持续差距,论文已被 NeurIPS 2026 接收。

  16. arXiv · AI20

    CoCo-LoRA:用于多模态不确定性估计的上下文贝叶斯 PEFT 方法

    提出多模态 PEFT 方法 CoCo-LoRA,将音频作为上下文信号条件化低秩空间的不确定性,而非融合特征流。 该方法通过池化音频嵌入投影至共享上下文空间,结合局部文本适配器特征,实现轻量级异方差不确定性建模,在多任务评测中匹配或超越纯文本基线。 在低资源多模态预测任务中,CoCo-LoRA 提供了稳健且参数高效的替代方案。

  17. arXiv · AI34

    HiMu: 用于长视频问答的分层多模态帧选择框架

    HiMu 是一个免训练的分层多模态帧选择框架,通过单次 LLM 调用将查询分解为逻辑树,在标准 16 帧预算下实现了 SOTA 准确率。该框架利用 CLIP、OCR 等专家信号生成帧满足度曲线,且匹配 4 倍帧预算的均匀采样精度。它作为即插即用模块,在 Video-MME 等基准上显著提升了 7 种 MLLM 的表现。

  18. arXiv · AI30

    Directional Attention Guidance (DAG) 实现扩散模型免训练单步推理加速

    论文提出免训练的单步推理规则 DAG,通过放大稀疏-稠密注意力差异中检索方向对齐的分量来加速生成,在 FLUX.1、FLUX.2 和 Qwen-Image 等骨干网络上提升了文本对齐与人类偏好评分。 该规则基于 Modern Hopfield 动力学分析,具有弱收缩稳定性,适用于 UNet 和 MMDiT 架构及多步/少步场景,仅需在基础采样器上增加微小单图成本。

  19. arXiv · AI20

    FediLoRA:应对模态缺失约束的基础模型联邦微调实践

    FediLoRA 提出了一种轻量级联邦 LoRA 聚合框架,旨在解决机构算力异构导致的 LoRA 秩不平衡及现实场景中模态缺失问题。 该框架利用简单平均和结构化编辑,使全局模型与个性化模型同时受益,在通用域和医疗域基准数据集上表现强劲。 实验证明 FediLoRA 适合医疗等实际部署场景,代码已公开,是目前首个同时应对这两项挑战的工作。

  20. arXiv · AI35

    多国胸片AI分类模型回顾性诊断准确性研究

    研究回顾评估了10个胸片AI分类模型在来自六国的12个数据集上的表现,主要结局为95%敏感度下的特异度。 MAVL和MedKLIP总体特异度最高(0.37),但PPV仅0.18-0.19;在机构队列中,多数模型特异度比公开基准低0.09-0.15。 这表明公开基准性能高估了模型在未见数据上的表现,部署前需进行外部验证。

  21. arXiv · AI30

    多模态 LLM 能否作为深度伪造检测器?基准测试与推理路径分析

    该研究对 12 款最新多模态 LLM 进行基准测试,发现表现最优的模型在零样本下具备强泛化能力,在分布外数据集上甚至超越传统检测管线。 使用提示词微调并分析了模型的推理路径;结果发现,针对深度伪造检测这种小众任务,较新的模型版本和推理能力未必带来提升,而模型大小在某些情况下有帮助。 研究强调了将多模态推理集成到未来深度伪造检测框架中的潜力,并提供了关于模型可解释性的洞察。

  22. arXiv · AI31

    超分辨率处理削弱现有 Deepfake 检测效果:一项基于真实世界换脸数据集的研究

    研究发现,现实中常用的超分辨率后处理会显著削弱现有 Deepfake 检测方法的效能,导致检测精度接近随机猜测水平。 研究团队发布了首个来自在线换脸平台的真实世界换脸数据集,并定性、定量验证了主流检测器在真实场景及经过后处理后的性能大幅下降。 该研究揭示了学术研究与实际应用间的差距,为提升 Deepfake 检测在现实环境中的鲁棒性提供了关键方向。

  23. arXiv · AI34

    JRDB-AVR:面向真实环境具身智能体的主动视觉推理基准

    JRDB-AVR 提出基于真实机器人数据的主动视觉推理基准,评估具身智能体在受限视野下的证据获取与回答准确性。基准包含时间搜索、视角选择等任务,参考方法 JRDB-AVR-Agent 采用基于图的显式世界模型,代码已开源。实验显示当前 VLM 存在答案正确但缺乏视觉证据支撑的缺口,强调主动评估在具身推理中的必要性。

  24. arXiv · AI24

    Counterfactual Latent World Models (CLWM) 在部分可观测下的具身反事实推理

    CLWM 通过反事实对比目标解决预训练编码器导致的“反事实坍缩”,使模型能区分视觉相似但行为后果不同的干预。 在遮挡操作和混淆导航任务中,规划成功率分别提升至 74.6% 和 78.9%,延迟厨房场景的失败率降低至 9.7%。 该方法建立的表征无关指标可审计任意编码器,为具身智能体的动作规划提供了可靠保障。