跳到正文
11月10日周二
  1. arXiv · AI23

    MoT3DVG:面向户外 3D 视觉定位的运动感知基准

    研究团队提出 MoT3DVG 数据集与 DynaVG 框架,实现户外动态 3D 视觉定位 SOTA 性能。 该数据集基于 nuScenes 构建,包含 850 场景、31,128 帧及 144,568 条运动描述,DynaVG 引入 SLIDE 模块融合局部运动与全局时序线索。 这项工作为户外自动驾驶场景中的 3D 视觉定位提供了新的评测标准与研究方向。

  2. arXiv · ML25

    柏拉图表示假设下的对齐涌现位置及意义:基于基线校准的跨模态分析

    研究发现随着语言模型能力提升,其与视觉模型的对齐趋势在新模型中依然存在。 前提是描述文本足够干净且信息丰富,且需消除模型深度和宽度带来的干扰。 单模态模型的跨模态表示对齐可超越显式对齐的视觉-语言模型,但仍低于同模态模型间的对齐水平。

  3. arXiv · AI20

    A2MoE:面向3D医学视觉-语言预训练的解剖激活混合专家模型

    A2MoE框架将解剖归纳偏置引入3D医学视觉-语言预训练,基于6万余例多期CT数据训练后,在分割、分类和检测基准上取得领先性能。 其核心包含直方图表示路由器(HRR)和器官查询多尺度投影器(OQMSP),通过patch级路由降低复杂度,并无需人工标注即可实现细粒度对齐。 该模型还能泛化至MRI和超声影像,为医学表征学习提供可扩展基础。

  4. arXiv · AI28

    基于盲点推理与 Agentic 对话的 VLM 选择性协同感知

    该研究提出基于 VLM 的 Agentic 框架,利用混合模型架构实现选择性协同感知,支持盲点推理与对话交互。框架结合常规目标检测、VLM 视觉语言推理及物理几何模块,并采用 CoT 提示增强可解释性。实验显示,其驾驶关键盲点检测准确率超 80%,对话驱动感知共享成功率超 90%。

  5. arXiv · AI22

    CC2-STG:基于凸凹分解与稀疏拓扑学习的骨骼临床评估框架

    针对骨骼康复评估中固定拓扑无法建模代偿模式及缺乏几何理解的问题,CC2-STG 框架通过结合几何分解、稀疏特征学习与自适应拓扑实现了 SOTA 性能。 模型分解关节关系为互补的凸凹距离函数,利用稀疏正则化选择临床相关特征,并通过多尺度拓扑分析捕捉病理性运动中的非解剖学关节依赖。 在 KiMoRe 和 UIPRMD 数据集上的实验验证了该框架在临床病理性运动评估中的有效性。

  6. arXiv · AI28

    VisProve:通过类型化视觉溯源提升科学文档问答准确性

    VisProve 模型通过结合可微分空间证据读取与反馈,将科学文档问答的 Typed-F1 从 3.52 提升至 5.48。 该模型基于包含 3,941 个问题的 ReViE 数据集进行训练,采用门控范数受限残差连接条件化下一 token 预测。 实验表明,将视觉定位与支持关系建模相结合主要改善了细粒度溯源,揭示了答案生成与证据归因间的显著差距。

  7. arXiv · AI35

    EndoSCOP-V:用于内镜报告与临床推理的多模态模型多轮视频理解评测框架

    EndoSCOP-V 是一个基于视频的评测框架,包含 1,307 段内镜视频和 20,274 个问答轮次,由 1,033 份临床医生审核的模板确定性生成。 该框架采用马尔可夫上下文剪枝协议逐轮评估,15 名认证内镜医生组成的专家组确立了 78% 的严格准确率基准。 最佳的 27B 级开源模型严格准确率仅达 59.8%,在量化测量和长时程视频干预推理方面仍存在显著差距。

  8. arXiv · AI44

    通用生成式 AI 能否为医学视觉模型提供训练数据?一项多模态回顾性研究

    通用图像生成模型 Nano Banana 用于医学图像合成,仅用合成数据训练的肺炎模型 AUROC 达 0.877。 合成数据可补充训练与子群增强,但校准性能不稳定;编辑视网膜图像可使模型概率从 0.996 降至 0.822。 临床医生需结合校准分析和决策曲线评估合成数据的临床价值,而非仅看判别指标。

  9. arXiv · ML32

    ELD:基于能量分布预测视觉预训练质量的合成数据筛选原则

    研究提出能量水平分布距离(ELD),通过对比真实与合成图像的能量分布来审计合成数据,预测视觉预训练性能优于 FID 和 LPIPS。 ELD 能识别被传统指标忽略的分布失配,并指导合成数据重采样与混合,在匹配真实图像能量直方图的同时保留多样性以提升下游迁移效果。 该成果已被 NeurIPS 2026 接收为口头报告。

  10. arXiv · AI29

    PoseBench: 探测视觉基础模型中的位姿感知能力

    研究提出 PoseBench 基准,用于探测预训练视觉特征中的位姿感知能力。 该基准评估了来自 10 个预训练家族的 31 个公开检查点,结合 held-out 渲染视图和真实图像查询进行系统性测试。 研究发现位姿感知是 2D 视觉基础模型的隐式且不均匀属性,且位姿图优化可进一步提升性能。

  11. arXiv · AI20

    LoCo:面向判别式开放词汇多标签识别的选择性局部竞争

    提出 LoCo 框架,通过空间一致视觉编码器和选择性 Softmax 处理局部语义稀疏性,增强开放词汇多标签识别(OV-MLR)的判别能力。 独立使用 LoCo 在四个基准上将平均 F1 和 mAP 分别提升 3.4% 和 3.8%;结合 DualPrompt 后优势扩大至 4.8% 和 5.2%。 代码已开源,该论文被 NeurIPS 2026 接收。

  12. arXiv · AI21

    ViT-B/16 在 Deepfake 检测中展现更优的视频级稳定性

    在统一框架下对比 ResNet-18、EfficientNet-B0 与 ViT-B/16,ViT-B/16 在 Celeb-DF v2 上取得 92.8% 视频级准确率。 AUC 为 0.950,而 CNN 模型在视频级聚合后性能下降;跨数据集 AUC 仅为 0.79 和 0.64,显示泛化差距。 全局自注意力提升了域内鲁棒性,但需进一步解决跨域泛化问题。

  13. arXiv · AI30

    基于隐私感知几何表征的面部表情识别基准研究

    该研究提出一种仅使用面部关键点(478点)和混合形状(52个系数)的轻量级隐私感知管道,避免存储原始视频。在融合CREMA-D和RAVDESS数据集上,从零训练的几何模型在未见受试者上性能超越ImageNet预训练的ResNet50基准,参数量减少12至124倍。消融实验表明混合形状捕捉主要判别信号,关键点提供互补空间拓扑,该方案可消除对视觉骨干网络的依赖。

  14. arXiv · ML20

    GenISys:基于子系统条件表格扩散模型的船舶系统集成设计框架

    提出用于船舶设计的 GenISys 框架,其核心 SCDDPM 模型通过联合生成子系统,在成本约束下的合格率比单体和顺序生成分别提高 9.0% 和 17.2%。 该框架数据集包含 217,999 个设计方案,其中 16,247 个满足工程约束。 实验证明该方法能有效协调船体、结构等子系统,生成满足约束且性能优异的集成系统。

  15. arXiv · AI28

    Med-DualLoRA 提出客户端感知联邦微调框架,用于3D心脏MRI疾病检测

    该框架通过加性分解解耦全局与局部低秩适应(LoRA),仅共享全局组件以保护数据隐私并降低通信成本。实验显示,仅适配两个 transformer 块即可在平衡准确率 0.768 和特异性 0.612 上显著优于其他联邦 PEFT 基线。这为现实临床约束下医疗基础模型的本地联邦适配提供了可扩展方案。

  16. arXiv · AI22

    AuDiR:通过规则和感知干预诊断音频推理

    基准测试 AuDiR 通过受控干预区分音频推理中的感知、规则知识与应用故障,当前包含 201 个题目。 在 Gemini-3.8-flash 的初步评估中,准确率从无信息时的 29.3% 提升至提供观察后为 98.5%,移除音频后为 23.9%。 结果证实了提供文本声学观察的价值,但受限于不完整验证和潜在识别捷径,无法做出更强的故障归因结论。

  17. arXiv · ML20

    PROLA:面向预测性时空天气预报降尺度的主正交低秩适配

    提出 PROLA 框架将预测性时空天气降尺度分解为空间与时间阶段,在保持低秩预算不增加可训练秩的情况下,通过重标定 rank-1 优化器更新提升适配性能。 实验表明 PROLA 在 PSWD 任务上优于代表性低秩适配基线,其收益亦延伸至多样化的数据集与任务,验证了方法的通用性。该工作已被 NeurIPS 2026 接收。