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。
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。
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。
提出 TEA-Prompt 方法,通过行为锚定实现无重放持续学习,在 CIFAR-100 等基准上取得 SOTA 精度且遗忘显著降低。 该方法使用仅 0.38M 参数,结合 token 评估模块和注意力行为锚定损失,无需存储旧图像即可保护旧知识。 论文已被 WACV 2027 接收,代码公开可用。
该框架通过扰动产物将空间外观掩膜$M_a$与时间运动掩膜$M_m$解耦,联合优化以解释视频动作识别模型。 在EPIC-Kitchens-55等基准上,该方法取得最低删除AUC,且生成的掩膜比基线稀疏约5倍。 已被NeurIPS 2026会议接收。
研究提出无训练激活引导框架 Viscot-steer,通过解耦定位与推理向量迁移 LVLM 视觉思维链能力。 该框架对齐源模型与目标模型激活空间,在主要评测指标上平均比最强基线高 1.86 个百分点。
summary_zh: TTS系统使用2-4步Euler求解器时,说话人相似度(SIM)下降1-6分,主要源于纯噪声处Classifier-Free Guidance的影响。
Pinterest 提出 GLOC(Generative Labeling On Clusters)框架,通过优化图像嵌入形成语义紧密的图像簇并在簇级别生成总结性洞察,解决了传统人工标注高成本、覆盖有限及生成式AI延迟高的问题。
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。
研究发现,使用代码 LLM 生成的数据变换程序在 CIFAR-10、CIFAR-100 和 SVHN 数据集上的准确率均超过对 6000 个候选进行暴力搜索的结果,分别达到 0.8877、0.5825 和 0.9588。
研究提出 VFI-ReID 框架,利用检索候选人的视觉反馈作为后续提问证据,解决现有方法离线学习问题。该框架结合 DAR 和检索感知提问优化,在 VFI-PR 各阶段持续提升检索准确率并超越 Inter-PR 基线。 该工作构建了 VFI-PEDES 数据集与评估协议,支持视觉反馈交互的训练与评测。
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%。
提出 CastReasoner,采用结构化 CoT 提取上下文证据以指导自适应时间序列预测。 通过合成推理轨迹与多目标奖励,结合 SFT 和 RL 实现两阶段后训练。 多领域基准测试显示其预测性能优越。
WorldFoundry 开源统一了视频、3D/4D 及具身动作的推理与评测基础设施,包含 270 个模型和 74 个基准测试。 该系统通过显式清单将执行就绪与评估声明分离,支持可复现的跨系统对比,推动领域从感知合成转向可测量的世界智能。
FedUR 是首个利用 CLIP 等预训练视觉语言模型零样本能力进行联邦无监督识别的框架,其性能在标签级和特征级分布偏移下均优于基线方法。 该框架通过类感知数据选择策略处理数据异构性,并在服务器端聚合通用视觉提示词、在客户端保留个性化文本提示词。
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。
RoadState-VLM 通过自回归状态估计生成结构化车道级语义,核心模型在真实数据集上平均准确率达 94.33%。 系统引入 Geo-CoT 机制及级联路由流程,将常规案例分发至轻量模型。 自 2025 年 3 月部署以来,已覆盖 360 余个城市,使生产总成本降低 30%。
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。
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。
summary_zh: QCA-DenseNet 采用 8 量子比特变分电路作为通道注意力门控,结合 DenseNet121 实现静态 ASL 识别。 该模型包含 17,464 个参数,比 SE 模块少 7.51 倍。
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。
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。
研究人员发现现有潜空间多模态大模型存在心象崩塌失效模式,其生成的视觉潜变量对最终答案概率影响微弱,大部分推理计算实际路由至文本。该失效源于现有训练目标,视觉对齐仅使潜变量相似但未强制解码器依赖。
单步世界模型采用冻结 DINOv2/v3 补丁 Token,其最近邻匹配目标(IMLE)在性能上优于扩散模型。实验表明,m=16 的候选数量在预测覆盖率上超过 50 步流匹配,且推理延迟仅为其 1/30。
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。
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。
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。
研究提出KnifeHunter数据集与KHNet架构,在约12.5万干扰图下于困难协议达成63.4% mAP。 评估NarrativeBridge混合管线在27段英国BWV视频上表现领先,但仍存在13.6%事件无依据及27.7%发言归属错误。
CXR-CMFA 实现 93.45% 准确率与 99.19% AUC,仅 4 个假阳性。 采用 EfficientNet-B0 与 DenseNet-121 双视觉流及 TF-IDF-MLP 报告编码器,经 DMSAM 和 CGFF 模块融合。 轻量化设计支持高特异性筛查,无需依赖大型预训练语言模型。
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。
GMD-Mamba 通过分组多向扫描和仅在深层编码器使用 Mamba,将模型参数量降至 19.2M。 在 BraTS2023 数据集上,该方法取得 92.0% 平均 Dice 分数和 2.7 HD95 值。 代码已公开可用,并在 MSD Spleen 数据集上验证了竞争力。
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。
EarthJev 提出将区域评分与答案生成解耦的框架,在五个基准测试中使用 Qwen3.5-9B 达到 53.06% 的平均准确率。该框架通过空间指针验证器和证据感知决策机制,将单问题平均延迟从 11.30 秒降至 1.67 秒,同时保持回答模型冻结。
视觉语言模型(VLM)被验证可作“合成消费者”,其购买篮命中率与家庭历史行程持平。 货架选择中模型答案混杂位置与字母标签效应。研究者引入 ShelfSight 独立变化产品、位置、标签等变量,并用因子模型分离偏好与“答案效应”。
该轻量级即插即用模块利用注意力特征识别幻觉前兆片段,将无差别的推理阶段干预转化为定向纠正,可兼容多种现有对比解码方法。 在 NeurIPS 2026 被接收,实验证明其在多个基准测试中提升了幻觉抑制效果,并减少了对正常生成的负面影响。
DiffusedSplitFed 利用潜在去噪扩散模型在分割点混淆表示,实现了抗重建攻击的医疗图像分割。 框架包含 V1-V3 三种架构,在 HAM10K、Blastocysts 和 FHPsAOPMSB 三个数据集上验证了隐私增强效果。 实验显示其显著优于基线模型,且保持有竞争力的分割精度。
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。
研究提出利用稀疏自编码器(SAE)将地球观测基础模型的全球米级分辨率嵌入分解为稀疏特征。该方法能显著提升 AlphaEarth 和 Tessera 嵌入的重建能力,且特征与参考概念的关联度远低于原始维度。
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。
summary_zh: Spatial Harness 通过将场景表征为可执行世界状态,将空间推理锚定在物理引擎反馈中。该方法在 MindCube 基准上将 Qwen3.5-27B 的性能从 52.70% 提升至 71.14%,超越 pySpatial 7.52 个百分点。
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。