跳到正文
11月3日周二
  1. arXiv · ML33

    One Image Is Enough: Self-Generated Supervision for Personalizing Human Video Diffusion at Test Time

    提出基于单参考图像和自生成伪标签的人体视频扩散个性化方法,在测试时通过合成关键姿态帧监督,无需多姿态视频或真实标签。 方法采用域调优姿态条件生成器产生伪真值帧,结合推理时参考仅采样器和低秩适配器训练;在 TikTok 和 UBC Fashion 基准上,改进模型优于基线,反转身份-运动权衡,性能匹敌使用五张真实帧的适应模型。

  2. arXiv · ML23

    Latent Diffusion-GAN:在自编码潜在空间进行对抗学习

    研究人员提出 Latent Diffusion-GAN (LD-GAN) 框架,将对抗学习无缝整合进扩散模型,利用预训练 VAE 作为基于能量的判别器,无需额外参数即可进行对抗训练。 该框架引入结构一致性能量对齐编码器与解码器特征,确保训练动态高效。实验表明 LD-GAN 在多个生成任务上显著优于 SOTA 基线方法,提升了样本保真度、感知锐利度与多样性。

  3. arXiv · ML23

    FlowFPR:基于流匹配先验的过采样傅里叶相位恢复方法

    提出 FlowFPR 方法,结合预训练流匹配先验与松弛平均交替反射,用于过采样傅里叶相位恢复。单次时间相关流预测即可获得清晰图像估计,无需通过流网络反向传播测量误差。在自然人脸图像测试中,联合变体在两个非零噪声水平下取得最佳平均质量,且端到端运行时间低于扩散模型基准。

  4. arXiv · ML28

    SpatialVec:一种带边界感知采样地理空间对象统一表征学习框架

    SpatialVec 通过 Transformer 编解码器生成统一表征,在两个真实数据集上显著优于现有基准模型,提升了下游预测与分类任务性能。 该框架采用几何重建训练,自适应采样几何边界及区域以捕捉精细结构,专为 GeoAI 空间推理任务设计。 论文已被 2026 年 IEEE 大数据国际会议接收为全文研究论文。

  5. arXiv · ML24

    动态合并互蒸馏多视图网络用于基于 RGB-事件 的表示学习

    提出一种互蒸馏方法,结合多视图教师网络权重实现模型参数级融合,解决现有范式仅利用有限事件数据表示能力的问题。 采用多个编码器提取不同事件表示,在特征级和 logit 级进行互知识蒸馏,再通过动态层级模型合并策略生成统一的 RGB-事件表示模型。 在多个基于事件的基准数据集上验证,该框架取得显著性能提升,为多模态融合提供更优解决方案。

  6. arXiv · ML28

    AdaptAD:基于基础模型适应与缺失模态鲁棒性的阿尔茨海默病分期方法

    提出基于冻结 ViT-B/16 的 AdaptAD 方法,通过 LoRA 训练仅 350 万参数,在 ADNI 数据集三分类宏 AUC 达 0.745,显著优于全量微调及 3-D CNN。 该方法将形态计量学处理为 Token 或 [MISSING] 标记,在 OASIS-3 外部测试集 AUC 达 0.780,证明 2-D 基础模型无需 FreeSurfer 即可实现阿尔茨海默病分期。

  7. arXiv · ML30

    CarDiff:用于牙科龋齿合成的解剖感知扩散模型

    CarDiff 在 MLUA-DC1000 数据集上取得最佳 FID (90.76) 和 LPIPS (0.48) 分数,提升牙科全景片龋齿合成质量。 该半监督框架结合解剖感知条件生成与分割引导监督,在七个架构的下游分割任务中,使用 5 倍增强训练集使平均 Dice 分数提升最高 6.5%。 代码已开源,表明解剖一致的扩散合成适用于有限监督下的牙科影像增强。

  8. arXiv · ML27

    SIMIT:测试时通过想象自举提升视觉语言模型性能

    SIMIT 提出一种测试时自我改进框架,视觉语言模型通过想象自身可控的相似问题生成训练数据,无需标注或外部模型。 框架合成多样化多模态三元组,结合图像生成与可扩展技能库,并通过多阶段验证与自适应预算分配采样。在 17 个基准上,最佳配置较 BAGEL-7B 提升 7.20%,无训练模式提升 6.98%。

  9. arXiv · ML35

    CARe:面向视觉语言模型测试时自适应的协方差感知评分方法

    研究者提出 CARe 方法,利用目标特征二阶矩诱导的马氏几何替换常见的余弦相似度评分,以解决各向异性特征分布下的自适应问题。 理论上,在共享协方差高斯模型下,CARe 的决策方向与贝叶斯最优线性判别一致;实验中,该方法在两个骨干网络的标准及细粒度分布偏移基准上均提升了 CLIP 的自适应准确率。 增益在特征各向异性强的数据集上最显著,随各向同性增加而消失;论文已提交 ICLR 2027 评审。

  10. arXiv · ML21

    AA-MP:面向几何感知神经算子的架构感知混合精度副本交换训练策略

    AA-MP提出一种副本交换混合精度训练策略,通过根据副本角色分配FP32与BF16精度,在保证几何感知神经算子预测精度的同时提升训练效率。在流体动力学和3D结构力学基准测试中,该策略使热副本峰值GPU显存降低46.9%,训练时间最多减少25.8%。消融实验证实保留冷副本FP32对精度至关重要,且该方法在不确定性量化方面优于朴素AMP,实现近标称覆盖率且预测区间更窄。

  11. arXiv · ML26

    SensOFormer:用于粒子加速器的基础模型

    SensOFormer 采用去噪掩码 Transformer 架构,通过自监督预训练从粒子加速器历史数据学习通用传感器表示。 模型具备 Perceiver 风格编码器-解码器结构,支持可变传感器集合与异构采样率,可处理不完整且含噪声的遥测数据。预训练后用于缺失数据插补、异常检测、腔体识别及故障识别等下游任务。

  12. arXiv · ML20

    果蝇连接组受限视觉模型中世界模型生成内容的线性可分性研究

    基于果蝇视觉系统受限模型的研究表明,训练后的模型能线性区分世界模型生成的“梦境”序列与真实视频,AUC达0.85至0.99。 该模型在时间统计特征上表现显著,仅需交换相邻帧即可达0.73 AUC,远高于未训练网络。 研究展示了神经连接结构约束下,已训练模型对生成内容缺陷的敏感检测能力。

  13. arXiv · ML33

    扩散模型记忆盆地的光谱特征与几何表征

    该论文提出了针对条件、无条件及 rectified-flow 扩散模型的记忆盆地几何表征,发现局部函数几何频谱中主导奇异模态出现及光谱急剧恢复是进入记忆盆地的特征。 研究通过作用于主导模态在训练期间抑制记忆,并开发方法在推理时识别和引导轨迹避开记忆盆地。 这些几何感知引导方法即使在低维几何近似下也保持有效,并证明可扩展至大规模文生图扩散模型。

  14. arXiv · ML21

    FACET:基于可行性自动机的分子式完整枚举与无截断评分

    研究提出 FACET 方法,利用可行性自动机枚举满足化学约束的完整分子式集合,避免正确候选项被截断丢失。 在 NPLIB1 基准上,已知加合物时 top-1 准确率为 0.859,未知时 0.729;在 CASMI 2022 外部测试集召回率达 1.000。 该方法分离了公式筛选与选择步骤,通过单一神经评分头对全部可行公式排序,显著提升了识别召回率。

  15. arXiv · ML21

    HAFL:基于空天地一体化网络的层级异步联邦学习框架

    针对 6G 去中心化边缘基础设施,论文提出低轨卫星辅助的层级异步联邦学习框架 HAFL,通过地面卫星链路实现资源受限客户端协作。 HAFL 采用异步 Gauss-Seidel 型更新替代同步方法以加快收敛,并为凸及非凸目标提供理论收敛性证明,联合优化超参数以降低全局训练时延。 在基准 DNN 和数据集评估中,HAFL 实现更快的初始收敛和可比对的最终性能,显著减少全局轮次和通信成本。

  16. arXiv · ML29

    OCELOT 利用卫星基础嵌入实现行星尺度物种分布建模

    团队提出名为 OCELOT 的多模态隐式神经表示网络,融合空间坐标与卫星基础嵌入,基于 20 亿条 GBIF 记录和 10 万个类群进行训练。 该模型在 600 公里空间块保留测试中,卫星嵌入使地理外推性能较仅用坐标的模型提升 51%,并在标准插值基准上匹配或超越现有基线,证明优化外推未牺牲分布内精度。

  17. arXiv · AI32

    CORAL:基于概念锚定推理与提示驱动定位的可解释医学报告生成框架

    CORAL 提出一种多模态框架,通过提示驱动定位病灶并结合概念瓶颈模块,在 BUS-CoT 和 IU X-ray 数据集上提升诊断准确性与报告质量。 该框架将文本概念令牌与掩码调制的视觉特征输入 MLLM,实现结构化报告生成与诊断预测,克服了现有系统缺乏临床中间属性建模的局限。

  18. arXiv · AI30

    以典型颜色为透镜探究视觉编码器与 VLM 的概念可解码性

    视觉编码器能在去除颜色的灰度图像中解码典型颜色信息,且该信息与其预测的物体身份存在概念联系。 扩展分析显示,完整视觉语言模型(VLM)的后训练对编码器的颜色可解码性有巨大影响。 典型颜色由此成为追踪视觉模型内部物体级概念语义信息的有效且可控的透镜。

  19. arXiv · AI21

    成本高效的指代图像分割与接地主动学习方法

    提出针对无文本指代图像分割的主动学习框架,通过生成辅助区域-文本对并使用 Referred Region Ambiguity 获取函数识别模糊区域。 在 RIS 和 REC 基准测试中,该方法显著优于多个主动学习基线,用户研究显示描述标注速度提升 1.6 倍。 该研究已被 EMNLP 2026 Findings 接收,旨在解决视觉接地区域标注瓶颈。

  20. arXiv · AI21

    重新思考医学影像 AI:迈向以医生为中心的智能体推理

    研究指出医学影像 AI 十年未转化为临床影响,源于设计评估与临床决策的结构性错位,识别出 8 个互相关联的错位维度。 错位包括仅像素模型主导、基础模型在数据稀疏领域失效、验证算法与可部署平台脱节等,AI 有替代而非扩展医生判断的风险。 文章提议以医生为中心的智能体推理路径,旨在生成可执行的临床指导,实现 AI 扩展而非取代临床判断。

  21. arXiv · AI33

    MOPDA:面向语言引导工业异常检测的混合轨迹在线蒸馏框架

    论文提出MOPDA,这是首个将在线自蒸馏引入基于LVLM的工业异常检测(IAD)的框架。 该框架包含“混合轨迹监督”和“语言引导视觉锚定”两个核心模块,分别用于判断学习和密集定位。 在五个IAD基准测试的跨数据集零样本评估中,MOPDA在多数检测、定位和判断指标上优于现有基于LVLM的基线模型。