预训练视觉位置识别模型的锚定排序对抗微调（ARAFT）
针对 SuperVLAD 和 BoQ 等 VPR 模型在 1/255 白盒排序攻击下 top-1 召回率最多仅剩 0.2% 的问题，作者提出锚定排序对抗微调 ARAFT，对每个对抗查询的最难正样本施加 listwise 排序损失，并锚定冻结预训练模型的干净描述子。
全部科研动态
arXiv · cs.CVAI 评分4040 arXiv · cs.CVAI 评分4747 UltraDiff：用冻结扩散模型先验实现自监督超声视频复原
UltraDiff 提出一种自监督框架，用冻结的预训练扩散模型作为插件先验，联合完成超声视频超分辨率与去斑，无需配对训练数据或重新训练模型。在 EchoNet-LVH 模拟数据上，其峰值信噪比较最强基线提升 1.24 dB；在 100 段真实 EchoNet-Dynamic 视频上，零样本射血分数预测的平均绝对误差从 7.31 降至 6.37 个百分点。
arXiv · cs.CVAI 评分6060 Blueprint2CAD 基准发布：评测视觉模型能否匹配工程图与 CAD 渲染图
研究团队提出 Blueprint2CAD 基准，用于判断正交线工程图与另一视角的着色渲染图是否对应同一零件，其数据层 BlueCAD-30K 基于 29,925 个 Zero-to-CAD 模型生成六视角图纸与渲染。
arXiv · cs.CVAI 评分5858 GraftRay：通过路径追踪将网格物体物理一致地插入 Gaussian Splatting 场景
作者提出 GraftRay，将网格物体物理一致地插入 2DGS/3DGS 室内场景：从扩散模型 2D 先验反投影得到反照率、粗糙度、金属度和法线，把窗户与灯具建模为解析面光源，并用低维基拟合从 LDR 拍摄中恢复绝对辐射度。
arXiv · cs.CVAI 评分5858 TrackTok：面向潜空间视频生成的对象对齐持久 token 分词框架
作者提出视频分词框架 TrackTok，让 token 在时间上持续编码同一语义对象，即使对象移动、形变或部分遮挡也保持一致。在 UCF-101 上，它以 8 倍更少的潜变量 token 取得与基线相当的类条件生成 FVD，延迟更低；在 Kinetics-600 帧预测任务的低 token 预算下优于现有 1D 分词基线。代码已公开。
arXiv · cs.CVAI 评分6060 SurgStreamer 用结构化状态与可复用推理层实现手术视频流的按需监控
SurgStreamer 将手术视频监控拆成手术相关感知与手术无关推理两层，把 1-FPS 视频流映射为工具、动作和阶段的结构化状态，再由规则或小型控制器判断监控条件。
arXiv · cs.CVAI 评分5858 SPARE：面向流式视频理解的共享感知与自适应证据检索框架
作者提出 SPARE 框架，将自适应历史检索与视觉编码器共享结合，在 OVO-Bench 的 Real-time 与 Backward 任务组上达到 77.78%，在 StreamingBench 上达到 73.31%。
arXiv · cs.CVAI 评分4747 PureVision：面向医学 VLM 多表型病灶解读的几何监督视觉表征学习框架
研究者提出几何监督视觉表征学习框架 PureVision，用于提升医学 VLM 对多表型病灶的解读能力。该框架由几何监督表征学习模块 PureEyes 和解剖引导证据聚合模块 PureNeurons 组成，通过理想空间分布编码解剖层级与表型子类关系。
arXiv · cs.CVAI 评分6060 新基准评估图表与场景中的视觉可答性：最强模型完整问题成功率最高 57.0%
作者提出一个包含 3,000 个问题组的视觉可答性基准，问题分别取自 PlotQA 图表、CLEVR 渲染场景和 GQA 照片各 1,000 组，每组固定问题并配原图、保留答案的编辑图和移除证据的编辑图，图表与 CLEVR 还加入改变答案的编辑，模型需逐图独立作答，只有全部答对且该弃答时弃答才算成功。
arXiv · cs.CVAI 评分5858 CAT-Free：无需标定、标注与目标场景训练的多视角 BEV 行人检测与跟踪
作者提出 CAT-Free，仅用同步 RGB 视频完成多相机行人检测与跟踪，无需相机标定、位置标注和目标场景训练。方法先从视频估计相机位姿与地平面，再跨相机三角化检测并关联成轨迹，并用两个几何过滤器剔除不稳定估计和离地位置，阈值由无标注视频估计。
arXiv · cs.CVAI 评分4242 面向原始 3D 点云的几何保持盲水印方法
研究者提出一种直接作用于 xyz 坐标的盲水印框架，支持物体级形状与场景级扫描，验证时仅凭观测点云即可恢复嵌入信息，无需原始点云、颜色、法线或网格连接。该方法用基于八叉树的前馈架构联合学习水印嵌入与提取，训练中引入随机变换层和渐进位姿对齐以提升鲁棒性。在物体级与场景级基准上，常见几何处理下可实现可靠信息恢复并保持较低几何失真。
arXiv · cs.CVAI 评分6060 研究团队用胸部 CT 分解投影为胸片骨抑制提供可扩展监督
研究团队提出基于数字重建放射影像（DRR）的框架，把胸部 CT 分解为骨骼、非肺软组织和肺三类成分并分别投影，加权组合得到像素级配准、各成分精确相加等于完整 DRR 的合成胸片，从而在缺乏真实配对数据的情况下训练骨抑制或肺抑制模型。
arXiv · cs.CVAI 评分4747 RIGOR：用虚拟四视角装置实现全景视频的大规模三维重建
RIGOR 是一套面向重力对齐全景视频的大规模重建流程，将每张全景图视为四视角虚拟装置，在冻结的前馈透视骨干上检测并修复局部不一致预测。它通过四视角循环一致性检索回环，并在全局优化前几何验证候选重访，用 Sim(3) 位姿图校正旋转、平移与尺度漂移。在施工工地序列上，该一致性机制相比前馈基线提升了轨迹精度与重建几何质量，代码已开源。
arXiv · cs.CVAI 评分4040 BMT：统一分层 ViT 同时实现 SAR 到光学图像转换与语义分割
研究提出 BMT，一个分层 Vision Transformer，通过共享编码器将 SAR-to-optical 转换与 SAR 语义分割耦合，采用多尺度 one-hot 条件、门控 LocalViTBlock、颜色校准生成头与 ControlNet 式零初始化注入。
arXiv · cs.CVAI 评分6262 GlyphAnchor 通过位置锚定字形先验提升扩散 Transformer 的视觉文本渲染
研究提出 GlyphAnchor，用位置锚定到目标图像的字形 patch 条件增强扩散 Transformer 骨干，并通过分阶段监督微调与文本感知后训练提升稳健性，同时发布 InfoTextBench 基准。在多个骨干和基准上的实验显示，该方法在长文本、密集排版和生僻字场景中持续提升文本保真度，并保持整体图像质量。该工作已被 NeurIPS 2026 接收。
arXiv · cs.CVAI 评分6767 CORAL：面向光显微图像中结构感知与全脑神经元重建的基准
研究团队提出 CORAL，这是首个在局部与全脑两个尺度上对光显微图像自动神经元重建进行结构感知评测的基准，基于高质量全脑 fMOST 数据集构建了块级重建和全脑重建两个递进任务。团队还提出基于纤维预测的结构感知指标，并开发了通过迭代式局部到全局过程把任意局部重建方法扩展到全脑尺度的追踪框架。基于该基准，团队首次对主流局部神经元重建方法做了结构感知比较，并进一步评估了它们的全脑重建表现。
arXiv · cs.CVAI 评分5858 ChessQueries 用 ViT 编码器加 DETR 式解码器提升棋盘识别，ChessReD 准确率从 15.3% 升至 99.2%
作者提出 ChessQueries，将 ViT 编码器与 DETR 式解码器结合用于棋盘识别，在 ChessReD 基准上把 SOTA 从 15.3% 提升到 99.2%，并在两个数据集上平均每盘仅 0.01 个错误格子（SOTA 分别为 3.4 和 0.15）。该方法在分布外数据集上也表现良好，作者同时公开了从顶级国际象棋赛事转播中解析出的更难数据集 SLCC，以及代码和模型权重。
arXiv · cs.CVAI 评分4747 CoEvoAD：面向零样本异常检测的跨类别迁移协同进化提示优化
研究提出 CoEvoAD，一个在离散自然语言空间做提示词搜索的协同进化框架，通过迭代生成、评估和选择候选提示词，保留自然语言的可解释性与可组合性。该方法引入跨类别迁移目标（CCTO），用留出的源类别作为未见类别的代理来评估提示规则的可迁移性，提升跨类别泛化能力。在多个异常检测数据集上取得 SOTA，代码已开源，论文被 EMNLP 2026 主会接收。
arXiv · cs.CVAI 评分6060 WithEveryone：统一规划与身份定位的多人图像生成框架
WithEveryone 提出统一框架，用于生成包含 5-10 个参考身份的群体图像：把每个选定身份作为带地址的 token 注入，预测结构化的身份-布局方案并渲染为视觉条件。
arXiv · cs.CVAI 评分6262 PanDent：面向牙科全景放射影像的牙位级结构-语言一致性基准
研究团队发布 PanDent 牙科全景放射影像基准，包含 9,554 张由牙医标注并经口腔颌面放射科医师验证的牙位级结构化发现，其中 9,049 例公开来源病例用于监督训练，另有独立的 505 例内部基准。
arXiv · cs.CVAI 评分4242 TextGaze：用文本场景线索提示视线目标估计
TextGaze 提出一种统一跨模态架构，用大型视觉语言模型（LVLM）提供与视线对齐的文本线索，作为可扩展的语义引导，平衡多分支方法与精简设计两种范式。模型从冻结编码器提取视觉特征，配合基于 Transformer 的融合模块与分层文本监督，由轻量解码头联合预测视线热力图和画面内外状态。
arXiv · cs.CVAI 评分4040 DiffCVE：基于扩散模型的压缩视频增强方法
论文提出 DiffCVE，一种基于扩散模型的压缩视频增强方法，通过编码先验增强的双条件分支联合建模压缩视频与残差、运动矢量等编码先验，为扩散去噪提供结构与运动引导。该方法引入压缩退化语义提示机制，利用 QP 条件文本提示配合 LoRA 微调，并在 VAE 解码器中加入编码先验引导加权融合模块。实验显示其在严重压缩场景下能有效提升感知质量，项目页面与代码已公开。
arXiv · cs.CVAI 评分5252 GUSH3R：单次前向从单目视频重建动态人体与场景的 3DGS 框架
GUSH3R 提出一种前馈框架，从单目人体-场景视频中单次前向重建动态人体与静态场景，并输出几何一致的 3D Gaussian Splatting 原语，支持新视角合成。在单目人体-场景数据集上的实验显示，其新视角合成质量与优化类方法相当，同时推理效率显著提升。该工作已被 WACV 2027 接收，项目页见原文链接。
arXiv · cs.CVAI 评分6262 SimpleSearch-VL：面向多模态智能体深度搜索的简洁方案
研究团队提出多模态智能体搜索框架 SimpleSearch-VL，核心思路是改进智能体自身的搜索与验证过程，而非扩大数据、工具或辅助模型规模。该方法用 Factorized Adaptive Rollout（FAR）提升采样效率，并通过链式思维验证检索到的视觉与文本线索是否与原始上下文相关。
arXiv · cs.CVAI 评分4242 MARS：面向多源视觉推理的单源锚定优势归一化框架
针对多源视觉输入中信息增益与干扰难以区分的问题，研究者提出单源锚定多源推理框架 MARS，将单源奖励作为动态锚点，把多源融合带来的信息增益纳入优势归一化，在 RLVR 中自适应强化源间互促并抑制噪声冲突。在 GRPO 和 DAPO 上跨多个数据集分别取得 3.2% 和 4.9% 的性能提升，代码已开源，论文被 NeurIPS 2026 接收。
arXiv · cs.CVAI 评分4242 超越实例级自监督：3D 多模态医学影像的跨实例拓扑一致性预训练
研究提出以跨实例拓扑一致性作为自监督信号，利用解剖结构在不同个体间保持的空间关系（如丘脑位于基底节内侧）改进 3D 多模态医学影像预训练。方法分实例内跨模态三元组目标与实例间伪对应部分邻域对齐两种机制，在 7 个下游多模态任务上分割和分类平均提升 1.1% 与 5.94%，测试时模态缺失下鲁棒性明显更好。
arXiv · cs.CVAI 评分5858 OptDiff：面向逆问题的扩散优化器原则化设计
研究提出原则化重参数化方法，使同一组推理超参数（噪声调度、后验采样权重）可跨多个逆问题复用而无需重新调参；并在 RED-diff 框架上构建 OptDiff 流程，将后验采样转化为优化问题以接入凸优化工具加速推理。在图像重建、去模糊和超分辨率实验中，该方法取得明显加速并提升图像质量。
arXiv · cs.CVAI 评分5858 SplitGS-Loc 通过拆分高斯消解 GSFF 中的 2D-3D 对应歧义，用于视觉定位
作者提出 SplitGS-Loc，一个面向视觉定位的 Gaussian Splatting 特征场构建框架，通过 Mixture-of-Gaussians 拆分把多对一的像素到点映射变为一对一对应，并利用 GS 光栅化的组合权重筛选多视角一致的高斯。该方法无需逐场景训练特征场或迭代位姿优化，在定位基准上取得有竞争力的结果，代码已公开，论文被 NeurIPS 2026 接收。
arXiv · cs.CVAI 评分4747 CHRep：面向空间基因表达预测的跨模态组织学表征与事后校准框架
CHRep 是一个两阶段框架，用于从常规 H&E 切片预测空间基因表达：训练阶段联合优化相关性感知回归、图像-表达对称对齐与坐标诱导的空间拓扑正则，推理阶段用轻量校准模块提升跨切片鲁棒性且无需微调主干。
arXiv · cs.CV精选AI 评分7878 CanViT：面向主动视觉基础模型的 Canvas Vision Transformer
作者提出 Canvas Vision Transformer（CanViT），称其为首个任务与策略无关的主动视觉基础模型，用场景相对 RoPE 绑定视网膜拓扑 ViT 主干与场景级画布工作区，并以 Canvas Attention 实现高效交互。
推荐理由：论文给出首个任务与策略无关的主动视觉基础模型，并在 ADE20K 上以更少推理 FLOPs 超过主动模型与 DINOv3 教师。
arXiv · cs.CVAI 评分5858 ENIGMA-360：面向工业场景人类行为理解的自我中心与外部视角数据集
研究团队发布 ENIGMA-360，一个在真实工业场景采集的自我中心与外部视角数据集，包含 180 段自我中心视频和 180 段外部视角程序性视频，两视角时间同步并带有时空标注。作者为时间动作分割、关键步骤识别、自我中心人-物交互检测和视频接地的跨视角 VQA 四项基础任务提供基线实验，结果显示现有 SOTA 方法在该场景下仍有明显局限。数据集与标注已公开。
arXiv · stat.MLAI 评分5858 双重机器学习用于面板数据：识别、设定与银行监管效应
论文研究双重/去偏机器学习下面板估计的稳健性与因果解释，以2018年美国银行监管为原型处理设定，在共同处理时点下刻画识别条件与干扰项限制，并给出银行层面 within 与 first-difference 得分的精确表示。
arXiv · cs.CVAI 评分5858 TORS：面向文生图扩散模型的免训练快速采样调度策略
研究系统梳理了文生图扩散模型免训练加速采样的设计空间，实验发现采样时间表是最关键因素，并据此提出恒定总旋转调度策略 TORS，使采样轨迹上的几何变化保持均匀。TORS 在 Flux.1-Dev 和 Stable Diffusion 3.5 上仅用 10 步采样即生成高质量图像，优于此前的免训练加速方法，并展现出对未见模型、超参数和下游应用的适应性，代码已开源，论文被 ECCV 2026 接收。
arXiv · stat.MLAI 评分5858 论文提出时间序列独立性可学习的谱边界
Senhan Yao 与 Yuxin Zhou 研究仅凭单条观测记录检验两条时间序列是否独立的问题，指出共享非平凡 Koopman 特征值构成一类可学习性边界。
arXiv · cs.CVAI 评分6262 VidEoMT：仅用 ViT 编码器实现视频分割，速度提升 5 至 10 倍
作者提出 VidEoMT，一种仅用 ViT 编码器的视频分割模型，去掉了专用跟踪模块。它通过复用上一帧查询的轻量查询传播机制实现时序建模，并与一组与时间无关的可学习查询融合，在保持有竞争力精度的同时比现有在线视频分割模型快 5x-10x，ViT-L 骨干下最高 160 FPS。论文被 CVPR 2026 接收，代码已公开。
arXiv · cs.CVAI 评分4747 Diff-Aid：面向整流文本到图像生成的推理时自适应交互去噪
Diff-Aid 是一种轻量级推理时方法，可跨 Transformer 模块和去噪时间步自适应调整每个 token 的文本与图像交互。作为即插即用模块，它在 SD 3.5 和 FLUX 基线上于提示词遵循、视觉质量和人类偏好等指标上取得一致提升，并可接入风格 LoRA、可控生成与零样本编辑。该工作入选 NeurIPS2026，代码与模型将开源。
arXiv · cs.CV精选AI 评分7272 MMEarth-Bench：面向全球地球观测的多模态测试时训练基准
作者提出 MMEarth-Bench，包含五个环境任务、12 种模态和全球分布数据，并提供随机与地理两种测试划分。基准测试显示多模态预训练在少标注下更稳健，但地理泛化仍较差，数据充足时随机初始化的多模态模型也具竞争力。作者进一步提出模型无关的 TTT-MMR 方法，在测试时用全部可用模态做重建辅助任务，在两个划分上均提升各模型表现，数据集、代码与可视化工具见项目页。
推荐理由：材料给出五个新任务、12 种模态和地理切分，并指出地理泛化仍是短板，读者可据此判断多模态地球观测模型的真实能力边界。
arXiv · stat.MLAI 评分4040 基于共形预测的马尔可夫过程冲突预测
研究将共形预测用于时间依赖数据，在假设数据来自离散状态马尔可夫过程时，与基于似然的预测策略进行对比，输出未来冲突状态序列的预测集合。点预测因错误代价极高而信息不足，因此采用能提供有效不确定性量化且对模型误设稳健的机器学习替代方案。数据分析给出多个国家的真实冲突动态预测，并评估了训练数据落入现有文献未讨论的普遍边缘情形时两种预测集合的差异。
arXiv · cs.CVAI 评分6565 MM-SCALE：评估视觉语言模型中基于证据的道德判断
作者提出 MM-SCALE 基准，用于评估视觉语言模型的道德判断是否基于正确证据，包含 8,444 个图像上下文和 21,977 个动作场景，每个场景标注 5 点道德可接受度评分及判断依赖文本、图像或两者的模态依据标签。
arXiv · cs.CVAI 评分6060 研究考察遥感基础模型的冗余与可瘦身性：宽度大幅削减后仍保留逾 85% 相对精度
研究团队对十个遥感基础模型（RS FM）做后处理瘦身，即统一削减预训练编码器 Transformer 块的宽度，在分类、分割和变化检测任务上测量表征冗余。结果显示，在宽度大幅削减、计算量相同的条件下，这些模型在遥感分类数据集上平均仍保留超过 85% 的相对精度，而自然图像预训练的 CV MAE 和 CV DINOv2 在类别数匹配的 ImageNet 子集上精度明显下降。