- 博客(302)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 【厦门大学-纪荣嵘组-arXiv25】全参考图像分割
数据集经过严格的四步构建流程（图像筛选、视觉标注、文本标注、全模态标注融合），划分了文本仅、视觉仅、全模态三种测试集，覆盖单目标、多目标、无目标等多种场景，规模远超现有RIS基准数据集。OmniRIS通过融合文本与视觉多模态提示，结合大规模数据集OmniRef和强基线模型OmniSegNet，突破了单模态分割任务的局限，实现了多场景、高通用的图像分割，为复杂场景下的交互式分割应用提供了新范式。三步训练机制：先通过视觉-语言对齐预训练，再进行视觉指令微调，最后开展全模态联合训练，兼顾单模态与多模态处理能力；
2025-12-26 00:34:07
417
原创 【西安交通大学-曹相湧组-arXiv25】SegEarth-R2：迈向遥感图像的全面语言引导分割
LaSeRS数据集填补了遥感复杂语言引导分割的训练资源空白，SegEarth-R2模型以两大创新机制实现“精准+高效”的双重突破，共同推动遥感AI从“听懂简单指令”迈向“应对复杂真实场景”，为灾害救援、城市规划等领域提供更实用的技术支撑。更关键的是，现有数据集多聚焦简单单目标场景，缺乏覆盖上述复杂维度的训练资源，导致AI在真实场景中“水土不服”，难以落地实用。：解决小目标/部件级分割不准的痛点，通过直接监督模型内部的视觉-语言注意力映射，强制模型聚焦目标区域，避免细节丢失；
2025-12-25 00:28:42
183
原创 【中科院-AAAI26】用于主动脉血管分割的自适应形态补丁 Transformer
模型先学习血管的走向和形态，生成一个“速度场”，再通过数学方法将其转化为平滑的变形场，让补丁能够跟着血管的弯曲、粗细变化自适应调整——血管弯，补丁就弯；不管是粗壮的主动脉主干，还是纤细的分支血管，只要具备血管的核心语义特征，都会被模型精准识别并聚合特征，大幅提升了不同尺度血管的分割一致性，减少误判和漏判。MPT通过形态自适应补丁和语义聚类注意力两大创新，解决了传统模型分割复杂主动脉血管的核心痛点，在精度、效率和泛化性上实现全面突破，为心血管疾病的精准诊断提供了强有力的AI工具。
2025-12-24 00:44:50
354
原创 【哈工大-AAAI26】面向模糊医学图像分割的模糊感知截断流匹配
GTR直接将关键节点的分布建模为高斯分布，通过明确的均值和方差参数化，既能保留少见但合理的病变模式，又能保证分割结果的一致性，大幅提升了预测保真度。ATFM通过“分层推理+高斯建模+语义流匹配”的创新组合，首次实现了模糊医学图像分割中精准与多样的协同提升，既解决了传统方法“顾此失彼”的痛点，又兼顾了效率与医学适配性，为AI辅助医学影像诊断提供了更可靠、更实用的新方案。从定性结果来看，ATFM的分割结果既能精准还原病变细节，又能呈现多种符合医学逻辑的标注形式，远优于其他先进方法。
2025-12-23 00:18:51
331
原创 【山东工商大学-AAAI26】整合方向、频率 - 空间和结构注意力用于医学图像分割
它能自动学习关键区域的结构 orientations，比如肿瘤的长轴方向、器官的边缘走向，让AI对细微结构的敏感度大幅提升，不会错过重要细节。这个模块就像“智能过滤器”，先筛选出编码器和解码器中最有价值的特征，再通过多尺度卷积扩大感知范围，最后聚焦于高优先级区域，让融合后的特征更纯粹、边界更清晰。这款融合方向感知、多维度特征融合和智能筛选的AI解码器，彻底解决了医学影像分割“抓不住细节、理不清结构”的痛点，为临床诊断和治疗提供了更精准、更可靠的自动化工具，推动智能医疗向高精准化迈出关键一步！
2025-12-22 00:40:38
270
原创 【影石-arXiv25】Depth Any Panoramas：一种用于全景深度估计的基础模型
阶段2：用这个标注器给190万张无标注图生成“伪标签”，再用AI判别器筛选出60万张最靠谱的样本，训练“真实感无关标注器”，弱化合成与真实数据的差异；可插拔距离过滤头：提供10/20/50/100米4种距离阈值，室内用10米阈值聚焦近景，室外用100米阈值覆盖远景，灵活适配不同场景；：传统数据集规模小、场景单一，要么只有室内数据，要么室外样本稀缺，且合成数据与真实场景差距大，导致模型“见过的场景太少”；：室内空间紧凑（距离多在10米内），室外场景开阔（距离可达百米级），现有模型难以同时适配两种极端尺度；
2025-12-21 09:17:48
266
原创 【南开大学-程明明组-AAAI26】一种用于多模态遥感目标检测的统一模型
优势：通过动态路由，让每个局部网格特征都能匹配到最适合的专家，既学到不同模态的共性（比如“目标都有空间轮廓”），又保留每种模态的独特性（比如雷达图像的纹理特征），避免特征冲突。这些问题的核心在于：多模态数据的“差异鸿沟”和多任务学习的“优化矛盾”，传统模型要么无法兼顾不同模态的独特性，要么在多任务训练中出现“有的学不好、有的学太满”的情况。：遥感场景中，目标可能是水平摆放的汽车，也可能是倾斜的桥梁，但传统模型只能固定输出一种格式的检测框，灵活性极差。
2025-12-20 09:10:35
352
1
原创 【港科大-AAAI26】RoadSceneVQA：智能交通系统中路侧感知系统的视觉问答基准测试
Assisted Decoupled Chain-of-Thought（AD-CoT）：让大模型（如GPT-4o）先教小模型“怎么思考”，比如“先看红绿灯，再看行人位置，最后判断是否违规”，小模型学完后，哪怕只有0.9B参数（比同类8B模型小一个量级），推理能力也不落下风。值得一提的是，模型在“天气识别”“红绿灯判断”等感知任务上准确率超58%，在“违规推理”这类高难度任务上也能稳定发挥，完全满足实际应用需求。规模够大：包含34736组“问题-答案”对，覆盖晴天、雨天、白天、夜晚等不同场景；
2025-12-19 00:12:45
402
原创 【清华大学-MM25】Open3D VQA：面向无人机开放空间的多模态大语言模型空间推理基准
Open3D-VQA基准首次构建了空中视角下的三维空间推理评测体系，既揭示了当前AI在距离测算、视角转换等任务中的短板，也为无人机导航、城市智能分析等领域的技术优化提供了关键支撑。模拟数据微调效果显著：仅用模拟场景数据微调后，LLaVA和Qwen2-VL在真实场景中的推理准确率分别提升6.5%和22.3%，验证了数据的泛化价值。多维任务设计：涵盖4种空间视角（如上帝视角、第一人称视角）和7类推理任务，包括物体大小对比、绝对距离测算、视角转换推理等，全面覆盖城市空间推理需求；
2025-12-18 08:43:04
534
原创 【武汉大学-AAAI26】S5: 遥感中的可扩展半监督语义分割
S5框架通过百万级优质数据集、规模化半监督预训练和多任务高效微调的创新组合，首次实现了遥感半监督学习的规模化应用，让海量无标注遥感数据“物尽其用”，为遥感图像分析的低成本、高通用、规模化推进提供了全新解决方案。在DIOR-R、DOTA-v2.0数据集上，S5的ViT-L模型mAP（平均精度）达到75.21%，比同类模型参数少一半却性能更优，对飞机、桥梁等旋转目标的检测精度显著提升；S5的ViT-L模型处理多数据集时，分割参数仅为现有模型的1/3，却能保持更优性能，兼顾了“轻量性”和“强性能”；
2025-12-17 00:17:08
350
原创 【北理工-AAAI26】Earth-Adapter：专治卫星图像分割的“干扰顽疾”
面对不同场景（如城市到乡村、A数据集到B数据集）的适配挑战，Earth-Adapter平均mIoU达59.0%，较基线提升9.0%，其中在“城市到乡村（U2R）”任务中，性能提升高达24.0%，彻底解决了跨场景适配难题。Earth-Adapter通过“频率拆分+多适配器优化+动态融合”的创新思路，攻克了视觉基础模型在遥感图像分割中的干扰难题，以高效、通用的优势成为该领域的SOTA方案，为遥感AI的工程化落地提供了新路径。整个流程参数高效（仅2.6M-9.6M可训练参数），且不改变原始模型结构，适配性极强。
2025-12-16 00:17:17
756
原创 【山东大学-丛润民组-AAAI26】通过对齐器和提示器增强DINO表征用于水下实例分割
而DINOv2这类先进的自监督视觉模型，虽在自然图像任务中表现出色，但因“领域差异过大”（没见过多少水下场景），直接套用会受背景噪声干扰，甚至漏检目标。先通过傅里叶分解技术，提取水下图片的颜色风格特征（保留频率域的振幅信息，固定平均相位），过滤掉物体本身的干扰，只保留水下独有的色调特性；两个模块协同工作，既让模型适应了水下的“视觉风格”，又帮模型找准了“关注重点”，完美解决了DINOv2的水下适配问题。先生成一张“黑白掩码图”，用简单的二进制标记（黑色=背景，白色=物体）告诉模型“哪里有物体”；
2025-12-15 10:24:15
929
原创 【澳门大学-AAAI26】医学AI新突破：既能圈病灶，又能讲明白——Sim4Seg让诊断更可信！
Sim4Seg通过“联动数据集+智能定位模块+多思路验证策略”，首次实现了医学影像“精准分割病灶+可解释诊断”的一体化，为医学AI融入临床诊疗流程提供了可行方案，推动AI从“辅助参考”向“诊疗伙伴”迈出关键一步。数据与模型“不匹配”：传统数据集要么只有影像和分割标注，要么只有诊断结果，缺乏“病灶位置+诊断推理过程”的联动数据，导致模型无法学习到“看哪里→怎么判断→得出结论”的完整逻辑。泛化能力不足：面对X光、超声、内镜等不同模态的影像，或未训练过的疾病类型时，模型性能大幅下降，难以适应复杂的临床场景。
2025-12-14 01:03:39
792
原创 【南京理工-AAAI26】用于跨域少样本分割的分层语义学习
但现实场景中，训练数据（源领域）和实际应用数据（目标领域）往往差异巨大，比如用鸟类图片训练的模型，很难直接分割医学皮肤病变图或卫星遥感图，这就是“跨域少样本分割（CD-FSS）”的核心挑战。相比DRA方法，HSL框架的可训练参数从59.3M降至17.2M，计算量（FLOPs）从257.0G降至226.9G，推理速度（FPS）从36.90提升至43.29，实现了“更轻量、更快、更准”。前景风格随机化：用图片中随机局部区域的风格，调整前景物体的风格，模拟目标领域中前景与背景差异小的场景，不破坏图像核心语义。
2025-12-13 01:09:54
837
原创 【北理工-AAAI26】MODA：首个无人机多光谱目标检测数据集
MODA数据集填补了多光谱航拍检测的data gap，OSSDet模型实现了光谱与空间信息的高效融合，二者共同为航拍目标检测提供了“数据可靠、模型高效”的新方案，推动多光谱技术从实验室走向真实应用。：多光谱图像能捕捉物体的固有反射特征，哪怕目标小、背景乱，也能靠光谱差异识别，但此前没有足够规模、贴近真实场景的训练数据，导致技术发展受限；从实验图能看到，其他方法容易漏检小目标、误判背景，而OSSDet能精准锁定目标，哪怕是低光照、杂乱背景下，也能减少假阳性和漏检情况。
2025-12-12 00:38:12
397
原创 【复旦-AAAI26】Segment Anything Across Shots
复旦团队通过TMA数据增强、SAAS专用模型和Cut-VOS基准，首次系统性解决了多镜头视频目标分割的核心难题，让AI在镜头切换时也能精准追踪目标，为视频智能编辑、多摄像头监控等实际应用提供了强有力的技术支撑。：不同镜头中目标的外观、位置、背景可能发生剧烈变化，现有模型（如SAM2、XMem）性能会暴跌，SAM2-B+在多镜头场景下的J&F值甚至下降21.4%；：多镜头视频的标注成本极高，目前仅有YouMVOS一个相关数据集，且存在标注未开源、镜头切换少、目标类别单一（以人类为主）等问题；
2025-12-11 01:32:54
773
原创 【重庆邮电-AAAI26】突破CLIP弱监督分割瓶颈！SSR双维度校正方案，mIoU高达79.5%
SSR通过语义维度的跨模态原型对齐和空间维度的超像素引导校正，完美解决了基于CLIP的弱监督语义分割中“非目标前景过激活”和“背景误激活”问题，在两大权威数据集上实现SOTA性能，为弱监督分割的工程化落地提供了高效且精准的新方案。在PASCAL VOC数据集上，SSR取得79.5%（验证集）和79.6%（测试集）的mIoU成绩，不仅超越所有单阶段方法，还超过了复杂的多阶段方法（如VPL的79.3%）；而近年来大火的CLIP模型，凭借其强大的跨模态语义理解能力，成为WSSS任务的热门选择。
2025-12-09 09:30:21
390
原创 【南航-AAA26】AI也会“隐身术”？文本可控的逼真伪装图生成技术来了！
比如给青蛙图片生成“绿色带黑斑的青蛙，与细长的鲜绿草叶、三叶草背景完美融合，纹理颜色高度一致”的描述，让AI懂“逻辑”。它能读取物体的轮廓掩码，精准指导AI生成时的物体位置、形状，确保“该藏的地方藏，该露的轮廓不歪”，解决了传统方法中物体与背景错位的问题。CT-CIG靠“文本提示+精准控制+细节细化”，让AI生成的伪装图既“藏得住”又“不违和”，不仅破解了伪装图生成的逻辑与真实度难题，还为相关AI研究提供了高质量数据支撑，开启了文本可控伪装生成的新范式。伪装的精髓在细节，比如蝴蝶翅膀纹理与花瓣脉络的呼应。
2025-12-08 09:35:20
748
原创 【东南大学-AAAI26】又快又准！EM-KD让轻量多模态模型“看懂图”不打折
为了落地，研究者们只能压缩或删减视觉token，可代价是：token少了，图像细节丢了，模型要么“看走眼”，要么“看不懂”，精准度直线下降。：之前用“知识蒸馏”（让小模型学大模型的本事）弥补性能损失，但忽略了一个关键问题——大模型（老师）的视觉token多，小模型（学生）的token少，两者数量不匹配、空间位置也对不上，知识根本传不透。EM-KD（高效多模态知识蒸馏框架）的核心思路是：先解决“师生token不匹配”，再精准传递“图像理解能力”和“图文结合能力”，三步实现“又快又准”。
2025-12-07 10:47:56
586
原创 【清华大学-AAAI26】一个模型通吃所有视频任务？SATA框架实现跨模态跟踪与分割“大一统”
先给大家科普下视频理解的核心需求：我们看视频时，可能需要做这些事——跟踪单个目标（比如追着一只跑的小狗）、跟踪多个目标（比如路口的车流）、给目标画轮廓（比如把人物和背景分开），甚至又跟踪又画轮廓（比如自动驾驶中识别前车并标注车身）。哪怕有些方法尝试做“通用模型”，也没解决两个关键矛盾：不同类型视频的数据规律差异太大（比如彩色和红外的画面特征完全不同），以及不同任务的核心需求不一样（跟踪要位置、分割要轮廓），导致模型学了一个任务就忘了另一个，通用性大打折扣。
2025-12-06 07:06:24
397
原创 【国防科大-AAAI26】突破 “文字依赖”！VKDet让无人机航拍识别未知物体更精准
但传统的“航拍目标检测技术”有个大问题：它只能认出提前“教过”的类别（比如预设好的“飞机”“桥梁”），遇到没见过的新物体就“瞎眼”了。VK-Det靠“只挖视觉潜力、不依赖文字标注”的思路，解决了航拍场景中未知物体识别的“文字依赖”难题，性能超过多数依赖额外标注的模型，为无人机巡检、灾害救援等场景的灵活识别提供了新方案。先把“有用区域”里的未知物体特征聚类，比如把不同形状的“未知建筑”聚成几类，每类形成一个“特征模板”（比如“圆顶模板”“方盒模板”）；
2025-12-05 08:54:14
919
原创 【港中文-arXiv25】Thinking-while-Generating：在生成过程中思考的视觉生成新范式
TWIG 让视觉生成“像人在画图时一样边生成、边思考、边改进”，为视觉生成开启了真正的智能时代。🌀 TWIG 不需要重新开始生成，只在同一生成轨迹中局部插入修改，大幅降低成本。模型在生成每个局部区域（如背景、主体等）时，都会生成对应的推理文字进行。能否像人类绘画一样“边生成边思考”，让模型在生成过程中持续反思和调整？：确定在哪些步骤插入思考（通常为3步：上/中/下）：生成后进行打分与局部反思，必要时只重绘该区域。核心思想：在图像生成过程中实时插入文本思考。：每一步生成局部描述，引导该区域的视觉生成。
2025-12-04 00:33:29
277
原创 【中国石油大学-AAAI26】无人机+自然语言！首个空中多目标追踪 benchmark 来了，还带超强追踪算法
但现在的智能追踪技术大多只适用于地面场景，想让无人机听懂人类的自然语言指令（比如“追踪路口红灯前的白色轿车”），精准锁定并跟踪目标，目前还缺乏成熟的解决方案。为了高效建好这个数据集，团队还发明了一个半自动化标注工具 COALA，不用人工逐帧标注：先让AI解析视频场景，生成描述模板，标注员只需点两下确定目标的出现和消失时间，AI就会自动跟踪目标轨迹，最后还能让AI生成更多样的语言指令，既省时间又保证质量。为了填补这个空白，研究团队做了两件大事：一是建了个超实用的数据集，二是设计了个超强的追踪算法。
2025-12-03 00:31:32
866
原创 【复旦-NIPS25】Seg2Any：让分割掩码“一键变图像”的开放式生成新框架
文章：Seg2Any: Open-set Segmentation-Mask-to-Image Generation with Precise Shape and Semantic Control。覆盖： ✔️ 开放式S2I（SACap-Eval） ✔️ 封闭式S2I（COCO-Stuff / ADE20K） ✔️ 与 8 大主流方法对比。Seg2Any让“分割掩码”成为真正的图像生成语言——从指定形状，到细节属性，全都能控！（mask + 文本 → 图像）思路，但现有方法仍面临两大痛点： ❌。
2025-12-02 08:18:45
348
原创 【华南理工大学-arXiv25】PaDT：让大模型直接“生成视觉内容”的统一视觉范式
即：模型不仅输出文字，还能输出“视觉参考 token”（Visual Reference Token, VRT）， 从而实现真正的“视觉推理”。：即使同一任务，输出格式也不一致 → 见论文 Fig.2(a) 的例子，BBox 表达各不相同，难以解析。PaDT 让大模型真正“看得见”——不仅能说，还能直接输出视觉本身，是迈向通用视觉大模型的一次关键突破。代码：https://github.com/Gorilla-Lab-SCUT/PaDT。✔ 兼容多种任务：检测/分割/指代/Caption。
2025-12-01 08:22:21
582
原创 【南京理工大学-ICCV25】Controllable-LPMoE：大模型微调也要“可控”与“高效”！
📌 在 COD、SOD、PS、SLS、SD、GD 全面表现领先 📌 IoU、Dice、Fwm 等指标均大幅提升 📌 训练资源大幅缩减。但问题来了👇 ✔ 参数巨大（100M+） ✔ 显存占用高 ✔ 训练速度慢 ✔ 下游任务适应性有限。它不是“微调大模型”，而是“让大模型主动理解任务”——低成本，高表现，适配未来多任务分割时代。动态先验引导的微调范式（Dynamic Priors-based Fine-tuning）任务中，如伪装目标检测、显著性目标检测、息肉分割、皮肤病变分割等，近年的主流方法是采用。
2025-11-30 09:39:18
325
原创 【粤港澳大湾区数字经济研究院-arXiv25】Rex-Omni：基于下一点预测的“万能检测模型”
Rex-Omni 将视觉检测转化为“下一点预测”，以统一语言格式打通检测任务的壁垒，推动 MLLM 向真正的视觉大脑迈进。在 VisDrone / Dense200 数据集上，Rex-Omni 大幅减少重复检测问题，效果显著优于其他 MLLM。模型能理解复杂自然语言，如“穿黑靴的人”甚至“不是2号球衣的人”→ Rex-Omni 语言理解显著优于其他模型。代码：https://github.com/IDEA-Research/Rex-Omni。🔶 1️⃣ 统一的任务形式：坐标即语言。
2025-11-29 00:15:13
916
原创 【ICLR26匿名投稿】WIMFRIS：基于窗口 Mamba 融合的高效指代图像分割新框架
WIMFRIS 通过窗口式 Mamba 中间融合机制+轻量 PET 策略，在指代图像分割任务上实现高效且强大的跨模态理解，全面刷新SOTA。指代图像分割（Referring Image Segmentation, RIS）任务要求模型根据。🔶 1️⃣ 强大的中间融合模块：HMF（Hierarchical Mamba Fusion）相比普通的语义分割，RIS需要同时理解。这三者共同提升了视觉与语言的初始对齐效果，为后续融合打好基础。，避免 SSM 的信息衰减问题，提高局部细节与语义理解。
2025-11-28 09:21:48
244
原创 【中国科学技术大学-MICCAI25】LLM4Seg：语言大模型竟然能强化医学分割？一层LLM就能提升SOTA！
LLM不仅能说话，它还能理解医学图像，为CNN提供“语义增强”—— 只需一层LLM，就能带来SOTA级泛化性能！❗ LLM不生成文本 ❗ LLM不需要训练 ✔ 只负责“语义增强（Semantic Boost）”加入LLM层后： ✔ 背景噪声大幅减少 ✔ 病灶边界清晰可见 ✔ CNN更易恢复像素级分割。即使不训练LLM层，也优于从零训练Transformer层。LLM4Seg —— 在CNN中直接插入一层冻结的LLM。💡 二、方法创新：LLM变成“语义增强模块”❗ LLM层选择不同depth，会有性能波动。
2025-11-27 09:23:03
252
原创 【ICLR26匿名投稿】Look&Learn：让注意力变成分割器的视觉语言模型新范式！
🌟 不需要IoU、BCE、Dice → 不破坏注意力概率分布 🌟 Scale-invariant，适合稀疏注意力！Look&Learn证明：LLM不仅能理解图像，它还能像人一样“说的同时看准”——注意力即分割器！Understanding–Grounding Gap（理解–定位鸿沟）✔ 不改变网络结构 ✔ 不加入分割头 ✔ 不损害语言能力 ✔。✔ 后训练阶段也可直接使用（Post-training）GroundingDINO、OWL-V2等4模型投票。🌟 核心技术：Where-to-Look Loss
2025-11-26 10:04:59
404
原创 【ICLR26审稿评价极端论文】【ICLR26匿名投稿】Point2RBox-v3：从点标注出发的旋转框检测再进化！
文章：Point2RBox-v3: Self-Bootstrapping from Point Annotations via Integrated Pseudo-Label Refinement and Utilization。Point2RBox-v3 用“动态伪标签 + 先验评分”，让单点标注也能训练像全监督一样强的旋转目标检测模型！✔ 速度快于SAM全流程方案，精度远高于Point2RBox-v2。挑选最优Mask （如矩形度、颜色一致性、中心对齐等）自动驾驶、遥感、工业检测、场景文字识别。
2025-11-25 09:47:57
383
原创 【ICLR26看到的第二篇全正分Paper】【ICLR26匿名投稿】 SAM-Veteran：基于MLLM的人类式交互分割智能体
通过人工破坏的Mask训练“错误定位能力” ➡️ 强化模型对分割质量的理解能力，解决“永远在修正”的问题。SAM-Veteran 让 ML 模型第一次具备“像人一样分割图像”的能力，是多模态交互式分割的重要一步。分割过程 ✔ Mask理解能力强，具可解释性 ✔ 推理表现强，泛化能力好（跨数据集稳定）在图像分割过程中，随着迭代次数增加，模型逐步判定“足够好”并自动停止，节省计算量。传统图像分割模型往往依赖固定类别标签，无法处理诸如“穿红衣的人手里拿的物体”这类。✔ 完整模拟人类使用SAM的过程 ✔ 支持。
2025-11-24 09:24:07
848
原创 【ICLR26匿名投稿】PatchRefiner V2：高分辨率深度估计的轻量化革命
PatchRefiner V2 不是更大的模型，而是更聪明的模型： 它让轻量模型拥有“纠错思维”，从而真正迈入 4K 深度估计的实用时代。PRV1 使用 ZoeDepth 等大型模型生成 coarse depth，虽然精准，但速度太慢。在 PRV2 中，作者选择。在跨域迁移（Synthetic → Real）时，深度边界模糊、结构错乱是最大问题。🔄 3️⃣ Noisy Pretraining：让模型真正“学会纠错”在自动驾驶、AR/VR、3D重建等任务中，深度估计是核心能力，尤其是。
2025-11-23 00:22:02
779
原创 【ICLR26匿名投稿】UniRestorer：多粒度自适应的全能图像修复框架，让AI“看懂损坏程度再修图”！
去噪（Denoising）、去模糊（Deblurring）、去雨（Deraining）、去雾（Dehazing）、低光增强（Low-light）、去雪（Desnowing）等。UniRestorer，让图像修复模型第一次具备“自我判断能力”——先判损坏，再选专家，再修图。真正跨向通用AI修复时代。🌈 Mixed-Degradation：混合损坏数据集 CDD-11 也完胜！🔥 单任务修复（Single-degradation）SOTA！上均超越已有All-in-One方法： （表1，Fig.4）
2025-11-22 00:12:26
746
原创 到底什么样的文章才能打出满分【审稿人说】ICLR26|SAM 3: Segment Anything with Concepts
这一「Promptable Concept Segmentation (PCS)」任务超越了 SAM 1/2 的视觉提示（visual prompts），支持用简短名词短语（如“yellow school bus”）或图像示例作为输入，从而让模型“理解”概念而非仅响应几何提示。实验结果显示，SAM 3 在开放词汇分割上相较 SAM 2 提升显著，在 SA-Co benchmark 上性能提升约两倍，并保持交互分割与视频跟踪的实时性。：开放模型与代码，探索 end-to-end 优化。
2025-11-21 00:19:27
684
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人