On Pitfalls of : Data Processing Inequality Perspective
本文表明，由于后处理归因图可以在不增加信息的情况下人为地提高评分，揭示了对空间模糊掩码的系统性偏好，从而破坏了 RemOve-And-Retrain (ROAR) 基准测试的有效性，并削弱了其准确评估特征归因方法的能力。
👁️ Category
cs.CV
8575 篇论文
从热力学中的恒压热容到等容热容，这一领域聚焦于物质在不同条件下储存热能的能力。理解这些物理量不仅揭示了材料的基本特性，更是工程设计、气候建模乃至电池研发的核心基础。我们致力于让复杂的科学发现变得触手可及，不再让专业术语成为大众探索知识的壁垒。
Gist.Science 团队每日从 arXiv 自动抓取该分类下的最新预印本，并逐一进行深度处理。我们不仅提供详尽的技术摘要，更精心撰写通俗易懂的通俗解读，确保无论是专业研究者还是科学爱好者，都能快速把握论文精髓。以下为您呈现该领域最新的预印本研究成果，每一篇都经过我们的双重解读与梳理。
GetNetUPAM: Ecologically Informed Nested Cross-Validation and Noise-Robust Attention for Marine Bioacoustic Monitoring
本文介绍了 GetNetUPAM，这是一个基于生态学信息的嵌套交叉验证框架，并结合了一种噪声鲁棒的注意力机制卷积神经网络 (ARPA-N)，旨在通过有效应对高噪声条件并防止对局部环境伪影的过拟合，从而显著提高海洋生物声学监测的泛化能力与可靠性。
Acquisition state behaves as a structured, measurable variable governing lung-nodule AI: kernel-driven measurement instability and noise-driven detection fragility, invisible to DICOM metadata
本文表明，肺结节 AI 的性能受制于一种结构化的、可衡量的“采集状态”（具体为重建算法内核与噪声），这种状态会导致 DICOM 元数据无法察觉的特定测量或检测失效，从而使得输入侧验证成为 AI 治理中至关重要的一层。
Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning
本文介绍了 PERIA，这是一种通过将轻量级感知与交互工具与一种新颖的训练方案相结合，从而增强视觉语言模型空间推理能力的工具增强型视觉智能体，它在多种基准测试中实现了最先进的性能，同时足以媲美规模大得多的模型。
JSCGC: Joint Source-Channel-Generation Coding for Wireless Generative Communications
本文提出了联合源-信道-生成编码（JSCGC），这是一种全新的通信范式，它通过使用生成模型取代传统的解码器，将无线传输从确定性的失真最小化转变为受控的语义生成，从而在多种信道条件下实现卓越的感知质量和鲁棒性。
Magnifying What Matters: Attention-Guided Adaptive Rendering for Visual Text Comprehension
本文介绍了 AGAR，一种无需训练且与模型无关的方法，它通过利用视觉语言模型（VLM）的内部注意力机制来识别并自适应地放大渲染图像中的关键文本区域，从而在无需重新训练的情况下，显著提高在多种基准测试中的回答准确率。
Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning
该论文介绍了 GRASP，这是一个利用预训练视觉语言模型将自然语言转化为具身边界框目标的神经符号规划框架，使机器人能够在无需针对特定任务进行训练的情况下，实现零样本开放词汇桌面物体操控，并在真实机器人上的成功率达到 73.3%。
OpenMedQ: Broad Open Pretraining for Medical Vision-Language Models
OpenMedQ 是一个最先进的医学视觉语言模型，它在包含 335 万个样本的广泛且完全开放的数据集上进行了预训练，在关键基准测试中表现优于 Med-PaLM M 等规模大得多的模型，同时在下游医学分类任务中取得了卓越的性能。
Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models
本文提出了一种针对文本生成图像扩散模型的鲁棒、高效且抗共谋的指纹识别方法，该方法将用户特定的标识符嵌入到个性化归一化模块中，从而在实现可靠提取的同时，通过降低共谋模型的质量来防止未经授权的再分发。
Trajectory-Level Redirection Attacks on Vision-Language-Action Models
本文引入并形式化了“指令保持型轨迹重定向”（command-preserving trajectory redirection），这是一种针对视觉-语言-动作（VLA）模型的新型攻击手段，通过一种在策略搜索方法发现的近良性提示词扰动，成功地将机器人的物理执行重定向至攻击者指定的结局，同时保持原定任务的外观不变。