Detection and Identification of Penguins Using Appearance and Motion Features
本文提出了一种结合外观与运动特征的企鹅检测与识别框架，通过改进 YOLO11 利用连续帧提升检测精度，并采用基于轨迹的对比学习方法优化个体识别，有效解决了企鹅在复杂环境下的同质化外观、频繁姿态变化及环境噪声干扰等挑战。
👁️ Category
cs.CV
3918 篇论文
Tracking Feral Horses in Aerial Video Using Oriented Bounding Boxes
本文针对航拍视频中马群跟踪时轴对齐边界框性能不足及现有旋转边界框无法区分头尾导致跟踪中断的问题，提出了一种基于头部朝向估计与 IoU 多数投票的改进方法，显著提升了旋转边界框跟踪的鲁棒性。
Parallax to Align Them All: An OmniParallax Attention Mechanism for Distributed Multi-View Image Compression
本文提出了首个分布式多视图图像压缩框架 ParaHydra，通过引入通用的 OmniParallax 注意力机制（OPAM）和自适应多源信息融合模块（PMIFM），在无需编码器端交互信息的前提下，显著超越了现有联合压缩方法的性能并大幅降低了计算开销。
LeafInst - Unified Instance Segmentation Network for Fine-Grained Forestry Leaf Phenotype Analysis: A New UAV based Benchmark
本文针对开放环境下杨树幼苗叶片细粒度表型分析的挑战，构建了首个无人机林业叶片实例分割基准数据集 Poplar-leaf，并提出了集成多尺度感知与不规则形状建模能力的 LeafInst 网络，在多项基准测试中显著优于现有主流模型。
RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation
该论文提出了 RAGTrack，一种通过引入多模态大语言模型自动生成文本标注、构建多模态 Transformer 编码器、自适应 Token 融合机制及上下文感知推理模块，利用检索增强生成技术实现语言引导的鲁棒 RGBT 目标跟踪框架，并在多个基准测试中取得了最先进性能。
CoRe-BT: A Multimodal Radiology-Pathology-Text Benchmark for Robust Brain Tumor Typing
本文提出了 CoRe-BT，这是一个包含多序列 MRI、配对组织病理学图像及报告的 310 例脑肿瘤患者基准数据集，旨在通过模拟模态缺失的真实临床场景，评估并推动融合放射学与病理学信息的鲁棒性多模态脑肿瘤分类研究。
Extending Neural Operators: Robust Handling of Functions Beyond the Training Set
本文提出了一种基于核近似和再生核希尔伯特空间理论的严谨框架，通过建立核函数与索伯列夫原生空间的联系，使神经算子能够鲁棒地处理分布外输入函数并准确捕捉函数及其导数，且该方法在流形点云表示的椭圆偏微分方程求解中得到了实证验证。
Image-based Prompt Injection: Hijacking Multimodal LLMs through Visually Embedded Adversarial Instructions
该论文提出了一种名为“基于图像的提示注入”的黑盒攻击方法，通过将对抗性指令嵌入自然图像中，在保持隐蔽性的同时成功劫持多模态大语言模型的行为，最高可达 64% 的攻击成功率，从而揭示了多模odal 模型面临的新安全威胁。
InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions
本文提出了名为 InfinityStory 的新框架、数据集及模型，通过引入背景一致性生成流程、多主体过渡感知合成模块以及包含 1 万条序列的合成数据集，有效解决了长篇幅叙事视频中背景连贯性、多主体镜头切换及长时扩展性三大挑战，并在 VBench 评测中实现了背景与主体一致性的最优表现。
One-Step Face Restoration via Shortcut-Enhanced Coupling Flow
本文提出了 Shortcut-enhanced Coupling flow for Face Restoration (SCFlowFR)，通过建立数据依赖耦合、条件均值估计及捷径约束，实现了兼具高质量与高速度的单步人脸复原。
Field imaging framework for morphological characterization of aggregates with computer vision: Algorithms and applications
该论文针对传统骨料表征方法的局限性，提出了一套涵盖单颗粒、二维堆场及三维点云场景的现场成像框架，通过开发集成重建 - 分割 - 补全（RSC-3D）的深度学习算法，实现了对骨料形态特征的高效自动化分析与未可见面的预测。
InEdit-Bench: Benchmarking Intermediate Logical Pathways for Intelligent Image Editing Models
本文提出了首个专注于评估图像编辑模型中间逻辑路径推理能力的基准 InEdit-Bench，通过涵盖四类任务的测试集和细粒度评估标准，揭示了当前主流模型在处理动态推理与多步演化任务时的显著不足，旨在推动更智能的多模态生成模型发展。
Machine Pareidolia: Protecting Facial Image with Emotional Editing
本文提出了一种名为 MAP 的新型面部隐私保护方法，通过联合优化目标身份与人类表情来编辑图像，有效克服了传统方法在黑盒场景下迁移性差及跨人群适用性不足的缺陷，显著提升了对抗人脸识别系统的鲁棒性与图像感知质量。
EvoPrune: Early-Stage Visual Token Pruning for Efficient MLLMs
本文提出了 EvoPrune，一种在视觉编码阶段直接执行剪枝的早期视觉令牌剪枝方法，通过基于相似性、多样性和注意力重要性的分层策略，在显著降低多模态大模型推理延迟的同时保持了极低的性能损失。
Polyp Segmentation Using Wavelet-Based Cross-Band Integration for Enhanced Boundary Representation
针对传统 RGB 方法在低对比度下难以精准分割息肉边界的局限，本文基于小波域分析发现灰度图具有更优的边界对比度，进而提出了一种融合灰度与 RGB 表示的互补频率交互模型，在多个基准数据集上显著提升了息肉分割的边界精度与鲁棒性。
Error as Signal: Stiffness-Aware Diffusion Sampling via Embedded Runge-Kutta Guidance
本文提出了一种名为 ERK-Guid 的新方法，通过将求解器误差识别为引导信号并利用嵌入式龙格 - 库塔法感知刚度，有效降低了扩散模型采样过程中的局部截断误差，从而在合成数据集和 ImageNet 基准测试中显著提升了样本质量。
MPFlow: Multi-modal Posterior-Guided Flow Matching for Zero-Shot MRI Reconstruction
本文提出了 MPFlow，一种基于流匹配的多模态后验引导零样本 MRI 重建框架，通过自监督预训练策略 PAMRI 在推理阶段利用辅助模态信息，在显著减少肿瘤幻觉的同时，仅用 20% 的采样步数即可达到与扩散模型相当的重建质量。
Order Is Not Layout: Order-to-Space Bias in Image Generation
该论文揭示了现代图像生成模型中存在的“顺序到空间偏差”（OTS）现象，即实体提及顺序会错误地决定空间布局，并通过提出 OTS-Bench 基准测试证实了该偏差的普遍性及其数据驱动本质，同时展示了通过针对性微调或早期干预策略可有效缓解该问题。
Glass Segmentation with Fusion of Learned and General Visual Features
本文提出了一种名为 LGNet 的新型玻璃分割架构，通过融合冻结的 DINOv3 通用视觉特征与监督训练的 Swin 任务特定特征，并借助残差 Squeeze-and-Excitation 通道缩减和 Mask2Former 解码器，在多个数据集上实现了优于现有最先进方法的精度与推理速度。
QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment
本文提出了名为 QD-PCQA 的无参考点云质量评估框架，通过引入秩加权条件对齐和质感引导特征增强策略，有效解决了现有无监督域适应方法在感知质量排序敏感性和特征对齐方面的不足，从而显著提升了点云质量评估的泛化能力。