Phys4D: Fine-Grained Physics-Consistent 4D Modeling from Video Diffusion
本文提出了 Phys4D，一种通过三阶段训练范式（包括大规模伪监督预训练、基于仿真的监督微调及强化学习）将视频扩散模型转化为物理一致 4D 世界表示的方法，显著提升了生成内容在细粒度时空动态与物理合理性方面的表现。
👁️ Category
cs.CV
6110 篇论文
Geographically-Weighted Weakly Supervised Bayesian High-Resolution Transformer for 200m Resolution Pan-Arctic Sea Ice Concentration Mapping and Uncertainty Estimation using Sentinel-1, RCM, and AMSR2 Data
本研究提出了一种地理加权弱监督贝叶斯高分辨率 Transformer 模型，通过融合 Sentinel-1、RCM 和 AMSR2 多源数据，实现了 200 米分辨率的泛北极海冰密集度制图及其不确定性量化，有效克服了特征细微、标签不精确及数据异质性挑战。
PhyPrompt: RL-based Prompt Refinement for Physically Plausible Text-to-Video Generation
本文提出了 PhyPrompt，一种基于强化学习的两阶段提示词优化框架，通过物理思维链微调与动态奖励课程策略，在仅使用 7B 参数模型的情况下显著提升了文本生成视频的物理合理性，同时兼顾语义忠实度并超越了更大规模的通用模型。
PinCLIP: Large-scale Foundational Multimodal Representation at Pinterest
本文介绍了 Pinterest 为解决多模态推荐与检索挑战而提出的 PinCLIP 模型，该模型通过创新的混合视觉 Transformer 架构及邻居对齐目标，在离线评估中显著超越现有基线，并在在线测试中有效提升了用户参与度及新内容的冷启动分发效果。
Modeling Cross-vision Synergy for Unified Large Vision Model
本文提出了名为 PolyV 的统一大视觉模型，通过稀疏混合专家架构与协同感知训练范式，实现了跨模态（图像、视频、3D）的深层协同推理，并在多项基准测试中显著超越了现有模型。
Confidence-aware Monocular Depth Estimation for Minimally Invasive Surgery
本文提出了一种面向微创手术的置信度感知单目深度估计框架，通过利用集成立体匹配模型生成校准置信度目标、设计置信度感知损失函数以及引入推理阶段置信度预测头，有效解决了内窥镜图像噪声干扰问题，显著提升了深度估计精度并实现了预测可靠性的量化评估。
From Local Matches to Global Masks: Novel Instance Detection in Open-World Scenes
本文提出了 L2G-Det 框架，通过利用模板与查询图像间的密集局部匹配生成候选点，并以此引导增强版 Segment Anything Model（SAM）进行实例特定提示，从而在无需显式物体提议的情况下，实现了对开放世界场景中遮挡和杂乱背景下新颖物体实例的鲁棒检测与分割。
Spectrum Shortage for Radio Sensing? Leveraging Ambient 5G Signals for Human Activity Detection
本文提出了一种名为“环境无线电感知”（ARS）的新型集成感知与通信方案，通过利用现有的 5G 等环境通信信号进行被动式感知，结合自混频射频硬件架构与跨模态学习框架，在无需占用额外频谱资源的前提下实现了高精度的人体活动检测与骨架估计。
An Effective Data Augmentation Method by Asking Questions about Scene Text Images
本文提出了一种受视觉问答启发的数据增强框架，通过为场景文本图像生成基于字符属性的自然语言问答任务，引导 OCR 模型进行细粒度推理，从而在 WordArt 和 Esposalles 数据集上显著降低了字符错误率和词错误率。
Hazard-Aware Traffic Scene Graph Generation
该论文提出了一种名为“交通场景图生成”的新任务及框架，通过融合交通事故数据与深度线索来增强视觉特征，旨在生成能够直观标注关键危害严重程度、作用机制及相对位置的交通场景图，从而提升自动驾驶在复杂场景下的以自我为中心的危害感知与推理能力。
DM-CFO: A Diffusion Model for Compositional 3D Tooth Generation with Collision-Free Optimization
本文提出了一种名为 DM-CFO 的扩散模型方法，通过结合文本与图约束逐步恢复缺失牙齿布局，并利用基于 3D 高斯的碰撞正则化项优化几何参数，从而实现了高质量且无碰撞的复合式 3D 牙齿生成。
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。
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。