FocusGraph: Graph-Structured Frame Selection for Embodied Long Video Question Answering
本文提出了 FocusGraph 框架，通过结合基于图结构场景描述的轻量级可训练场景描述选择器与免训练的稀疏光流保留关键帧选择方法，实现了在显著降低推理时间的同时，在长视频具身问答任务上达到最先进性能。
👁️ Category
cs.CV
6941 篇论文
Helios: Real Real-Time Long Video Generation Model
本文介绍了 Helios，这是首个能在单张 NVIDIA H100 上以 19.5 FPS 实时生成分钟级长视频且无需自强制、KV 缓存等常见优化技术的 14B 自回归扩散模型，它通过创新的训练策略和上下文压缩技术，在消除长视频漂移的同时实现了卓越的生成质量与效率。
TaxonRL: Reinforcement Learning with Intermediate Rewards for Interpretable Fine-Grained Visual Reasoning
本文提出了 TaxonRL，一种利用中间奖励和组相对策略优化将细粒度视觉推理分解为层级分类的强化学习方法，该方法在鸟类等数据集上不仅超越了人类准确率，还生成了可解释的推理过程并展现出强大的跨域泛化能力。
ZipMap: Linear-Time Stateful 3D Reconstruction with Test-Time Training
本文提出了 ZipMap，一种结合测试时训练的状态化前馈模型，能够在单次前向传播中以线性时间将大规模图像集压缩为紧凑的场景状态，从而在保持或超越现有二次复杂度方法精度的同时，实现比 VGGT 快 20 倍以上的 3D 重建速度。
SimpliHuMoN: Simplifying Human Motion Prediction
本文提出了一种名为 SimpliHuMoN 的简洁高效 Transformer 模型，通过自注意力机制统一捕捉姿态的空间依赖与运动的时间关系，无需任务特定修改即可在轨迹、姿态及联合预测任务中均取得最先进的性能。
Thought Flow Nets: From Single Predictions to Trains of Model Thought
本文提出受黑格尔辩证法启发的“思维流”（Thought Flow）概念，通过引入自我修正机制使模型能够进行多轮迭代预测，实验表明该方法不仅能显著提升模型在问答任务中的自我纠错能力与性能，还能改善人类用户的判断表现并使其感知更加自然与智能。
VQA-MHUG: A Gaze Dataset to Study Multimodal Neural Attention in Visual Question Answering
本文提出了包含 49 名参与者的多模态人类注视数据集 VQA-MHUG，并通过分析发现，五个最先进的视觉问答模型在文本注意力上与人类的一致性越高，其整体性能越好，从而强调了改进文本注意力机制对提升视觉语言任务表现的重要性。
Multimodal Integration of Human-Like Attention in Visual Question Answering
本文提出了首个在视觉问答任务训练中将人类图像与文本注意力多模态整合到神经网络中的方法 MULAN，该方法不仅以比 prior 工作少约 80% 的可训练参数在 VQAv2 数据集上取得了新的最先进性能，还验证了多模态人类注意力与神经注意力整合的巨大潜力。
Leveraging Foundation Models for Content-Based Image Retrieval in Radiology
该研究提出利用视觉基础模型作为无需额外训练的通用特征提取器来构建医学影像内容检索系统，并通过在包含 160 万张影像的大规模数据集上的基准测试，证明了 BiomedCLIP 等弱监督模型在检索性能上可与专用系统媲美，从而展示了基础模型在推动放射学通用检索系统发展方面的巨大潜力。
Implicit-Zoo: A Large-Scale Dataset of Neural Implicit Functions for 2D Images and 3D Scenes
本文提出了名为"Implicit-Zoo"的大规模神经隐式函数数据集，旨在通过整合多样化的 2D 和 3D 场景数据并解决资源与数据匮乏的瓶颈，推动图像分类、语义分割及 3D 姿态回归等任务的性能提升与新研究方向的发展。
WAFFLE: Finetuning Multi-Modal Models for Automated Front-End Development
本文提出了名为 Waffle 的新微调策略，通过结构感知注意力机制和对比学习分别解决 HTML 层级结构表示及 UI 图像与代码对齐的难题，从而显著提升了多模态模型在 UI 到前端代码生成任务中的性能。
RealOSR: Latent Guidance Boosts Diffusion-based Real-world Omnidirectional Image Super-Resolutions
本文提出了 RealOSR，一种基于扩散模型的现实世界全景图像超分辨率框架，通过引入轻量级的潜在梯度对齐路由（LaGAR）模块实现高效的一步去噪引导，在显著提升视觉质量的同时实现了超过 200 倍的推理加速。
Slot-BERT: Self-supervised Object Discovery in Surgical Video
本文提出了 Slot-BERT，一种基于双向长程建模和新型槽对比损失的自监督框架，旨在解决手术视频中长距离时序一致性与计算效率的矛盾，实现了在长视频中的高效物体发现、表示解纠缠及跨领域的零样本适应。
Weight Space Representation Learning on Diverse NeRF Architectures
本文提出了首个能够处理多种架构（包括 MLP、三平面和哈希表）NeRF 的无监督图元网络框架，通过对比学习构建架构无关的潜在空间，实现了在分类、检索和语言任务中对训练时未见架构的鲁棒推理，且性能优于现有单架构专用方法。
Cycle-Consistent Multi-Graph Matching for Self-Supervised Annotation of C.Elegans
本文提出了一种基于循环一致性的无监督多图匹配方法，通过贝叶斯优化高斯参数，成功在无需任何人工标注的情况下实现了线虫（C. elegans）3D 显微图像中细胞核的语义标注，并构建了首个无监督线虫细胞图谱，其精度媲美现有监督学习方法。
GAN-Based Single-Stage Defense for Traffic Sign Classification Under Adversarial Patch
本文提出了一种基于生成对抗网络（GAN）的单阶段防御策略，旨在无需预先了解攻击设计的情况下，高效且通用地抵御针对自动驾驶交通标志分类的对抗补丁攻击，显著提升了系统在真实场景下的鲁棒性与实时性。
Language-guided Open-world Video Anomaly Detection under Weak Supervision
本文提出了语言引导的开放世界视频异常检测范式及 LaGoVAD 模型，通过引入动态视频合成与对比学习等弱监督策略，并结合新构建的大规模多模态 PreVAD 数据集，实现了利用自然语言在推理阶段灵活定义并检测动态变化的异常事件。
Scale-wise Distillation of Diffusion Models
本文提出了 SwD 框架，通过引入基于最大均值差异（MMD）的补丁级蒸馏目标实现渐进式生成，在显著减少扩散模型采样步数的同时，大幅提升了生成效率与质量。
Differentially Private 2D Human Pose Estimation
本文提出了首个结合投影差分隐私（PDP-SGD）与特征差分隐私（FDP）的混合框架，通过向低维子空间投影噪声梯度和选择性隐私化敏感特征，在 MPII 数据集上实现了隐私保护与 2D 人体姿态估计性能的有效平衡。
Model Already Knows the Best Noise: Bayesian Active Noise Selection via Attention in Video Diffusion Model
本文提出了 ANSE 框架，通过量化注意力机制的不确定性来主动选择最佳初始噪声，从而在无需显著增加推理成本的情况下，显著提升视频扩散模型的生成质量与时序一致性。