Beyond Caption-Based Queries for Video Moment Retrieval
本文针对现有视频片段检索方法在从描述性查询迁移至搜索性查询时性能下降的问题，揭示了语言不精确性和多片段查询带来的泛化挑战，并通过识别及缓解解码器查询坍缩现象，提出了一种架构改进方案，显著提升了模型在搜索查询及多片段场景下的检索性能。
👁️ Category
cs.CV
6988 篇论文
Retrieving Patient-Specific Radiomic Feature Sets for Transparent Knee MRI Assessment
该论文提出了一种针对膝关节 MRI 的患者特异性放射组特征集检索框架，通过两阶段策略从大规模特征池中筛选出互补且多样化的紧凑特征子集，在保持模型高透明度和可解释性的同时，实现了超越传统边际排名方法并媲美端到端深度学习模型的诊断性能。
Cultural Counterfactuals: Evaluating Cultural Biases in Large Vision-Language Models with Counterfactual Examples
该论文针对现有大型视觉语言模型在宗教、国籍和社会经济地位等文化偏见方面研究不足的问题，提出并构建了一个包含近 6 万张合成图像的高质量“文化反事实”数据集，通过将不同人群置于真实文化语境中来精确量化模型的文化偏见。
Aligning Fetal Anatomy with Kinematic Tree Log-Euclidean PolyRigid Transforms
该论文提出了一种基于 SMPL 公式和新型 KTPolyRigid 变换的可微分体积人体模型，通过解决大尺度关节运动中的李代数歧义问题，实现了胎儿 MRI 图像中无折叠伪影的形变场生成，从而支持稳健的组间配准和高效的胎儿器官分割。
Authenticated Contradictions from Desynchronized Provenance and Watermarking
本文揭示了 C2PA 内容溯源与隐形水印两大验证层因缺乏互验而产生的“完整性冲突”漏洞，即同一图像可同时通过人类创作与 AI 生成的双重认证，并提出了通过联合评估元数据与水印状态的跨层审计协议以彻底解决该问题。
Advancing Earth Observation Through Machine Learning: A TorchGeo Tutorial
本文介绍了 TorchGeo 这一基于 PyTorch 的地球观测机器学习库，并通过代码示例和基于 Sentinel-2 影像的水体分割端到端案例，展示了如何利用该库处理地理空间数据、训练语义分割模型并将预测结果保存为 GeoTIFF 格式。
OpenMarcie: Dataset for Multimodal Action Recognition in Industrial Environments
OpenMarcie 是迄今为止规模最大的面向工业制造环境的多模态动作识别数据集，包含来自 36 名参与者在自行车与 3D 打印机组装任务中采集的超过 37 小时多视角、多模态数据，并针对活动分类、开放词汇描述及跨模态对齐等任务进行了基准测试。
From Fewer Samples to Fewer Bits: Reframing Dataset Distillation as Joint Optimization of Precision and Compactness
本文提出了量化感知数据集蒸馏（QuADD）框架，通过在固定比特预算下联合优化合成样本数量与量化精度，实现了比现有方法更高效的信息压缩与训练性能。
TruckDrive: Long-Range Autonomous Highway Driving Dataset
该论文针对现有数据集缺乏长距离感知能力的不足，推出了专为重型卡车高速自动驾驶设计的"TruckDrive"多模态数据集，并通过实验揭示了当前最先进模型在超过 150 米范围时感知性能显著下降的系统性缺陷。
MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction
本文提出了 MIRAGE 框架，通过利用生物医学知识图谱引导跨队列的潜在特征蒸馏，并结合冻结的 3D U-Net 作为结构正则化约束，成功实现了仅基于电子健康记录预测阿尔茨海默病，从而在无需昂贵 MRI 扫描的情况下显著提升了诊断准确率。
ORCA: Orchestrated Reasoning with Collaborative Agents for Document Visual Question Answering
ORCA 提出了一种基于多智能体协作的文档视觉问答新框架，通过推理分解、路由调度专用智能体、辩论与裁决机制以及一致性检查，显著提升了复杂文档推理任务的性能。
Deep Learning Based Wildfire Detection for Peatland Fires Using Transfer Learning
本文提出了一种基于迁移学习的深度学习框架，通过利用通用野火预训练模型并针对马来西亚泥炭地火灾数据进行微调，有效克服了泥炭火隐蔽性强和数据稀缺的挑战，显著提升了复杂环境下的检测精度与鲁棒性。
Large-Scale Dataset and Benchmark for Skin Tone Classification in the Wild
该论文提出了名为 STW 的大规模开源数据集（基于 10 阶 MST 肤色标准标注），通过对比传统计算机视觉与深度学习方法的性能，并开发了基于 ViT 的 SkinToneNet 模型，实现了在野外观测条件下的高精度肤色分类与公平性评估。
E2E-GNet: An End-to-End Skeleton-based Geometric Deep Neural Network for Human Motion Recognition
本文提出了一种名为 E2E-GNet 的端到端几何深度学习网络，通过引入几何变换层和失真感知优化层，在保持判别性几何特征的同时有效降低了骨架动作识别的失真与计算成本，并在多个数据集上取得了优于现有方法的性能。
ModalPatch: A Plug-and-Play Module for Robust Multi-Modal 3D Object Detection under Modality Drop
本文提出了 ModalPatch，这是一种无需修改架构或重新训练即可无缝集成到现有框架中的即插即用模块，它利用历史数据预测缺失特征并结合不确定性引导的跨模态融合策略，显著提升了多模态 3D 物体检测在任意模态丢失场景下的鲁棒性与精度。
MUSE: A Run-Centric Platform for Multimodal Unified Safety Evaluation of Large Language Models
本文提出了 MUSE，一个开源的以运行流程为核心的多模态统一安全评估平台，通过集成自动跨模态载荷生成、多轮攻击算法及模态切换机制，揭示了现有大语言模型在多轮交互及跨模态场景下对齐泛化能力的显著不足。
Geometric structures and deviations on James' symmetric positive-definite matrix bicone domain
本文基于 James 对称正定矩阵双锥域的重参数化，引入了两种新的几何结构（Finsler 结构和对偶信息几何结构），使得测地线在适当坐标系下对应直线，并证明了由此导出的 Hilbert VPM 距离推广了机器学习中的 Hilbert 单纯形距离，同时探讨了其应用及与传统差异度量的不等式关系。
WTHaar-Net: a Hybrid Quantum-Classical Approach
本文提出了名为 WTHaar-Net 的混合量子 - 经典卷积神经网络，该网络利用具有空间局部性和多分辨率特性的 Haar 小波变换替代传统架构中的哈达玛变换，在显著减少参数量的同时保持了竞争力甚至更优的准确率，并成功在 IBM 量子云硬件上验证了其量子实现的可行性。
Biomechanically Accurate Gait Analysis: A 3d Human Reconstruction Framework for Markerless Estimation of Gait Parameters
该论文提出了一种基于视频 3D 人体重建的无标记步态分析框架，通过提取类似运动捕捉的生物力学标记并结合 OpenSim 进行关节运动学估计，实现了与标记法高度一致且优于传统姿态估计方法的精准步态评估。
SGMA: Semantic-Guided Modality-Aware Segmentation for Remote Sensing with Incomplete Multimodal Data
本文提出了语义引导模态感知（SGMA）框架，通过语义引导融合与模态感知采样两个模块，有效解决了遥感不完整多模态语义分割中存在的模态不平衡、类内变异及跨模态异质性挑战，显著提升了分割性能。