Unified Medical Image Segmentation with State Space Modeling Snake
本文提出了一种名为 Mamba Snake 的新型深度蛇形框架，通过引入状态空间建模、Mamba 演化模块及双分类协同机制，有效解决了统一医学图像分割中多尺度结构异质性与器官间关系建模的难题，并在五个临床数据集上实现了优于现有最先进方法的平均 3% 的 Dice 提升。
👁️ Category
cs.CV
1871 篇论文
: Permutation-Equivariant Visual Geometry Learning
本文提出了，一种无需固定参考视图、采用全排列等变架构的自监督前馈神经网络，通过直接预测仿射不变相机姿态和尺度不变局部点图，在相机位姿估计、单目/视频深度估计及稠密点云重建等任务中实现了最先进的性能。
InsightX Agent: An LMM-based Agentic Framework with Integrated Tools for Reliable X-ray NDT Analysis
本文提出了 InsightX Agent，一种基于大型多模态模型（LMM）的智能体框架，通过协调稀疏变形多尺度检测器（SDMSD）与证据 grounding 反思（EGR）工具，实现了兼具高检测精度、可解释性及自我评估能力的可靠 X 射线无损检测分析。
Post-Disaster Affected Area Segmentation with a Vision Transformer (ViT)-based EVAP Model using Sentinel-2 and Formosat-5 Imagery
本文提出了一种基于 Vision Transformer 的深度学习框架，利用主成分分析扩展少量标注数据并融合多源遥感影像，以在缺乏精确地面真值的情况下提升灾后受灾区域分割的平滑度与可靠性，从而增强台湾太空总署的紧急增值产品（EVAP）效能。
Empowering Microscopic Traffic Simulators with Realistic Perception using Surrogate Sensor Models
本文提出了 MIDAR，一种基于几何感知图 Transformer 的代理 LiDAR 检测模型，它利用微观交通模拟器中的高层特征高效模拟真实的感知效果（包括遮挡和误检），从而在保持低计算成本的同时显著提升了大规模智能交通系统仿真中自动驾驶车辆感知建模的准确性与实用性。
TransUNet-GradCAM: A Hybrid Transformer-U-Net with Self-Attention and Explainable Visualizations for Foot Ulcer Segmentation
本文提出了一种结合自注意力机制与可解释性可视化的混合 TransUNet-GradCAM 模型，通过融合 Transformer 的全局上下文建模能力与 U-Net 的精细空间定位优势，在多个数据集上实现了具有强泛化能力和高临床相关性的糖尿病足溃疡自动分割。
SQ-VDiT: Accurate Quantized Video Diffusion Transformer with Salient Data and Sparse Token Distillation
本文提出了 S²Q-VDiT 框架，通过结合感知 Hessian 的显著数据选择与注意力引导的稀疏令牌蒸馏技术，成功解决了视频扩散 Transformer 在量化过程中面临的长序列校准方差高与学习困难问题，实现了 W4A6 量化下的无损性能、3.9 倍模型压缩及 1.3 倍推理加速。
SPEX: A Vision-Language Model for Land Cover Extraction on Spectral Remote Sensing Images
本文提出了首个面向光谱遥感影像地物提取的多模态大语言模型 SPEX，通过构建融合光谱先验的指令数据集（SPIE）并引入多尺度特征聚合等创新策略，显著提升了多光谱场景下的地物分类精度与可解释性。
3D Gaussian Splatting with Fisheye Images: Field of View Analysis and Depth-Based Initialization
本文首次评估了 3D 高斯泼溅技术在 200°超广角鱼眼图像上的表现，发现 160°视场角效果最佳，并创新性地引入 UniK3D 深度估计替代传统 SfM 初始化，成功解决了极端畸变及恶劣天气下的重建难题。
Unified and Semantically Grounded Domain Adaptation for Medical Image Segmentation
该论文提出了一种统一且语义 grounded 的医学图像分割域适应框架，通过构建域无关的解剖学概率流形来解耦图像内容，从而在不依赖显式跨域对齐策略的情况下，在源数据可访问和源数据不可访问两种设置下均实现了具有内在适应性的最先进性能。
IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
该论文提出了 IAG，一种针对视觉语言模型视觉定位任务的首个多目标后门攻击方法，它利用文本条件 UNet 动态生成与目标语义相关的输入感知触发器，在保持正常定位性能的同时实现高攻击成功率、强隐蔽性及跨模型/数据集的迁移能力。
Video-EM: Event-Centric Episodic Memory for Long-Form Video Understanding
本文提出了 Video-EM，一种无需训练的事件中心式情节记忆框架，通过利用大语言模型作为主动代理来构建、精炼并验证连贯的事件时间线，从而有效解决现有视频大模型在处理长视频时因上下文限制和孤立帧选择导致的叙事断裂与冗余问题。
UniUGG: Unified 3D Understanding and Generation via Geometric-Semantic Encoding
本文提出了首个统一框架 UniUGG，通过结合大语言模型、潜在扩散模型解码器以及几何 - 语义预训练策略，实现了在 3D 模态下对场景的生成、想象及空间视觉问答任务的统一理解与生成。
Efficient Diffusion-Based 3D Human Pose Estimation with Hierarchical Temporal Pruning
本文提出了一种结合分层时序剪枝策略的高效扩散模型框架，通过时序相关性增强、稀疏注意力机制及语义剪枝技术，在显著降低计算成本并大幅提升推理速度的同时，实现了 3D 人体姿态估计的顶尖性能。
PointSlice: Accurate and Efficient Slice-Based Representation for 3D Object Detection from Point Clouds
PointSlice 提出了一种将点云切片为 2D 数据并结合切片交互网络（SIN）的新型表示方法，在 Waymo、nuScenes 和 Argoverse 2 等数据集上实现了检测精度与推理效率的卓越平衡。
Mix-modal Federated Learning for MRI Image Segmentation
本文针对非中心化混合模态 MRI 图像分割中存在的客户端模态与数据异构性挑战，提出了一种名为 MDM-MixMFL 的新型联邦学习框架，通过模态解耦策略和模态记忆机制，有效实现了多模态信息的自适应聚合与缺失模态补偿。
Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles
该研究提出了一种基于外部视觉观察和计算机视觉技术（如 YOLO 目标检测与车道监测）的新型驾驶员行为分类系统，旨在无需车载通信即可实时识别分心或受 impaired 驾驶等不安全行为，从而提升自动驾驶环境下的道路安全。
UltraUPConvNet: A UPerNet- and ConvNeXt-Based Multi-Task Network for Ultrasound Tissue Segmentation and Disease Prediction
本文提出了一种名为 UltraUPConvNet 的计算高效通用框架，该框架基于 UPerNet 和 ConvNeXt 架构，利用包含 9700 多个标注的大规模数据集，实现了在降低计算开销的同时，对超声图像进行组织分割与疾病预测的多任务联合处理。
Traffic-MLLM: Curiosity-Regularized Supervised Learning for Traffic Scenario Case-Based Reasoning
本文提出了 Traffic-MLLM，一种无需显式检索的神经案例建模框架，通过融合多源交通数据并引入基于随机网络蒸馏的好奇心正则化机制，有效提升了多模态大语言模型在复杂交通场景下的长尾推理能力与跨域泛化性能。
SAGA: Selective Adaptive Gating for Efficient and Expressive Linear Attention
本文提出了 SAGA 方法，通过引入输入自适应的可学习门控机制和高效的哈达玛积分解，在保留线性注意力全局感受野的同时缓解低秩特征限制，从而在显著降低计算复杂度和显存占用的基础上，大幅提升了视觉 Transformer 模型的推理效率与 ImageNet 分类精度。