10069 篇论文
本文提出了 SHIELD8-UAV，这是一种面向低功耗无人机声学检测的串行 8 位硬件加速器，它通过结合精度感知量化、结构化剪枝及共享多精度数据通路，在无需大规模并行架构的情况下实现了低延迟、低能耗的边缘实时推理。
本文提出了 A3Point 框架，通过语义混淆先验潜在学习和语义偏移区域定位技术，在有效利用多样化增强数据的同时缓解语义偏移问题，从而显著提升了 LiDAR 语义分割网络在恶劣天气下的鲁棒性并刷新了多项基准测试的纪录。
本文提出了名为 MCMR 的大规模基准，旨在评估多模态大语言模型在自然语言查询下针对多条件、细粒度跨模态检索的能力，并通过涵盖五大产品领域的实验揭示了模态不对称性及基于 MLLM 的重排序机制在提升细粒度匹配中的关键作用。
本文提出了首个涵盖四个维度、十二项指标及三项量化任务的图形设计美学评估基准 AesEval-Bench，通过系统评估各类视觉语言模型的表现并构建基于人类引导的大规模训练数据集，建立了图形设计美学质量评估的系统性框架。
本文提出了 V-SONAR，一种通过将视觉编码器表示对齐到 SONAR 文本空间而构建的统一视觉 - 语言嵌入模型，并基于此开发了 V-LCM，该模型在多语言视频描述和问答任务中不仅达到了现有最先进水平，更在 61 种语言上显著超越了它们。
本文提出了差分隐私医学图像表示几何（DP-RGMI）框架，通过量化表征空间的几何变形与任务头利用率，揭示了差分隐私在医学影像中导致性能下降的内在机制，即隐私保护主要引发表征利用率的显著差距而非简单的特征均匀坍缩。
本文提出了名为 StrokeDiff 的扩散模型框架，通过平滑正则化技术解决了仅凭少量手绘样本（470 个）训练生成可控且多样化油画笔触的数据稀缺难题，并成功将其集成到完整的笔触生成与合成管线中以提升创作表现力。
本文提出了"Egocentric Co-Pilot"，这是一种运行于智能眼镜上的 Web 原生神经符号框架，它通过结合大语言模型、时序思维链推理及云边协同架构，实现了基于第一人称视角的实时辅助问答与决策支持，显著提升了视障人士及认知负荷用户的任务完成度与满意度。
本文提出了 GroundedSurg，这是首个面向多手术场景的语言条件化实例级手术工具定位基准，旨在通过结合自然语言描述与像素级定位标注，填补现有评估范式在解析特定器械实例功能角色及空间关系方面的空白，从而推动具备临床现实推理能力的手术人工智能系统发展。
本文提出了 GuiDINO 框架，通过将 DINOv3 视觉基础模型重新定位为生成空间引导掩码的视觉引导器，利用轻量级 TokenBook 机制将先验知识注入专用分割骨干网络，从而在不进行全量微调的情况下显著提升了医学图像分割的质量与边界鲁棒性。
本文提出了 ClinCoT 框架，通过构建基于假设驱动区域提议的自动数据生成流水线及评分感知优化策略，将医疗视觉语言模型的偏好优化从响应级校正转变为视觉驱动的临床推理，从而显著提升了模型在医学任务中的事实 grounding 能力与整体性能。
本文提出了一种名为 PR-A²CL 的预测推理框架，通过结合增强异常对比学习与“预测 - 验证”范式，有效解决了复杂的组合视觉关系（CVR）任务，并在多个数据集上显著超越了现有最先进模型。
本文提出了一种名为 TCD-Net 的基于因果干预的图像去噪框架，通过环境偏差调整、正交内容 - 噪声解耦以及利用 Nano Banana Pro 引导因果先验，有效解决了传统模型中内容噪声纠缠与高频细节丢失问题，在 RTX 5090 上实现了 104.2 FPS 的实时高性能去噪。
本文提出了 ArtLLM 框架，利用基于大规模数据集训练的 3D 多模态大语言模型，直接从完整 3D 网格中自回归地预测可动物体的部件布局与关节结构，并生成高保真几何细节，从而显著超越了现有方法在部件布局精度、关节预测及泛化能力方面的局限。
本文提出了 TC-SSA 框架，通过基于门控路由的语义槽聚合机制，将全切片病理图像的海量图块压缩为固定数量的语义令牌，在显著降低计算成本的同时保留了关键诊断信息，从而在多项病理推理任务中实现了优于传统采样方法的性能。
本文提出了 ConVibNet 框架，通过引入新颖的交差损失函数并利用帧间时序依赖关系，显著提升了超声引导下连续进针过程中针尖定位与角度估计的精度与鲁棒性，实现了实时检测。
本文提出了 D-REX，一种基于高斯溅射的可微分实 - 仿 - 实引擎，通过从真实世界视觉与机器人控制信号中自动识别物体质量以构建高保真数字孪生，并结合人类演示迁移技术训练力感知抓取策略，从而有效缩小了仿真到现实的差距并实现了鲁棒的灵巧抓取。
本文提出了 GRAD-Former，一种基于门控鲁棒注意力机制的微分 Transformer 框架，通过引入自适应特征相关性与细化（AFRAR）模块，在显著降低模型参数量的同时，有效解决了高分辨率遥感图像变化检测中计算复杂度高及小样本训练下特征利用不足的问题，并在多个数据集上取得了优于现有最先进模型的性能。
本文提出了 BeautyGRPO 框架，通过构建细粒度偏好数据集 FRPref-10K 训练专用奖励模型，并引入动态路径引导（DPG）机制以平衡随机探索与高保真度需求，从而在保留人脸身份特征的同时实现符合人类审美偏好的高质量面部修图。
该论文提出了一种名为 FREE-Edit 的零样本图像驱动视频编辑框架，它利用新兴的整流流模型，并通过一种基于光流跟踪编辑区域的“编辑感知注入”（REE）策略来动态调节特征注入强度，从而在无需微调的情况下实现了比现有技术更高质量的视频编辑效果。