Counting Through Occlusion: Framework for Open World Amodal Counting
本文提出了名为 CountOCC 的开放世界遮挡计数框架，通过分层多模态引导重建被遮挡物体的特征并引入视觉等价目标，有效解决了现有方法在遮挡场景下的失效问题，并在多个数据集上实现了显著的性能提升。
💻 Category
cs
6338 篇论文
Think, Speak, Decide: Language-Augmented Multi-Agent Reinforcement Learning for Economic Decision-Making
该论文提出了名为 LAMP 的语言增强多智能体策略框架，通过“思考 - 表达 - 决策”流程将非结构化语言信息融入经济决策，显著提升了多智能体强化学习在模拟经济环境中的累积收益、鲁棒性及可解释性。
Video2Layout: Recall and Reconstruct Metric-Grounded Cognitive Map for Spatial Reasoning
本文提出了 Video2Layout 框架，通过利用连续物体边界坐标构建度量级认知地图，替代传统的离散网格表示，从而显著提升了多模态大语言模型在空间推理任务中的精度与泛化能力。
Multi-Order Matching Network for Alignment-Free Depth Super-Resolution
本文提出了一种名为 MOMNet 的无对齐多阶匹配网络，通过联合执行零阶、一阶和二阶匹配来自适应检索并整合与深度图一致的 RGB 信息，从而在无需严格对齐的情况下实现了鲁棒且领先的深度超分辨率性能。
Learning to Think Fast and Slow for Visual Language Models
本文提出了一种名为 DualMindVLM 的视觉语言模型，通过利用预训练模型对不同任务自然响应长度的差异，结合 GRPO 算法构建显式的双模式思维机制，使其能根据问题复杂度自主或手动选择快速直觉或慢速推理模式，从而在显著提升视觉推理性能的同时实现了高效的 Token 利用。
Radiative-Structured Neural Operator for Continuous and Extrapolative Spectral Super-Resolution
本文提出了一种辐射结构化神经算子（RSNO），通过结合物理先验、神经算子连续映射及角一致性投影（ACP）优化，实现了从多光谱图像到连续且物理一致的高光谱图像的超分辨率重建。
UnfoldLDM: Deep Unfolding-based Blind Image Restoration with Latent Diffusion Priors
本文提出了 UnfoldLDM，一种将深度展开网络与潜在扩散模型相结合的新型盲图像恢复框架，通过多粒度退化感知模块估计未知退化，并利用抗退化扩散先验与过平滑校正 Transformer 协同解决现有方法对退化模型的依赖及纹理过平滑问题，从而在多种盲恢复任务中实现领先性能。
Privacy Concerns and ChatGPT: Exploring Online Discourse through the Lens of Information Practice on Reddit
本研究基于信息实践理论，通过分析 Reddit 上 426 篇帖子和 1900 条评论，揭示了用户如何通过风险警示、规范建立、无奈接受以及集体排查和倡导隐私保护替代方案等话语与实践，在集体层面协商并应对 ChatGPT 引发的隐私担忧。
Stable Multi-Drone GNSS Tracking System for Marine Robots
本文提出了一种结合高效视觉检测、轻量级多目标跟踪、GNSS 三角测量及置信度加权扩展卡尔曼滤波的多无人机系统，通过跨无人机 ID 对齐算法实现了海洋机器人在水面及近水面环境下的稳定、实时且高精度的全局跟踪。
Yo'City: Personalized and Boundless 3D Realistic City Scene Generation via Self-Critic Expansion
本文提出了 Yo'City，一种利用大模型推理与组合能力的智能体框架，通过“城市 - 街区 - 网格”分层规划、基于自批评的图像合成循环以及关系引导的扩展机制，实现了个性化且无限可扩展的逼真 3D 城市场景生成。
DOPD: A Dynamic PD-Disaggregation Architecture for Maximizing Goodput in LLM Inference Serving
本文提出了 DOPD 系统，通过基于实时负载监控动态调整预填充与解码实例的比例，有效解决了 LLM 推理服务中的资源失衡问题，从而在显著降低延迟的同时将整体系统吞吐量提升了最高 1.5 倍。
Sublinear Edge Fault Tolerant Spanners for Hypergraphs
本文首次研究了超图中的容错 spanner 问题，提出了一种基于聚类的算法以构建次线性大小的边容错超 spanner，并建立了相应的下界，填补了该领域在容错设置下从线性到次线性规模的关键空白。
An LLM-Assisted Multi-Agent Control Framework for Roll-to-Roll Manufacturing Systems
本文提出了一种由大语言模型辅助的多智能体控制框架，通过系统识别、自动调参、安全验证及持续监测等五个阶段，实现了卷对卷制造系统中控制设计的自动化与自适应，在显著降低人工调试成本的同时确保了张力与速度控制的精度及安全性。
RadDiff: Retrieval-Augmented Denoising Diffusion for Protein Inverse Folding
本文提出了一种名为 RadDiff 的新型检索增强去噪扩散模型，通过引入检索增强机制和知识感知模块来有效整合外部蛋白质知识，从而在蛋白质逆折叠任务中显著提升了序列恢复率和可折叠性，并克服了现有方法在知识利用和扩展性方面的局限。
Integrating a Causal Foundation Model into a Prescriptive Maintenance Framework for Optimising Production-Line OEE
本文提出了一种基于因果基础模型的预测性维护框架，通过模拟干预措施来量化其对整体设备效率（OEE）的因果影响，从而帮助工程师识别根本原因并优化生产线的决策。
S2AM3D: Scale-controllable Part Segmentation of 3D Point Cloud
本文提出了 S2AM3D 框架，通过结合 2D 分割先验与 3D 一致性监督，利用点一致部分编码器和尺度感知提示解码器解决了现有 3D 点云部件分割中泛化性差和视图不一致的问题，并发布了大规模数据集以实现具有卓越鲁棒性和粒度可控性的分割性能。
Confidential, Attestable, and Efficient Inter-CVM Communication with Arm CCA
本文介绍了基于 Arm CCA 架构的 CAEC 系统，通过引入对 Hypervisor 不可见的机密共享内存（CSM）机制，在保持强隔离与可证明性的同时，显著解决了 CVM 间通信的性能瓶颈问题。
HiconAgent: History Context-aware Policy Optimization for GUI Agents
本文提出了 HiconAgent，一种通过动态上下文采样和锚点引导的历史压缩策略来优化历史上下文利用的 GUI 智能体，在显著降低计算成本的同时实现了优于更大规模模型的性能。
MAViD: A Multimodal Framework for Audio-Visual Dialogue Understanding and Generation
本文提出了 MAViD 框架，通过“指挥者 - 创作者”架构及结合自回归与扩散模型的双 DiT 结构，实现了能够生成身份、音色和语调一致且长时连贯的生动音视频对话交互。
When Token Pruning is Worse than Random: Understanding Visual Token Information in VLLMs
该论文揭示了视觉大语言模型深层中存在“信息视界”现象，即视觉令牌信息随层数加深而逐渐均匀化直至消失，导致深层训练无关剪枝效果不优于随机剪枝，进而提出在深层结合随机剪枝的策略，在大幅降低计算成本的同时保持了模型的高性能。