arXivDaily arXiv每日学术速递 周一至周五更新
arXiv周末暂无论文更新,休息一下吧,周末愉快~~

大厂专区

SenseTime(商汤)

共收录 1581 篇
2611.10768 2026-11-10 cs.AI 新提交

BlenderFORGE: Framework for Optimizing Reactive 3D-Graphics Editing Ability of MLLMs

BlenderFORGE:优化多模态大语言模型(MLLM)反应式3D图形编辑能力的框架

Zilin Guo, Tianrui Zhang, Yi Rong, Yichen Liu, Yuxin Guo, Jingcheng Ni, Lewei Lu, Zehuan Wu, Dan Xu

机构 * The Hong Kong University of Science and Technology(香港科技大学) ; SenseTime Research(商汤科技研究院)

AI总结 BlenderFORGE是优化MLLM反应式3D图形编辑能力的框架,通过三组件整合训练,使Qwen3-VL-8B等模型在四类编辑任务上性能显著提升,且具备跨场景迁移能力。

Comments Accepted at NeurIPS 2026. 35 pages, including references, appendix, and checklist. Project page: https://sensetime-fvg.github.io/BlenderFORGE/

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2611.07397 2026-11-06 cs.CV 新提交

Vis2State: Visual Reasoning through Executable State Abstractions

Vis2State:通过可执行状态抽象实现视觉推理

Sheng Jin, Wentao Liu, Chen Qian

机构 * SenseTime Research(商汤科技研究院)

AI总结 Vis2State是一种无需训练的智能体框架,可将视觉谜题抽象为可修改的问题状态,在四个基准测试中取得当前最优性能,其以状态为中心的设计有效性得到多方面验证,代码将公开供未来研究使用。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2611.06741 2026-11-05 cs.CV cs.AI 新提交

TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing

TailSteer:用于抗漂移多轮图像编辑的轨迹尾部引导

Ruikang Li, Zixuan Chen, Jiarui Wu, Mingde Yao, Yiyuan Zhang, Yujin Wang, Hanming Deng, Lewei Lu, Tianfan Xue

机构 * CUHK(香港中文大学) ; MMLab(商汤科技多媒体实验室) ; SenseTime Research(商汤科技研究院) ; Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)

AI总结 TailSteer是一种最终阶段训练框架,通过将保留修正集中在轨迹尾部,在保留基础模型生成与编辑能力的同时,大幅降低多轮图像编辑中的累积视觉漂移。

Comments 16 pages, 9 figures. Project page: https://lyricccco.github.io/tailsteer/

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2611.06496 2026-11-05 cs.CL 新提交

LibriSpeech-Real-QA: A Benchmark for Streaming Question Answering

LibriSpeech-Real-QA:一个用于流式问答的基准测试集

Zewen Zhan, Hui Lu, Xueyuan Chen, Huimeng Wang, Yikai Huang, Xixin Wu, Shiyin Kang, Bin Xia, Zhiyong Wu

机构 * Tsinghua University(清华大学) ; The Chinese University of Hong Kong(香港中文大学) ; SenseTime Research(商汤科技研究院)

AI总结 该研究针对实时语音交互缺乏基准的问题,提出LibriSpeech-Real-QA基准,评估发现现有实时商业语音模型多在语音结束后响应,还探索模型设计为预训练SLM建立任务基线。

Comments 5 pages, 1 figure, 6 tables. Submitted to IEEE ICASSP 2027

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.34249 2026-11-05 cs.AI 版本更新

Evolving Support Priorities in Empathetic Reinforcement Learning

共情强化学习中的支持优先级演化

Pengyu Huang, Zhiyuan Han, Wenwen Tong, Hewei Guo, Jiangnan Chen, Sirui Chen, Lewei Lu, Beier Zhu, Xun Yang

机构 * University of Science and Technology of China(中国科学技术大学) ; SenseTime Research(商汤科技研究院) ; Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院) ; Tongji University(同济大学)

AI总结 针对共情强化学习中支持优先级随对话状态演化而现有方法固定奖励的问题,提出CARE框架,通过上下文自适应评分标准动态调整奖励,在多个基准上显著提升性能。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.41949 2026-11-02 cs.AI cs.LG 新提交

Optimizing Stochastic Policy Geometry for Few-Step Flow Reinforcement Learning

优化用于少步流强化学习的随机策略几何

Zhuguanyu Wu, Congjia Chen, Ruihao Gong, Yang Yong, Shiqiao Gu, Yi Xu, Xianglong Liu

机构 * Beihang University(北京航空航天大学) ; Sensetime Research(商汤科技研究院)

AI总结 本研究提出Geo-FSRL方法,通过优化随机策略几何提升少步流强化学习性能,在4步设置下图像与视频生成任务中优于Flow-GRPO和Flow-CPS。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.23751 2026-10-27 cs.CV 版本更新

MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

MTEdit:多轮图像编辑中,打包轨迹优于回滚

Houyuan Chen, Fanzhou Wang, Xiangyu Fan, Songlin Yang, Zhitao Yang, Lvmin Zhang, Pei Yang, Hao Zhao, Dahua Lin, Lei Yang, Anyi Rao

机构 * SenseTime Research(商汤科技研究院) ; HKUST MMLab(香港科技大学多媒体实验室) ; Stanford University(斯坦福大学) ; AIR, Tsinghua University(清华大学人工智能国际研究院)

AI总结 该研究提出多轮图像编辑数据集MTEdit及基准MTEdit-Bench,微调Qwen模型得到Qwen-Image-MTEdit,实验显示其在开源模型中性能最优,验证了MTEdit的有效性。

Comments 41 pages, 22 figures, 8 tables

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2605.21100 2026-10-22 cs.DC 版本更新

NanoCP: Taming Load Imbalance in Data-Expert Parallel Decoding under Variable-Length Workloads

NanoCP: 数据专家并行解码的请求级动态上下文并行

Jiefei Chen, Binbin Lin, Jinming Ma, Jiangfei Duan, Haojie Duanmu, Hao Liu, Qinxiu Cheng, Xiuhong Li, Zhilin Pei, Hui Wang, Xingcheng Zhang, Dahua Lin

机构 * Fudan University(复旦大学) ; Shanghai Artificial Intelligence Laboratory(上海人工智能实验室) ; Huazhong University of Science and Technology(华中科技大学) ; The Chinese University of Hong Kong(香港中文大学) ; Shanghai Jiao Tong University(上海交通大学) ; Harbin Institute of Technology(哈尔滨工业大学) ; Peking University(北京大学) ; SenseTime(商汤科技)

AI总结 本文提出NanoCP,通过动态上下文并行技术解耦MoE通信与KV缓存放置,实现上下文并行度的动态平衡,从而在不增加额外负载的情况下提升请求速率和降低尾延迟。

Comments 18 pages, 20 figures. Accepted to ASPLOS 2027

Journal ref Proceedings of the 32nd ACM International Conference on Architectural Support for Programming Languages and Operating Systems, Volume 1 (ASPLOS '27), 2027

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.28425 2026-10-21 cs.CR cs.AI 新提交

After the Attacker Leaves: Benchmarking Carryover Attacks on LLM Agents

攻击者离开后:对大语言模型智能体的遗留攻击进行基准测试

Zhiyue Xu, Xukai Wang, Zhiyuan Huang, Mingjie Zhan, Jian Zhao, Xu-Yao Zhang

机构 * MAIS, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所) ; School of Artificial Intelligence, UCAS(中国科学院大学人工智能学院) ; Zhongguancun Academy(中关村研究院) ; SenseTime Research(商汤科技研究院) ; Zhongguancun Institute of Artificial Intelligence(中关村人工智能研究院)

AI总结 本研究提出 CarryoverBench 基准测试遗留攻击,发现前沿 LLM 智能体的植入有效载荷可跨会话重新触发且衰减微弱,触发阶段防护效果有限,需运行时与提示级结合防御。

Comments Accepted by EMNLP 2026 Main Conference

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.25078 2026-10-20 cs.LG cs.CL 新提交

CoEvo-RSI: When Harnesses Evolve, Which Models Should Follow?

CoEvo-RSI:当工具进化时,哪些模型应当跟进?

Jiaqi Su, Guibin Zhang, Jie-Jing Shao, Cong Pang, Tiankuo Yao, Ivor Tsang, Haiyan Yin, Shuicheng Yan

机构 * National University of Singapore(新加坡国立大学) ; Agency for Science, Technology and Research (A*STAR)(科学、技术与研究局(A*STAR)) ; SenseTime Group Inc.(商汤科技集团有限公司)

AI总结 本研究针对递归自我改进智能体范式的脑-体不匹配问题,提出CoEvo-RSI框架,通过双向历史继承对齐模型与工具,使Qwen3.5-9B在多项任务上超越DeepSeek-V4-Pro、GLM-5.3等模型。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.24789 2026-10-20 cs.AI 新提交

IndustrialCAD-1400: Benchmarking Detailed Industrial Assemblies from Text

IndustrialCAD-1400:面向文本的详细工业装配基准测试

Hebao Zhu, Kang An, Zhuoke Liao, Faqiang Qian, Ziliang Wang, Mingang Chen, Qibing Ren

机构 * Shanghai Jiao Tong University(上海交通大学) ; Chongqing University(重庆大学) ; SenseTime(商汤科技) ; Shanghai Development Center of Computer Software Technology(上海计算机软件技术开发中心)

AI总结 研究推出IndustrialCAD-1400文本转CAD基准,含1400个工业装配需求,基于多源信息构建,用Blender执行评估,实现工业装配合成,支持平衡比较与数值响应测试。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.37372 2026-10-20 cs.CV 版本更新

Think Before You Score: Thinking Reward Model for Visual Generation

先思考再评分:面向视觉生成的思考奖励模型

Xuehai Bai, Zhenchen Tang, Yang Shi, Dianyi Wang, Tengfei Liu, Wanshun Su, Xuanyu Zhu, Ruohui Wang, Haiwen Diao, Haotian Wang, Xiaoling Gu, Yuanxing Zhang

机构 * HDU(杭州电子科技大学) ; CASIA(中国科学院自动化研究所) ; PKU(北京大学) ; SenseTime(商汤科技) ; FDU(复旦大学) ; NWPU(西北工业大学) ; NTU(南洋理工大学) ; THU(清华大学)

AI总结 本文提出思考奖励模型(TRM),通过先确定案例关键评估点再评分,并引入PD-GRPO优化,在图像生成与编辑基准上达到开源最优,且有效提升多种视觉生成模型。

Comments 31 pages

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.06617 2026-10-19 cs.CV cs.LG cs.RO 版本更新

RealtimeWAM: One-Step Asynchronous World Action Models

RealtimeWAM:一步异步世界动作模型

Chengtao Lv, Jinyang Du, Shuyi Feng, Yang Yong, Shiqiao Gu, Shunzi Yang, Ruihao Gong, Shen Ren, Tianwei Zhang, Wenya Wang

机构 * Nanyang Technological University(南洋理工大学) ; Beihang University(北京航空航天大学) ; Sensetime(商汤科技) ; Continental Automotive Singapore(大陆汽车新加坡)

AI总结 提出RealtimeWAM,通过一步动作生成和异步推理解决WAM推理瓶颈,采用TACD和CEWP技术,在多个基准上保持近无损性能并实现约25倍加速。

Comments The code and checkpoints are available at https://github.com/ModelTC/LightX2V/tree/main/scripts/realtimewam

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.18342 2026-10-14 cs.CV 新提交

CityCode: Building Agent-Operable 3D Cities from Sparse Aerial Observations

CityCode:构建智能体可操作的3D城市——基于稀疏航拍观测

Jiahui Sun, Ran Bi, Yifei Liu, Xiaolong Zhou, Yishuo Xu, Yuanqi Li, Congcong Zhu, Lei Yang, Yanwen Guo, Zhihang Zhong, Hongjie Zhang

机构 * Nanjing University(南京大学) ; Shanghai Artificial Intelligence Laboratory(上海人工智能实验室) ; University of Science and Technology of China(中国科学技术大学) ; SenseTime(商汤科技) ; Shanghai Jiao Tong University(上海交通大学) ; Beihang University(北京航空航天大学)

AI总结 该研究提出CityCode与Air2Code,从稀疏航拍观测构建智能体可操作的持久3D城市,在基准数据集上表现更优,支持城市状态的多类操作,助力长时序城市空间智能。

Comments 13 pages, 4 figures;

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.16998 2026-10-14 cs.AI 新提交

Glasseek: A Transparent Recipe for Training and Trustworthy Evaluation of DeepSearch Agents

Glasseek:用于深度搜索智能体训练与可信评估的透明方案

Cong Pang, Jiaqi Su, Chengrui Wu, Kuihao Yan, Tianrui Zhang, Zixuan Qiu, Chao Lin, Zixiu Lin, Zixuan Chen, Zelin Xiao, Tiankuo Yao, Jiawei Hong, Zixuan Chen, Dan Xu, Lewei Lu, Wenjie Wang, Xin Lou

机构 * ShanghaiTech(上海科技大学) ; NUS(新加坡国立大学) ; ZJU(浙江大学) ; IIE, CAS(中国科学院自动化研究所) ; HKUST(香港科技大学) ; FDU(复旦大学) ; HKU(香港大学) ; PKU(北京大学) ; SenseTime(商汤科技)

AI总结 本研究推出全透明深度搜索框架Glasseek,解决深度搜索智能体训练与评估的三大瓶颈,其9B智能体在多类深度研究基准上优于前沿专有智能体,成为9B规模开源智能体新标杆。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.14726 2026-10-14 cs.CV 新提交

LightVAE: Towards Compact and Efficient Video Autoencoders

LightVAE:迈向紧凑高效的视频自编码器

Shiqiao Gu, Yang Yong, Fengjun Zhong, Ruihao Gong, Chengtao Lv, Xiangyu Fan, Lei Yang, Xianglong Liu

机构 * SenseTime(商汤科技) ; Beihang University(北京航空航天大学) ; Nanyang Technological University(南洋理工大学)

AI总结 LightVAE是一种利用时间建模与网络深度冗余的视频VAE压缩框架,通过重参数化、时间低秩压缩等实现解码加速,在多平台多数据集上性能优于现有最优方法。

Comments 24 pages, code is available at https://github.com/ModelTC/LightVAE

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.14157 2026-10-14 cs.SE cs.CL cs.CV 新提交

OpenMobile-2: Building Versatile Mobile Agents with Scalable Environments and App-Native Tools

OpenMobile-2:利用可扩展环境与应用原生工具构建通用移动智能体

Chenyang Yan, Yingying Zhang, Kanzhi Cheng, Qiushi Sun, Zhengyuan Pan, Zheng Ma, Hang Yan, Yian Wang, Nuo Chen, Jialin Cao, Xingdong Gong, Wenpo Song, Han Chen, Zichen Ding, Fangzhi Xu, Shujian Huang, Xinyu Dai, Yichen Liu, Tiankuo Yao, Bo Wang, Ben Kao, Jianbing Zhang, Lewei Lu, Dahua Lin

机构 * Nanjing University(南京大学) ; Xi’an Jiaotong University(西安交通大学) ; National University of Singapore(新加坡国立大学) ; SenseTime(商汤科技) ; East China Normal University(华东师范大学) ; The University of Hong Kong(香港大学)

AI总结 本研究推出具备开放训练资源的OpenMobile-2移动智能体,构建含110+应用的MobileGym++环境,整理大规模训练数据,实现混合GUI与应用原生工具使用,在多基准上表现优异且真实设备迁移性能显著提升。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.13481 2026-10-12 cs.AI 新提交

Branching On-Policy Distillation

分支式在线策略蒸馏

Dongyang Chen, Shudong Liu, Shubo Li, Duoxun Tang, Jinwei Liang, Zehuan Wu, Lewei Lu

机构 * Tsinghua University(清华大学) ; SenseTime Research(商汤科技研究院) ; Peking University(北京大学)

AI总结 本研究针对在线策略蒸馏监督覆盖不足的问题,提出BranchOPD方法,通过分支采样与共享前缀复用降低成本,在数学任务和ALFWorld、WebShop等智能体任务上均优于基线方法。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2608.06769 2026-10-12 cs.CV 版本更新

GraphVerse: A Comprehensive Visual Graph Reasoning Benchmark for Multimodal Large Language Models

GraphVerse:面向多模态大语言模型的综合性视觉图推理基准

Yuanfu Sun, Yuanhang Ren, Kang Li, Chuanhao Ji, Jiaxi Li, Jiajin Liu, Ninghao Liu, Qiaoyu Tan

机构 * New York University(纽约大学) ; Sensetime Research(商汤科技研究院) ; Tsinghua University(清华大学) ; New York University Shanghai(上海纽约大学) ; University of Georgia(佐治亚大学) ; The Hong Kong Polytechnic University(香港理工大学)

AI总结 针对现有多模态大语言模型(MLLMs)评估缺乏结构化视觉推理测试的问题,提出GraphVerse基准,通过以图为中心的图像编辑(GIE)策略和VGR-Score指标,评估MLLMs在单/配对图像场景下的视觉图推理能力,揭示其相关局限并验证方法有效性。

Comments EMNLP 2026 Main Conference

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.11791 2026-10-09 cs.CV 新提交

Phase-aware video generation for physics-grounded dynamics and interactions

面向基于物理的动力学与交互的相位感知视频生成

Jingfeng Ou, Kun Wang, Rui Zhao, Jingwei Guan, Limin Wang, Chao Dong, Xingyu Zeng

机构 * School of Computer Science, Nanjing University(南京大学计算机科学学院) ; Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology(深圳理工大学人工智能研究院) ; SenseTime(商汤科技) ; Shenzhen Technology University(深圳技术大学)

AI总结 针对固气动力学视频生成的相位耦合挑战,提出双分支架构的PAVG模型,构建含70万条轨迹的模拟语料库,生成的视频在运动贴合度等指标上优于现有方法。

Comments 31 pages, 5 figures, 9 tables, including appendix

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.11201 2026-10-09 cs.DC cs.LG 新提交

PageWeaver: KV-Guided Query Unions for Sparse Attention

PageWeaver:面向稀疏注意力的KV引导查询分组

Zhiyuan Li, Zihan Li, Zefang Yuan, Lei Wang, Hao Wang

机构 * SenseTime(商汤科技)

AI总结 PageWeaver是一种KV引导的稀疏注意力查询分组执行设计,通过GPU搜索和双CTA内核实现,在H200等硬件上提升了预填充吞吐量与调用速度,分离了执行组复用的相关成本。

Comments 11 pages, 9 figures, 2 tables. Zhiyuan Li and Zihan Li contributed equally

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.10400 2026-10-08 cs.CV 新提交

Self-correction Optimization for Interleaved Multimodal Generation

交错多模态生成的自我修正优化

Xin You, Zhiwei Ning, Zukai Chen, Minghui Zhang, Xuanke Shi, Hanxiao Zhang, Jingsong Liu, Jie Yang, Quan Wang, Yun Gu

机构 * Shanghai Jiao Tong University(上海交通大学) ; SenseTime Research(商汤科技研究院) ; Technical University of Munich(慕尼黑工业大学)

AI总结 提出无需训练的自我修正优化方法,通过新事件与状态保持约束,提升交错多模态生成的时间一致性与视觉主体保持,并适用于视频生成。

Comments 20 pages, 10 figures

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.09914 2026-10-08 cs.LG cs.AI 新提交

RollVerify: Bridging Efficiency and Accuracy in Long-Tail Rollout Reinforcement Learning

RollVerify:弥合长尾 rollout 强化学习中的效率与准确性

Yongqiang Yao, Jinru Tan, Kaihuan Liang, Zixin Yin, Yazhe Niu, Ruihao Gong, Dahua Lin, Ningyi Xu

机构 * Shanghai Jiao Tong University(上海交通大学) ; Central South University(中南大学) ; SenseTime Research(商汤科技研究院) ; The Chinese University of Hong Kong(香港中文大学) ; Beihang University(北京航空航天大学)

AI总结 针对长尾 rollout 强化学习中的 GPU 气泡和离策略样本问题,提出 RollVerify 框架,通过 OPS 度量主动验证并修复部分生成轨迹,在保持效率的同时达到与在线策略训练相当的准确性。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2610.04400 2026-10-06 cs.CL cs.AI cs.HC 新提交

XTurnix: Large-Scale Self-Supervised Turn Control through Two-State Binary Decisions

XTurnix:通过双状态二元决策的大规模自监督话轮控制

Zhanxun Liu, Yifan Duan, Hengtao Wu, Chen Yang, Qinyuan Cheng, Kun Wang, Xingyu Zeng, Xipeng Qiu, Chaochao Lu, Xie Chen

机构 * Shanghai Jiao Tong University(上海交通大学) ; Shanghai Innovation Institute(上海创新研究院) ; Shanghai AI Laboratory(上海人工智能实验室) ; MOSI Intelligence ; SenseTime Group Inc.(商汤科技集团) ; Shenzhen University of Advanced Technology(深圳先进技术大学)

AI总结 XTurnix通过双状态二元决策实现统一话轮控制,预训练于550万因果动作示例,在多个基准上优于基线,准确率达89.06%。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2511.19474 2026-10-06 cs.CV cs.AI cs.MM

Pistachio: Towards Synthetic, Balanced, and Long-Form Video Anomaly Benchmarks

Pistachio: 向合成、平衡和长形式视频异常基准迈进

Jie Li, Hongyi Cai, Mingkang Dong, Muxin Pu, Shan You, Fei Wang, Tao Huang

机构 * Universiti Malaya(马来亚大学) ; Monash University(莫纳什大学) ; SenseTime Research(商汤科技研究院) ; Shanghai Jiao Tong University(上海交通大学)

AI总结 本文提出Pistachio基准,通过生成式流程构建,提供可控场景、异常类型和时间叙事,减少人工标注依赖,验证了现有方法的挑战并推动动态多事件异常理解研究。

Comments Accepted by ECCV 2026

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2601.02918 2026-10-06 cs.CV 版本更新

Zoom-IQA: Image Quality Assessment with Reliable Region-Aware Reasoning

Zoom-IQA:基于可靠区域感知推理的图像质量评估

Guoqiang Liang, Jianyi Wang, Zhonghua Wu, Shangchen Zhou, Chen Change Loy

机构 * S-Lab, Nanyang Technological University, Singapore(S实验室,南洋理工大学,新加坡) ; SenseTime Research(商汤科技研究院)

AI总结 研究图像质量评估问题,提出基于视觉语言模型的Zoom-IQA,通过两阶段训练管道,包括监督微调与强化学习,有效减轻标注偏差,提升了模型在鲁棒性、可解释性和泛化性方面的表现,在下游任务中也展现出有效性。

Comments ECCV 2026, Project Page: https://ethanliang99.github.io/ZOOMIQA-Projectpage

Journal ref Computer Vision - ECCV 2026, LNCS 17008, pp. 618-636 (2026)

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.40305 2026-10-01 cs.CV cs.LG 新提交

Looped Diffusion Transformer

循环扩散Transformer

Yong Xien Chng, Tianyi Chen, Wenwen Tong, Haiwen Diao, Zhongang Cai, Lei Yang, Ziwei Liu, Lewei Lu, Dahua Lin, Gao Huang

机构 * SenseTime Research(商汤科技研究院) ; LeapLab, Tsinghua University(清华大学LeapLab)

AI总结 本文提出循环扩散Transformer(Looped-DiT),通过共享块循环计算与深度监督及自调制注意力,在固定参数下超越更大模型,实现高效迭代生成。

Comments 21 pages, 9 figures

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.04886 2026-09-30 cs.CV cs.AI 版本更新

SimFuse3D: Source-Guided Target Simulation and Confidence-Guided Multi-Stage Localization Reweighting for Cross-Platform 3D Object Detection

SimFuse3D:面向跨平台3D目标检测的源引导目标模拟与置信度引导多阶段定位重加权

Yongchun Lin, Xinliang Zhang, Yun Zou, Zhixuan Xiao, Liang Lei, Jianya Guo, Yuqiang Zhai, Xiaofeng Wang, HaiKuo Xu, Haoang Li

机构 * Guangdong University of Technology(广东工业大学) ; SenseTime(商汤科技)

AI总结 SimFuse3D通过源引导目标模拟与置信度引导多阶段定位重加权解决跨平台3D目标检测的框-点不一致问题,在6次跨平台迁移任务中多数指标优于Pi3DET-Net,nuScenes到KITTI任务表现最优。

Comments 9 pages, 5 figures. Submitted to ICRA

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.35394 2026-09-29 cs.CV 新提交

Rethinking Visual Token Compression for Video Large Language Models: A Simple Yet Strong Baseline

重新思考视频大语言模型的视觉令牌压缩:一个简单而强大的基线

Xiao Zhang, Wang Zeng, Sheng Jin, Wentao Liu, Chen Qian, Shichao Kan

机构 * Central South University(中南大学) ; SenseTime Research and Tetras.AI(商汤科技研究与Tetras.AI)

AI总结 本文提出SimpleCluster,一种无需训练的简单基线,通过位置感知跨帧聚类压缩视频视觉令牌,在多个基准上达到与复杂方法相当或更优的性能,并揭示特征空间保留是关键。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
2609.34732 2026-09-29 cs.CV 新提交

What Visual Generators Need from Teachers: Rethinking Representation Alignment

视觉生成器需要教师提供什么:重新思考表示对齐

Yongcong Wang, Hingchin Chen, Mingyu Fan, Shuo Jiang, Teer Zhang, Yucong Sun, Zijia Wang, Yiming Lu, Chengchao Shen

机构 * Central South University(中南大学) ; The Hong Kong University of Science and Technology(香港科技大学) ; Tsinghua University(清华大学) ; The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)) ; SenseTime Research(商汤科技研究院) ; Shandong University(山东大学) ; Imperial College London(伦敦帝国学院) ; University of Oxford(牛津大学) ; Dell Technologies(戴尔科技) ; University of International Relations(国际关系学院)

AI总结 本文提出RARE方法,通过可恢复性差距选择教师层并动态加权token,加速扩散变换器训练,在ImageNet上以更少计算取得优于现有对齐基线的FID。

展开摘要

展开后加载摘要…

URL PDF HTML 收藏
↑