SAM-TTT: Segment Anything Model via Reverse Parameter Configuration and Test-Time Training for Camouflaged Object Detection
College of Computer Science and Artificial Intelligence, Wenzhou University（计算机科学与人工智能学院，温州大学）；College of Computer Science and Technology, Tongji University（计算机科学与技术学院，同济大学）；College of Information Science and Technology, Zhejiang Shuren University（信息科学与技术学院，浙江师大）
本文提出 SAM-TTT 模型，通过反向参数配置模块抑制不利参数，并引入 T-Visioner 模块利用测试时训练层强化有利参数，显著提升了 SAM 在伪装目标检测任务中的语义理解能力，并在多个基准上达到最先进性能。
2025-09-15 cs.CV
CoTBox-TTT: Grounding Medical VQA with Visual Chain-of-Thought Boxes During Test-time Training
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港大学深圳研究院数据科学学院）
针对医疗视觉问答系统在领域转移下失效、答案与图像证据关联弱的问题，提出CoTBox-TTT方法，通过测试时训练更新软提示，利用视觉思维链信号识别相关区域并确保答案一致性，提升模型可靠性与准确率。
2025-11-16 cs.CV
One-Minute Video Generation with Test-Time Training
NVIDIA（英伟达）；Stanford University（斯坦福大学）；UCSD（加利福尼亚大学圣地亚哥分校）；UC Berkeley（加利福尼亚大学伯克利分校）；UT Austin（德克萨斯大学奥斯汀分校）
本文提出将测试时训练（TTT）层加入预训练Transformer，利用其隐藏状态作为神经网络的更强表达能力，实现从文本故事板生成一分钟视频，并在《猫和老鼠》数据集上验证了其相比Mamba 2等基线在故事连贯性上的显著优势。
2025-04-07 cs.CV
Exploring Human Vision Driven Features for Pedestrian Detection
University of Bonn（波恩大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析和信息系统研究所）；Bonn-Aachen International Center for Information Technology（波恩-亚琛信息技术国际中心）
受人类视觉注意力系统中的中心-环绕机制的启发，我们建议使用平均对比度图来解决街道场景中行人检测的挑战，因为观察到行人确实表现出有区别的对比度纹理。我们的主要贡献是首先设计一个本地的，统计的多通道卷积器，以将颜色和梯度信息。其次，我们引入了一个多方向和多尺度的对比度计划的基础上，网格细胞，以整合表达局部变化。贡献的问题，选择最有区别的功能进行评估和分类，我们进行了广泛的比较w.r.t.统计描述符、对比度测量和尺度结构。这样，我们在各种配置下得到合理的结果。将我们优化的检测器应用于INRIA和加州理工学院行人数据集的实证研究结果表明，我们的特征在行人检测方面具有最先进的性能。
2015-01-25 cs.CV
Expressive and Generalizable Low-rank Adaptation for Large Models via Slow Cascaded Learning
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
本文提出 LoRASC，通过级联低秩适配、慢-快更新和级联噪声调优增强 LoRA 的表达与泛化能力，并在语言、视觉及鲁棒性任务上验证其优势。
2024-07-01 cs.CL cs.CV
ReC-TTT: Contrastive Feature Reconstruction for Test-Time Training
Università degli studi di Milano（米兰大学）；ÉTS Montréal（蒙特利尔工程学院）
针对深度学习模型难以适应数据分布实时变化的问题，提出ReC-TTT测试时训练技术，结合对比特征重建与交叉重建辅助任务，提升模型对未知域的适应性，在域偏移分类挑战中性能优于现有先进技术。
2024-11-26 cs.CV cs.LG
VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Li Auto Inc.（理想汽车）
本文提出VANE框架，通过条件提示自适应、未来视觉后果学习及候选更新隔离评估的方法，提升VLA策略在闭环操纵中的可靠性，在SimplerEnv WidowX上将平均成功率提高3.2个百分点。
2026-08-13 cs.CV cs.RO
Explaining the Unseen: Multimodal Vision-Language Reasoning for Situational Awareness in Underground Mining Disasters
Missouri University of Science and Technology（密苏里科学与技术大学）；Washington State University（华盛顿州立大学）
本文提出MDSE框架，通过多模态视觉-语言推理提升地下矿难情境感知能力，实现更准确的描述生成。
2025-12-09 cs.CV
NC-TTT: A Noise Contrastive Approach for Test-Time Training
ÉTS Montréal（蒙特利尔工程学院）；MILA（蒙特利尔学习算法研究所）；CNRS（法国国家科学研究中心）；Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）
针对深度学习模型测试时域偏移性能下降问题，提出基于带噪特征图判别的无监督测试时训练方法NC-TTT，在多个基准上优于现有方法。
2024-04-12 cs.CV cs.LG
Interpretability-Guided Soft Pruning of Attention Heads in Vision Transformers
University of Warsaw（华沙大学）
该研究针对视觉基础模型架构庞大的问题，提出可解释性引导的注意力头软剪枝框架SAPER，在ImageNet-1K上实现了优于RAPTOR的精度-效率权衡。
2026-08-04 cs.AI cs.CV
Implicit-PDF: Non-Parametric Representation of Probability Distributions on the Rotation Manifold
Google Research（谷歌研究院）
单个图像姿态估计是许多视觉和机器人任务中的基本问题，并且现有的深度学习方法受到不完全建模和处理的影响：i）关于预测的不确定性，以及ii）具有多个（有时是无限个）正确姿态的对称对象。为此，我们引入一种方法来估计SO（3）上的任意非参数分布。我们的关键思想是用一个神经网络隐式地表示分布，该神经网络估计给定输入图像和候选姿势的概率。网格采样或梯度上升可用于找到最可能的姿势，但也可以评估任何姿势的概率，从而实现关于对称性和不确定性的推理。这是表示流形上分布的最通用方法，为了展示丰富的表达能力，我们引入了一个具有挑战性的对称和近对称对象的数据集。我们不需要对姿势不确定性进行监督-模型仅使用每个示例的单个姿势进行训练。尽管如此，我们的隐式模型在处理3D姿态的复杂分布方面表现力很强，同时仍然在标准非模糊环境中获得准确的姿态估计，在Pascal 3D+和ModelNet 10-SO（3）基准测试中实现了最先进的性能。
2022-07-01 cs.CV
Linearizing Vision Transformer with Test-Time Training
Tsinghua University（清华大学）
提出利用测试时训练（TTT）架构与Softmax注意力的结构对齐性，结合键实例归一化和局部性增强模块，实现从预训练Transformer到线性注意力模型的有效权重迁移，在Stable Diffusion 3.5上仅需1小时微调即可达到相近的图像生成质量并加速推理。
2026-05-28 cs.CV
Demystifying the Visual Quality Paradox in Multimodal Large Language Models
Texas A&M University（德克萨斯大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Toronto（多伦多大学）；Nanyang Technological University（南洋理工大学）
本研究揭示多模态大语言模型存在视觉质量悖论，即低感知质量图像可能提升性能，并提出VQ-TTT轻量级自适应模块，通过低秩核与LoRA微调动态调整输入，显著提升模型准确率。
2025-06-18 cs.AI cs.CV
SteelDefectX: A Multi-Form Vision-Language Dataset and Benchmark for Steel Surface Defect Analysis
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；Nanyang Technological University（南洋理工大学）
本文提出SteelDefectX数据集，包含7778张图像和25种缺陷类别，提供多形式文本标注，涵盖视觉-语言分类、分割及跨数据集迁移等任务，揭示文本设计对工业视觉-语言学习的重要性。
2026-05-08 cs.AI cs.CV
Weak-Annotation of HAR Datasets using Vision Foundation Models
University of Siegen（锡根大学）
本文提出一种基于聚类并借助 CLIP 等视觉基础模型的 HAR 数据集弱标注流程，仅标注质心片段即可接近 90% 准确率，并训练出媲美全监督效果的分类器。
2024-08-09 cs.CV cs.HC
Position Aware Layer Queries for Test Time Training in Vision Language Models
Institute of Artificial Intelligence（人工智能研究所）；University of Central Florida（中佛罗里达大学）
提出位置感知层查询网络（LQN），通过单次前向传播和位置感知蒸馏及位置一致性正则化，高效适应冻结的视觉语言模型，提升分布外和细粒度分类性能。
2026-09-29 cs.CV
Learning Expressive Prompting With Residuals for Vision Transformers
Carnegie Mellon University（卡内基梅隆大学）；AWS AI Labs（AWS人工智能实验室）
快速学习是一种有效的方法，通过将可学习的参数集插入到预训练模型的输入和中间表示中来适应Transformers。在这项工作中，我们提出了表达性记忆（EXPRESS），它修改了提示学习范式，专门用于有效适应视觉Transformer（ViT）。Out方法通过可学习的“输出”标记构造下游表示，这些标记类似于ViT的学习类标记。此外，为了更好地引导由冻结的Transformer处理的下游表示，我们引入了添加到各种计算的输出中的剩余可学习令牌。我们将EXPRESS应用于图像分类，少样本学习和语义分割，并表明我们的方法能够在VTAB基准测试的3/3类别上实现最先进的提示微调。除了强大的性能，我们观察到，我们的方法是一个数量级更迅速的效率比现有的视觉提示基线。我们分析表明，我们的方法的计算效益比权空间自适应技术，如微调。最后，我们通过一系列的烧蚀实验系统地证实了我们的方法的架构设计。
2023-03-27 cs.CV
Test-Time Training for Robust Text-Guided Open-Vocabulary Object Counting
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）；Wuhan University（武汉大学）
提出Dual-TTT框架，通过测试时训练轻量去噪模块，提升文本引导开放词汇目标计数在恶劣条件下的鲁棒性，无需修改原模型架构。
2026-06-17 cs.CV
Dual-Domain Representation Alignment: Bridging 2D and 3D Vision via Geometry-Aware Architecture Search
IEEE Publication Technology Group（IEEE出版技术组）
本文提出EvoNAS框架，通过融合Vision State Space和Vision Transformer模块，结合跨架构双域知识蒸馏策略，提升多目标架构搜索效率与一致性，实验证明EvoNets在精度与效率间取得帕累托最优平衡。
2026-03-20 cs.AI cs.CV
BSViT: A Burst Spiking Vision Transformer for Expressive and Efficient Visual Representation Learning
School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
提出BSViT，通过双通道爆发脉冲自注意力机制和局部邻域掩码策略，解决脉冲视觉Transformer中二进制脉冲信息容量有限和全局自注意力密集交互的问题，在静态和事件视觉基准上取得更高精度和能效。
2026-06-12 cs.CV
CTA: Cross-Task Alignment for Better Test Time Training
ÉTS Montréal（蒙特利尔ÉTS）；Concordia University（康科迪亚大学）
本文提出CTA方法，通过跨任务对齐监督与自监督编码器，改进测试时训练，缓解梯度干扰，提升模型在分布偏移下的鲁棒性和泛化能力。
2025-07-08 cs.AI cs.CV
SMPLest-X: Ultimate Scaling for Expressive Human Pose and Shape Estimation
SenseTime（商汤科技）
本研究针对表现力人体姿态与形状估计任务，从数据（40个数据集、1000万样本）和模型（ViT-Huge骨干、SMPLest-X等极简架构）两方面规模化扩展，构建通用基础模型，在七个基准上取得SOTA结果，且具备强迁移性，可微调为专用模型。
2025-01-16 cs.CV cs.GR cs.HC
ClusT3: Information Invariant Test-Time Training
ÉTS Montréal（蒙特利尔高等工程技术学院）；MILA（蒙特利尔学习算法研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）
提出基于多尺度特征图与离散潜在表示互信息最大化的无监督测试时训练技术ClusT3，作为辅助聚类任务集成至标准训练，在多个测试时适应基准上取得有竞争力的分类性能。
2023-10-18 cs.AI cs.CV cs.LG
Stable and expressive recurrent vision models
Carney Institute for Brain Science（卡尼脑科学研究所）；Department of Cognitive Linguistic & Psychological Sciences（认知语言与心理科学系）；Brown University（布朗大学）
灵长类动物的视觉依赖于可靠感知的循环处理。越来越多的文献还表明，循环连接提高了经典计算机视觉挑战中视觉模型的学习效率和泛化能力。那么，为什么当前的大规模挑战由前馈网络主导？我们认为，递归视觉模型的有效性是由用于训练它们的标准算法“时间反向传播”（BPTT）来检验的，该算法对于训练N步模型具有O（N）的内存复杂度。因此，递归视觉模型设计受到内存约束的限制，迫使人们在与领先的前馈模型的巨大容量竞争或试图通过粒度和复杂的动态来弥补这一缺陷之间做出选择。在这里，我们开发了一种新的学习算法，“承包商递归反向传播”（C-RBP），它通过实现恒定的O（1）的内存复杂度与递归处理的步骤来解决这些问题。我们证明了使用C-RBP训练的递归视觉模型可以在BPTT训练的模型无法检测的合成轮廓跟踪任务中检测到长距离空间依赖性。我们进一步表明，用C-RBP训练的递归视觉模型解决大规模全景分割MS-COCO挑战的性能优于领先的前馈方法，自由参数更少。C-RBP是一种通用学习算法，适用于任何可以受益于扩展循环动态的应用程序。代码和数据可在https://github.com/c-rbp上获得。
2020-10-22 cs.CV cs.LG
Transformer Vs. MLP-Mixer: Exponential Expressive Gap For NLP Problems
Technion（以色列理工学院）
视觉转换器广泛用于各种视觉任务。与此同时，还有另一条工作线，从MLP混频器开始，试图使用基于MLP的架构实现类似的性能。有趣的是，到目前为止，这些基于mlp的架构还没有适应NLP任务。此外，到目前为止，基于mlp的架构在视觉任务中未能实现最先进的性能。在这篇文章中，我们分析了基于mlp的体系结构在同时对多个不同输入之间的依赖关系建模时的表现力，并显示了注意力和基于mlp的机制之间的指数差距。我们的研究结果为mlp无法与NLP问题中基于注意力的机制竞争提供了理论解释，他们还表明，视觉任务中的性能差距可能是由于mlp在建模多个不同位置之间的依赖关系时相对薄弱，并且将智能输入排列与mlp架构相结合可能不足以单独缩小性能差距。
2022-11-17 cs.CL cs.CV cs.LG
A Provable Energy-Guided Test-Time Defense Boosting Adversarial Robustness of Large Vision-Language Models
OmnAI Lab, Computer Science Department, Sapienza University of Rome, Italy（罗马大学计算机科学系OmnAI实验室，意大利）；Weizmann Institute of Science, Israel（魏茨曼科学研究所，以色列）
本文提出ET3，一种轻量且无需训练的防御方法，通过最小化输入样本的能量提升模型鲁棒性，实验显示其在分类和提升大视觉-语言模型鲁棒性方面表现优异。
2026-03-31 cs.CV
VisionHOPE: Visual Backbones as Self-Modifying Learning Systems
VisionHOPE提出首个自修改学习系统的视觉骨干网络，通过五个耦合记忆实现内容与学习方式的共同演化，并采用稳定性匹配的步长控制，在ImageNet-1K、COCO和ADE20K上取得竞争性结果。
2026-09-29 cs.CV
Static Key Attention in Vision
University of Southern California（南加州大学）
本文研究 Vision Transformer 中以静态键替代动态参数化键的效果，证明静态键注意力可媲美或超越标准自注意力，并能在 Metaformer 分层混合架构中更好地平衡卷积与自注意力。
2024-12-09 cs.CV
Learning Deep Modality-Shared Self-Expressiveness for Image Clustering with Textual Information
提出DeepMORSE方法，通过模态共享自表达模型学习结合文本信息的图像聚类，在6个基准数据集上聚类性能提升超3%，且所学表示可迁移至下游任务。
2026-08-11 cs.CV
Vision Permutator: A Permutable MLP-Like Architecture for Visual Recognition
National University of Singapore（新加坡国立大学）；Nankai University（南开大学）；Sea AI Labs（Sea人工智能实验室）
在本文中，我们提出了视觉置换器，一个概念简单，数据高效的MLP视觉识别的类似架构。通过认识到2D特征表示所携带的位置信息的重要性，与沿着平坦化的空间维度编码空间信息的最近的MLP类模型不同，Vision Permutator利用线性投影沿着高度和宽度维度分别编码特征表示。这使得Vision Permutator能够沿一个空间方向捕获长距离依赖关系，同时沿另一个方向保留精确的位置信息。然后以互补的方式聚合所得到的位置敏感输出，以形成感兴趣对象的表达性表示。我们证明了我们的视觉置换器是卷积神经网络（CNN）和视觉Transformer的强大竞争对手。在不依赖于空间卷积或注意力机制的情况下，Vision Permutator在ImageNet上实现了81.5%的top-1准确率，而无需额外的大规模训练数据（例如，ImageNet-22k）只使用了25M个可学习参数，这在相同的模型大小约束下比大多数CNN和视觉Transformer要好得多。当扩展到88M时，它达到了83.2%的top-1精度。我们希望这项工作可以鼓励重新思考空间信息编码方式的研究，并促进类似MLP模型的发展。代码可在www.example.com上获得。
2021-06-23 cs.CV
DepthCues: Evaluating Monocular Depth Perception in Large Vision Models
University of Edinburgh（爱丁堡大学）
该研究提出DepthCues基准评估预训练视觉模型的单目深度线索理解能力，发现更新更大的模型会涌现类人深度线索，且基于该基准微调可在无密集深度监督下提升模型深度估计效果。
2025-03-19 cs.CV
Self-Supervised Multi-View Representation Learning using Vision-Language Model for 3D/4D Facial Expression Recognition
King Fahd University of Petroleum and Minerals（国王法赫德石油矿物大学）
本文提出自监督视觉-语言模型SMILE-VLM，通过多视图去相关、视觉-语言对比对齐和跨模态冗余最小化实现3D/4D面部表情及微表情识别，在多个基准上达到或超过有监督方法。
2025-06-01 cs.CV
Adapting Vision Foundation Models for Real-time Ultrasound Image Segmentation
Yale University（耶鲁大学）；United Imaging Intelligence（联影智能）
提出一种基于Hiera和DINOv2的自适应框架，用于实时超声图像分割，在有限监督下性能优于nnUNet超20%，推理速度达77 FPS。
2025-03-31 cs.CV
Self-Supervised Deep Subspace Clustering with Entropy-norm
Hangzhou Dianzi University（杭州电子科技大学）
基于自动编码器的深度子空间聚类算法在计算机视觉、运动分割和图像处理等领域有着广泛的应用。然而，它遭受以下三个问题在自表达矩阵学习过程中：第一个是学习自表达权重的有用信息较少，由于简单的重建损失;第二个是与样本大小相关联的自表达层的构造需要高计算成本;最后一个是现有正则化项的有限连通性。为了解决这些问题，在本文中，我们提出了一种新的模型命名为自监督深子空间聚类熵范数（S $^{3}$ CE）。具体来说，S $^{3}$ CE利用自监督对比网络来获得更有效的特征向量。自表达层和附加的熵范数约束使原始数据的局部结构和稠密连通性得到改善。此外，设计了一个新的带有数据增强的模块，帮助S $^{3}$ CE关注数据的关键信息，通过谱聚类提高正例和负例的聚类性能。大量的实验结果表明，S $^{3}$ CE相比，国家的最先进的方法的优越性能。
2022-06-10 cs.CV
Learning Explicit Object-Centric Representations with Vision Transformers
Aalto University（阿尔托大学）
随着最近成功的Transformers的视觉域的适应，特别是当训练在一个自我监督的方式，它已被证明，视觉Transformer可以学习令人印象深刻的对象推理的行为和功能表示的任务，在图像中的对象分割。在本文中，我们建立在掩蔽自动编码的自我监督任务的基础上，并探索其有效性，以明确学习以对象为中心的表示与Transformers。为此，我们设计了一个以对象为中心的自编码器，只使用Transformers和训练它端到端重建完整的图像从未掩蔽的补丁。我们表明，该模型有效地学习分解简单的场景测量的分割指标在几个多对象的基准。
2022-10-25 cs.CV cs.LG
Tailored Visions: Enhancing Text-to-Image Generation with Personalized Prompt Rewriting
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Scietrain（赛创科技）；University of Electronic Science and Technology of China（电子科技大学）
本文提出基于30万条用户提示数据训练个性化提示重写模型，通过历史交互增强文本到图像生成中用户提示的表达力与一致性，并在离线和在线测试中验证其优于基线方法。
2024-04-07 cs.CV
Semantic and Expressive Variation in Image Captions Across Languages
University of Washington（华盛顿大学）；Allen Institute for AI（人工智能研究院）
本文以语言代理文化，比较7种语言的图像描述，发现多语言描述在对象、关系和属性覆盖上显著更高，并揭示LLaVA等模型继承语言偏差，而多语言微调具有更稳定的跨语言表现。
2025-05-12 cs.CL cs.CV cs.CY
SAGA: Selective Adaptive Gating for Efficient and Expressive Linear Attention
Institute of Information Science（信息科学研究所）；Beijing Jiaotong University（北京交通大学）；Beijing Key Laboratory of Advanced Information Science and Network Technology（先进信息科学与网络技术北京重点实验室）
SAGA通过引入输入自适应的可学习门控，提升线性注意力的效率和表达能力，实现更高的吞吐量和更低的内存消耗，同时提升模型准确率。
2026-03-07 cs.CV
Domain Generalization via Text-Anchored Information Bottleneck
Seoul National University（首尔大学）
提出通过语言嵌入空间作为信息瓶颈来抑制视觉表征中的虚假线索，从而提升域泛化性能，实验表明该方法达到最新最优水平。
2026-07-03 cs.CV
Instruction-Evidence Contrastive Dual-Stream Decoding for Grounded Vision-Language Reasoning
Department of Computer Science and Engineering（计算机科学与工程系）；Indian Institute of Technology Kharagpur（印度理工学院Kharagpur分校）
本文提出 IECD$^2$ 方法，通过双流解码平衡语言信息和视觉真实性，提升视觉语言推理任务的准确性和减少幻觉。
2026-05-08 cs.CV
Spectrally Distilled Representations Aligned with Instruction-Augmented LLMs for Satellite Imagery
La Trobe University（拉特罗布大学）；Cisco Research（思科研究）
SATtxt通过光谱蒸馏和指令增强大语言模型实现卫星图像的光谱感知视觉-语言学习，提升了零样本分类、检索和线性探测性能。
2026-02-26 cs.CV
EmotiveTalk: Expressive Talking Head Generation through Audio Information Decoupling and Emotional Video Diffusion
University of Science and Technology of China（中国科学技术大学）；Imperial College London（帝国理工学院）；iFLYTEK CO.LTD.（科大讯飞股份有限公司）
提出EmotiveTalk框架，通过音频信息解耦与情感视频扩散，实现可控且稳定的高表现力说话人生成，性能优于现有方法。
2024-12-16 cs.AI cs.CV
MetaTPT: Meta Test-time Prompt Tuning for Vision-Language Models
UCAS-Terminus AI Lab, University of Chinese Academic of Sciences（中国科学院大学Terminus AI实验室，中国科学院大学）；AIM Lab, University of Amsterdam（阿姆斯特丹大学AIM实验室）；Jarvis Research Center, Tencent Youtu Lab（腾讯优图实验室 Jarvis 研究中心）；Central Research Institue, United Imaging Healthcare Co., Ltd（联合影像医疗科技有限公司中央研究所）
MetaTPT通过元学习框架结合自监督任务和提示微调，提升视觉-语言模型在领域偏移下的测试时间适应性，实现领域泛化和跨数据集的高性能表现。
2025-12-13 cs.CV
SMPLer-X: Scaling Up Expressive Human Pose and Shape Estimation
S-Lab, Nanyang Technological University（南洋理工大学S-Lab）；SenseTime Research（商汤科技研究院）；Shanghai AI Laboratory（上海人工智能实验室）；The University of Tokyo（东京大学）；International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA））
本研究提出首个EHPS通用基础模型SMPLer-X，通过扩展数据规模（32个数据集、450万实例）和模型规模（ViT-Huge骨干），在七个基准上实现最先进性能并具备优异的迁移能力。
2024-07-28 cs.CV
FeatEnHancer: Enhancing Hierarchical Features for Object Detection and Beyond Under Low-Light Vision
DFKI - German Research Center for Artificial Intelligence（德国人工智能研究中心）；RPTU Kaiserslautern（凯泽斯劳滕工业大学）
本文提出即插即用的 FeatEnHancer 模块，通过任务相关损失引导的多头注意力分层融合多尺度特征，在暗光目标检测、人脸检测、夜间语义分割和视频目标检测等多个低光照视觉任务中取得显著一致的性能提升。
2023-08-07 cs.CV
Attention-Free and Lightweight Token Reduction for Efficient Vision-Language Models
Zhejiang University（浙江大学）；Hong Kong University of Science and Technology（香港科技大学）
针对视觉语言模型在边缘设备部署难的问题，提出无注意力轻量级令牌约简框架，通过基于熵的准则估计令牌重要性，引入一致性信号确保视觉覆盖，经实验验证该框架在精度和效率权衡上表现出色。
2026-07-16 cs.CV
Emotion Separation and Recognition from a Facial Expression by Generating the Poker Face with Vision Transformers
School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机与信息工程学院）
针对人脸表情识别中标签模糊、细粒度特征监督不足的问题，提出PF-ViT模型，通过生成扑克脸实现情感解耦与识别，在四个主流数据集上达到最优性能。
2024-10-10 cs.CV
InternSpatial: A Comprehensive Dataset for Spatial Reasoning in Vision-Language Models
Shanghai AI Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）；University of Science and Technology of China（中国科学技术大学）；Shanghai Jiao Tong University（上海交通大学）；Donghua University（东华大学）；Nanjing University（南京大学）；Tsinghua University（清华大学）
本文提出最大开源空间推理数据集InternSpatial（1200万问答对，19种指令格式）及评估基准InternSpatial-Bench，引入新型旋转角度预测任务，训练模型在相关基准上提升12.1%和10.7%，助力机器人与具身智能应用。
2025-06-23 cs.CV
VIP: Visual-guided Prompt Evolution for Efficient Dense Vision-Language Inference
Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China（中国科学院计算技术研究所）；University of Liverpool（利物浦大学）
本文提出VIP方法，通过视觉引导的提示进化提升密集视觉-语言推理的效率与质量，实现更准确的细粒度物体感知。
2026-05-13 cs.CV
From Bounding Boxes to Visual Reasoning: An On-Policy Data Annotation Tool for Vision-Language Models
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；College of Computer Science, Jilin University（吉林大学计算机科学与技术学院）；OPPO
提出ScreenAnnotator，通过统一标注原子模式、在线策略循环与贝叶斯验证器，解决现有工具表达力不足、标注-训练脱节和数据复用性差的问题，实现高效多任务数据生成。
2026-06-18 cs.CV
TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models
Fellow, IEEE（IEEE会士）
本文提出TAME，一种基于混合专家架构的测试时防御方法，旨在提升视觉语言模型在对抗扰动下的鲁棒性，同时保持对清洁样本的泛化能力。
2026-05-17 cs.CV
ForgeryTTT: Zero-Shot Image Manipulation Localization with Test-Time Training
University of Macau（澳门大学）；Intellindust（智业公司）；Great Bay University（湾区大学）
针对现有图像篡改检测算法泛化性差的问题，提出基于测试时训练的零样本定位方法ForgeryTTT，通过双任务联合训练与测试时自适应微调，在五个基准上实现准确率显著提升。
2024-10-05 cs.CV
Text-Vision Co-Instructed Image Editing
The Hong Kong Polytechnic University（香港理工大学）；OPPO Research Institute（OPPO研究院）
提出TV-Edit框架，联合文本指令的语义表达与稀疏视觉指令的空间引导，实现精确且忠实于意图的图像编辑，显著优于现有方法。
2026-10-14 cs.CV
OViP: Online Vision-Language Preference Learning for VLM Hallucination
Fudan University（复旦大学）；University of Southern California（南加州大学）；ByteDance（字节跳动）
针对 LVLM 幻觉问题，提出 OViP 框架，利用模型自身幻觉输出和扩散模型动态构建对比偏好数据，在保持多模态能力并提升训练效率的同时减少幻觉。
2025-09-28 cs.CL cs.CV
