语言大模型 / LLM

Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders

Slot-RAE：通过直接表示自动编码器简化以对象为中心的学习

Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

机构 * LIRIS（里昂图像与信息系统实验室） ； Ecole Centrale de Lyon（里昂中央理工学院） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 研究针对以对象为中心的模型部署问题，提出Slot-RAE框架，直接在视觉基础模型特征空间运行，采用特征空间扩散过程及独特训练方式，在COCO数据集实验中取得领先成果，实现高效无监督对象发现等，速度和计算效率更高。

GHOST: Geometry-Guided Hallucination of Opaque Surface Textures

GHOST：不透明表面纹理的几何引导幻觉

Langxu Zhao, Zuan Gu, Tianhan Gao

机构 * School of Software, Northeastern University, Shenyang, China（软件学院，东北大学，沈阳，中国） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 针对透明物体给深度估计和3D重建带来的挑战，提出几何引导预处理框架GHOST，利用视觉基础模型，经多步骤处理分离属性、恢复法线先验并整合多模态线索，合成不透明RGB图像，显著提升相关模型对透明物体的处理精度。

ARIMA: Reconstruction-Grounded Predictive Representation Learning for Symbolic Music

ARIMA：用于符号音乐的基于重构的预测表示学习

Mingyang Yao, Zhaoxiang Feng

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 本文提出ARIMA框架，用于符号音乐的基于重构的预测表示学习。它直接从数据学习紧凑窗口表示，编码窗口为潜在表示，训练因果预测器并通过结构化重构确定编码器基础，在多下游任务表现良好，证明相关方法的有效性和重要性。

Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing

从上方进行可提示的概念分割：评估SAM 3在遥感中的零样本和单样本能力

Mohammad Dabaja, Turgay Celik

机构 * University of Agder（阿格德大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 研究在严格零样本和单样本约束下，对SAM 3在遥感场景分类等任务中的能力进行评估。核心方法是对SAM 3结构调整并隔离提示模态来诊断对齐机制，还制定代理评估协议。主要贡献是揭示跨模态干扰，表明SAM 3避免过拟合但受分辨率等限制，指明微调方向。

Comments 14 pages, 4 figures

Weaving Light and Time: Unified Harmonic-Geometric Representation Learning for Dense RGB-Event Parsing

编织光与时间：用于密集RGB-事件解析的统一谐波-几何表示学习

Chenxu Peng, Chongtian zhou, Dicheng Liu, Bo-Wen Yin, Yimian Dai, Xialei Liu, Ming-Ming Cheng, Xiang Li

机构 * NKIARI（鹏城实验室） ； VCIP, CS, Nankai University（南开大学视觉计算与图像处理研究室） ； AAIS, Nankai University（南开大学人工智能学院） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 研究针对RGB-事件解析中统一主干应用的挑战，提出Evita统一主干，嵌入几何视差校正等协同学习模块，构建N-ImageNetV2及预训练协议，经多基准评估，其实现新指标，在实时多模态上精度-延迟权衡表现卓越。

XRFormer: Multiscale Tokenization for XRF Representation Learning

XRFormer：用于X射线荧光光谱表示学习的多尺度令牌化

Sofiane Daimellah, Sylvie Le Hégarat-Mascle, Clotilde Boust

机构 * Centre de Recherche et de Restauration des Musées de France（法国国家博物馆研究与修复中心） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 研究针对X射线荧光光谱自动学习难的问题，提出XRFormer架构，通过多尺度卷积令牌器定制，结合自监督预训练方法，在颜料识别和分解任务中表现出色，凸显多尺度令牌化在数据有限时对基于变压器的XRF建模的有效性和高效性。

Comments International Conference on Pattern Recognition, 2026

TMF-RSE: Tri-Modal Fusion with Regional Semantics and Evidential Uncertainty for Lung Severity Scoring

TMF-RSE：用于肺部严重程度评分的具有区域语义和证据不确定性的三模态融合

Fadi Abdeladhim Zidi, Salah Eddine Bekhouche, Abdellah Zakaria Sellam, Gaby Maroun, Fadi Dornaika, Cosimo Distante

机构 * Institute of Applied Sciences and Intelligent Systems (ISASI), CNR（应用科学与智能系统研究所（ISASI），CNR） ； Department of Computer Science and Artificial Intelligence, University of the Basque Country (UPV/EHU)（巴斯克国家大学计算机科学与人工智能系） ； University of Salento（萨莱nton大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 针对从胸部影像量化肺部疾病严重程度的问题，提出TMF-RSE框架，结合多模态特征，采用互补融合机制和证据回归，在相关数据集实验中性能优于基于Transformer的基线。

Comments 6 pages, 2 figures, 5 tables. IEEE conference format (IEEEtran). Submitted to AVSS 2026. Tri-modal fusion for lung severity scoring using appearance, segmentation, and VLM semantics with evidential uncertainty

PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space

PixWorld：在像素空间中统一3D场景生成与重建

Sensen Gao, Zhaoqing Wang, Qihang Cao, Dongdong Yu, Changhu Wang, Jia-Wang Bian

机构 * Nanyang Technological University（南洋理工大学） ； AISphere（人工智能领域） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 针对3D场景生成与重建原有范式存在信息损失等缺陷，提出像素空间统一扩散框架PixWorld，引入几何感知损失，无需预训练自编码器，性能优于现有方法。

Comments Project page: https://sensengao.github.io/PixWorld/

TGRIP: A Text-Guided Approach to Vehicle Instance Prediction in Autonomous Driving

TGRIP：一种用于自动驾驶中车辆实例预测的文本引导方法

Miguel Antunes-García, Santiago Montiel-Marín, Fabio Sánchez-García, Rodrigo Gutiérrez-Moreno, Rafael Barea, Luis M. Bergasa

机构 * Electronics Department, University of Alcalá (UAH)（阿尔卡拉大学（UAH）电子系） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 研究自动驾驶中鸟瞰图实例预测问题，提出TGRIP框架，利用视觉语言基础模型生成语义增强地图作辅助监督，使网络学习时空表征，提升预测能力。

Comments 11 pages, 5 figures

Probe-EM: Targeted Neuron Tracing via Training-Free Semantic Verification

Probe-EM：通过无训练语义验证进行靶向神经元追踪

Liuyun Jiang, Yanchao Zhang, Jinyue Guo, Chuanyue Chen, Haiyang Yan, Ye Yuan, Jing Liu, Hua Han

机构 * State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化所脑认知与脑机智能技术重点实验室） ； School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学高等研究院） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 为解决自动重建算法过分割瓶颈及传统追踪方法问题，提出无训练靶向神经元追踪框架，利用几何先验和新策略迭代重建神经元形态，集成到平台减少人工校对时间。

Comments Accepted at MICCAI 2026

Robustness of quantized Hall resistivity under cavity coupling at zero temperature

零温下腔耦合时量子化霍尔电阻率的鲁棒性

Juan Román-Roche, Jie Wang, Michael Ruggenthaler, Angel Rubio, Vasil Rokaj

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 研究电磁腔强光-物质耦合对量子霍尔系统输运性质的影响，通过现象学模型揭示强光-物质相互作用下量子霍尔系统电导率和电阻率的不对称性及零温时霍尔电阻率的特性。

DRDN: Decoupled Representation Dynamic Network for From-Scratch ViT Class-Incremental Learning

DRDN: 用于从头训练ViT类增量学习的解耦表示动态网络

Bingchen Huang, Yifu Chen, Zhiling Wang, Yuanchao Du

机构 * Meituan Vision AI Department（美团视觉AI部门） 纠错

专题命中 知识编辑与模型理解 ：pretraining(abstract)

AI总结 针对类增量学习中共享表示退化与任务间干扰问题，提出解耦表示动态网络（DRDN），通过掩码图像建模保持骨干网络通用视觉结构，并采用层次化任务令牌扩展减少跨任务干扰，在从头训练的ViT上取得显著提升。

Comments 10 pages, IEEEtran journal format. Preprint submitted to IEEE Transactions on Multimedia

Privacy-Preserving Depth-Only Open-Vocabulary 3D Semantic Segmentation Via Uncertainty-Guided Test-Time Optimization

隐私保护下基于深度图的开放词汇3D语义分割：不确定性引导的测试时优化

Xuying Huang, Sicong Pan, Maren Bennewitz

机构 * Humanoid Robots Lab, University of Bonn（波恩大学仿人机器人实验室） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习和人工智能研究所） ； Center for Robotics, Bonn, Germany（波恩机器人中心） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 针对隐私保护需求，提出不确定性引导的测试时优化框架UTTO，利用深度图几何信息与基础模型语义先验，实现无需RGB图像的开放词汇3D语义分割，在多个数据集上优于基线方法。

Uncertainty-aware tree height change regression

不确定性感知的树高变化回归

Max Gaber, Dimitri Gominski, Jaime C. Revenga, Stefan Oehmcke, Rasmus Fensholt, Martin Brandt

机构 * Department of Geosciences and Natural Resource Management, University of Copenhagen（哥本哈根大学地球科学与自然资源管理系） ； Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系） ； Department of Computer Science and Electrical Engineering, University of Rostock（罗斯托克大学计算机科学与电气工程系） ； Department of Computer Science, University of Copenhagen（哥本哈根大学计算机科学系） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 针对现有方法忽略连续变化和标签不确定性的问题，提出CHC数据集（含3米分辨率树高变化及不确定性）和不确定性感知变化回归任务，评估了地理空间基础模型。

MuSViT: A Foundation Vision Model for Sheet Music Representation

MuSViT: 一种用于乐谱表示的基础视觉模型

Carlos Penarrubia, Antonio Rios-Vila, Eliseo Fuentes-Martinez, Juan C. Martinez-Sevilla, Francisco J. Castellanos, María Alfaro-Contreras, Jorge Calvo-Zaragoza

机构 * Pattern Recognition and Artificial Intelligence Group, University of Alicante, Spain（西班牙阿利坎特大学模式识别与人工智能组） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出MuSViT，首个基于ViT的乐谱基础视觉模型，通过掩码自编码器预训练于970万页IMSLP数据，采用两阶段课程学习，在下游任务中优于通用视觉编码器，并直接编码符号音乐结构。

Comments Accepted at European Conference on Computer Vision (ECCV'26)

Mask to Concept: Auto-Promptable SAM3 via Efficient Test-Time Concept Embedding Search for Few-Shot Annotation

掩码到概念：通过高效测试时概念嵌入搜索实现自动可提示的SAM3用于少样本标注

Quan Zhou, Shaoqing Zhai, Qiang Hu, Jia Chen, Qiang Li, Zhiwei Wang

机构 * Wuhan University of Technology（武汉理工大学） ； Huazhong University of Science and Technology（华中科技大学） ； Changzhou United lmaging Healthcare Surgical Technology Co. Ltd.（常州联影医疗手术技术有限公司） 纠错

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 提出Mask to Concept (M2C)框架，无需外部模块或重训练，仅用少量标注图像，通过可学习概念嵌入搜索和混合不确定性估计，实现SAM3在医学图像中的自动少样本标注，达到SOTA性能。

Comments Accepted by MICCAI 2026

A Neurosymbolic Framework for Interpretable Skeleton-Based Seizure Detection via Concept-Driven Logical Reasoning

一种基于概念驱动逻辑推理的可解释骨架癫痫检测的神经符号框架

Talha Ilyas, Deval Mehta, Zongyuan Ge

机构 * Monash University（莫纳什大学） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出首个神经符号框架用于视频癫痫检测，通过概念驱动逻辑推理实现可解释性，在SAHZU和IEEE基准上分别达到89.78%和85.27%的灵敏度，误检率低至0.06和0.09次/小时。

Comments Accepted to MICCAI 2026 (Early Accept: top 9%)

LARA: Latent Action Representation Alignment for Vision-Language-Action Models

LARA: 视觉-语言-动作模型的潜在动作表示对齐

Mengya Liu, Baoxiong Jia, Jiangyong Huang, Jingze Zhang, Siyuan Huang

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 知识编辑与模型理解 ：post-training(abstract)

AI总结 提出LARA框架，通过表示对齐联合优化潜在动作模型和视觉-语言-动作模型，利用人类视频数据提升机器人操作性能，在模拟和真实基准上平均提升约10%、5%和15%。

NetVAD: Foundation-Model Representation Learning for Identifier-Free Unsupervised Intrusion Detection

NetVAD: 用于无标识符无监督入侵检测的基础模型表示学习

Darren Fürst, Patrick Levi, Sebastian Steindl

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出NetVAD，一种严格无标识符的变分自编码器，利用冻结的基础模型表示，仅通过良性流量训练，在无监督入侵检测中达到与监督方法竞争的性能。

Comments Accepted at IEEE Intelligent Conference on Intelligence and Security Informatics (ISI)

Fine-grained Motion Retrieval via Joint-Angle Motion Images and Token-Patch Late Interaction

基于关节角度运动图像与令牌-补丁后期交互的细粒度运动检索

Yao Zhang, Zhuchenyang Liu, Yanlan He, Thomas Ploetz, Yu Xiao

机构 * Aalto University（阿尔托大学） ； Fudan University（复旦大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 提出一种可解释的关节角度运动表示，结合预训练视觉Transformer和令牌级后期交互机制，实现文本与3D运动之间的细粒度对齐，在HumanML3D和KIT-ML上超越现有方法。

Φeat: Physically Grounded Material Feature Representation

Φeat: 物理基础的材料特征表示

Giuseppe Vecchio, Adrien Kaiser, Claudia Cuttano, Rouffet Romain, Rosalie Martin, Elena Garces, Tamy Boubekeur

机构 * Adobe Research, France（Adobe研究院（法国）） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出Φeat视觉骨干网络，通过对比同一材料在不同光照和几何下的观测，学习对材料身份敏感的表征，提升材料选择与分类等任务性能。

PS-MOT: Cultivating Instance Awareness from Point Seeds for Multi-Object Tracking

PS-MOT: 从点种子培育实例意识用于多目标跟踪

Kai Luo, Fei Teng, Mengfei Duan, Wanjun Jia, Xu Wang, Hao Shi, Kunyu Peng, Zhiyong Li, Kailun Yang

机构 * Hunan University（湖南大学） ； Ant Group（蚂蚁集团） ； Zhejiang University（浙江大学） ； Karlsruhe Institute of Technology（卡尔斯鲁厄大学） 纠错

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 提出PS-MOT，一种点监督多目标跟踪方法，通过层次化流水线（数据级TFP、模型级PEWA、损失级UGL）解决空间模糊和身份漂移问题，在多个数据集上达到新最优。

Comments Accepted to ECCV 2026. The source code is available at https://github.com/xifen523/PS-MOT

Intermediate Text Representation Guided Text-to-Image Generation for Enhancing One-and-Only Alignment

中间文本表示引导的文本到图像生成以增强唯一性对齐

Soyoun Won, Aryan Yazdan Parast, Basim Azam, Jean Honorio, Naveed Akhtar

机构 * The University of Melbourne（墨尔本大学） 纠错

专题命中 知识编辑与模型理解 ：prompting(abstract)

AI总结 针对文本到图像扩散模型在生成唯一性对象时因概念关联偏差导致对齐失败的问题，提出中间文本表示引导扩散方法，无需额外训练即可恢复被抑制的概念，在OAO-AttackBench上VQAScore提升高达19.1个百分点。

Comments Accepted at ECCV 2026

See Only When Needed: Context-Aware Attention Intervention for Mitigating Hallucinations in LVLMs

仅在需要时看：用于缓解LVLM中幻觉的上下文感知注意力干预

Yuqing Lei, Wenbo Lyu, Yingjun Du, Xiantong Zhen, Cees G. M. Snoek, Ling Shao

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； University of Amsterdam（阿姆斯特丹大学） ； United Imaging Healthcare Co., Ltd.（联合影像医疗科技股份有限公司） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 提出训练自由的上下文感知注意力干预（CAI），通过两轴选择性（看哪里和何时干预）在解码时针对性增强视觉 grounding，有效缓解物体幻觉并保持语言流畅性。

Journal ref ECCV 2026

Graph-GSReg: Leveraging 3D Scene Graphs for Gaussian Splatting Registration

Graph-GSReg: 利用3D场景图进行高斯溅射配准

Jaewon Lee, Mangyu Kong, Euntai Kim

机构 * Yonsei University（延世大学） ； Korea Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出Graph-GSReg方法，通过构建3D场景图将3DGS配准转化为图配准问题，并引入自监督测试时优化以消除合并伪影，实现高精度配准和高质量场景融合。

InterPartAbility: Phrase-Region Grounding for Interpretable Text-to-Image Person Re-Identification

InterPartAbility: 基于文本引导的部分匹配用于可解释的人员重识别

Shakeeb Murtaza, Aryan Shukla, Rajarshi Bhattacharya, Maguelonne Heritier, Eric Granger

机构 * LIVIA, Dept. of Systems Engineering, ETS Montreal, Canada（LIVIA系统工程系，蒙特利尔ÉTS学院，加拿大） ； Genetec Inc.（Genetec公司） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 本文提出InterPartAbility，通过显式部分匹配和短语-区域绑定提升TI-ReID的可解释性，引入PPIM模块实现概念级指导，生成 grounded 解释图谱，实验表明在CUHK-PEDES等基准上达到SOTA可解释性性能。

RefAlign: Representation Alignment for Reference-to-Video Generation

RefAlign：参考到视频生成的表示对齐

Lei Wang, YuXin Song, Ge Wu, Haocheng Feng, Hang Zhou, Jingdong Wang, Yaxing Wang, Jian Yang

机构 * PCA Lab, VCIP, College of Computer Science, Nankai University（南开大学计算机学院VCIP实验室PCA Lab） ； Baidu Inc.（百度公司） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院PCA Lab） ； College of Artificial Intelligence, Jilin University（吉林大学人工智能学院） 纠错

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 RefAlign通过显式对齐DiT参考分支特征与视觉基础模型的语义空间，提升参考生成的准确性与可控性，实验表明其在R2V任务中优于现有方法。

Comments Accepted to ECCV 2026;Code: https://github.com/gudaochangsheng/RefAlign Project: https://gudaochangsheng.github.io/RefAlign-Page/

Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating

神经门：通过神经层面梯度门缓解LVLMs的隐私风险

Xiangkui Cao, Jie Zhang, Meina Kan, Shiguang Shan, Xilin Chen

机构 * State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（人工智能安全国家重点实验室，计算技术研究所，中国科学院） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 本文提出Neural Gate方法，通过神经层面模型编辑提升LVLMs对隐私问题的拒绝率，增强隐私保护同时保持模型原有功能。

Comments Accepted by ECCV 2026

Symmetric Entropy-Constrained Video Coding for Machines

面向机器的对称熵约束视频编码

Yuxiao Sun, Meiqin Liu, Chao Yao, Qi Tang, Jian Jin, Weisi Lin, Frederic Dufaux, Yao Zhao

专题命中 知识编辑与模型理解 ：foundation model(abstract)

AI总结 提出SEC-VCM框架，通过双向熵约束机制对称对齐视频编解码器与视觉骨干网络，保留语义并丢弃无关信息，结合语义-像素双路径融合提升机器视觉任务性能，在多项任务上显著优于H.266/VVC。

Comments Accepted by IEEE Transactions on Image Processing. This is the author's accepted manuscript (AAM)

Frequency-Aware Self-Supervised Music Representation Learning

频率感知的自监督音乐表示学习

Yicheng Gu, Junan Zhang, Jerry Li, Zhizheng Wu, Lauri Juvela

机构 * Spellbrush ； Acoustic Lab, Department of Information and Communications Engineering (DICE), Aalto University（阿尔托大学信息与通信工程系声学实验室） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

专题命中 知识编辑与模型理解 ：language model(abstract)

AI总结 提出PupuJEPA，一种直接在2D频谱图上训练的视觉联合嵌入预测架构，通过预测掩码补丁的潜在嵌入学习鲁棒表示，在MARBLE基准上线性探测优于1D序列SSL模型。

Comments Submitted to TASLP