AI 大模型
视觉语言模型、视觉推理、视觉问答、图文理解和视觉 grounding。
重新思考基于VLM的机器人操作中的中间表示
机构 * CUHK（香港中文大学） ； Amazon（亚马逊） ； UNC（北卡罗来纳大学教堂山分校）
专题命中 视觉定位与Grounding ：VLM(title,abstract)；vision-language model(abstract)
AI总结 本文提出SEAM表示方法，通过分解中间表示为词汇和语法，提升VLM在机器人操作中的可理解和通用性，结合检索增强的少样本学习策略实现高效操作，并在动作通用性和VLM可理解性上展示出优于主流方法的性能。
Sim-DETR: 解锁用于时间句子定位的DETR
机构 * ShanghaiTech University（上海科技大学） ； School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)；分类 cs.CV
AI总结 Sim-DETR通过改进DETR的解码器层，解决了时间句子定位中的查询冲突问题，提升了模型性能。
Comments This work is accepted by ICCV 2025
Skypilot: 通过物理现实 grounding 提升 LLM 在 AAV 覆盖搜索中的微调
机构 * College of Intelligence Science and Technology, National University of Defense Technology（智能科学与技术学院，国防科技大学） ； College of Automation Engineering, Nanjing University of Aeronautics and Astronautics（自动化工程学院，南京航空航天大学） ； China Academy of Launch Vehicle Technology（中国运载火箭技术研究院）
专题命中 视觉定位与Grounding ：grounding(title,abstract)
AI总结 Skypilot通过结合MCTS和物理感知奖励函数，提升LLM在AAV覆盖搜索中的微调效果，实现高效且高质量的决策与路径规划。
嵌套展开网络用于现实世界隐蔽物体分割
机构 * Duke University（杜克大学） ； Nankai University（南开大学）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出嵌套展开网络（NUN），通过解耦恢复与分割并引入自一致性损失，提升现实世界隐蔽物体分割的性能。
Comments 6 figures, 14 tables
MLLMs能否检测钓鱼？一个全面的安全基准套件，聚焦于动态威胁和学术环境中的多模态评估
机构 * School of Computer Science and Engineering（计算机科学与工程学院）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；MLLM(abstract)；分类 cs.AI
AI总结 本文提出AdapT-Bench，一个针对学术环境动态钓鱼攻击的多模态安全基准套件，旨在评估MLLM的防御能力。
健康系统学习实现通用神经影像模型
机构 * Machine Learning in Neurosurgery Lab University of Michigan（密歇根大学机器学习神经外科实验室） ； University of Michigan Computational Medicine and Bioinformatics（密歇根大学计算医学与生物信息学） ； University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程） ； University of Michigan Radiology（密歇根大学放射学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI、cs.LG
AI总结 NeuroVFM通过健康系统学习范式，在临床MRI和CT影像上训练，实现高性能通用神经影像模型，提升放射学诊断和报告生成的准确性与临床实用性。
Comments 53 pages, 4 main figures, 10 extended data figures
从像素到帖子：基于检索的时尚描述与标签生成
机构 * organization= School of Computing, National University of Computer \& Emerging Sciences (FAST) , city= Lahore , postcode= 54000 , country= Pakistan
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出一种基于检索的时尚描述与标签生成方法，结合多件服装检测、属性推理和大语言模型，提升描述准确性和标签生成的视觉相关性。
Comments Submitted to Expert Systems with Applications
MedSAM3：深入探索医学概念中的分割任务
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV、cs.AI
AI总结 MedSAM3通过引入可文本提示的医学分割模型，实现了基于开放词汇文本描述的精准解剖结构分割，显著优于现有方法。
SA-FARI数据集：用于识别和鉴定的动物视频中的片段任何事物
机构 * Conservation X Labs (CXL)（Conservation X Labs） ； Meta ； University of Bristol（布里斯托大学） ； Hasso Plattner Institute（哈索罗滕堡研究所） ； University of Oviedo（奥维多大学） ； Osa Conservation（Osa保护） ； Senckenberg Museum of Natural History（Senckenberg自然史博物馆） ； Max Planck Institute for Evolutionary Anthropology（马克斯·普朗克进化人类学研究所） ； Climate Corridors（气候走廊）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 SA-FARI数据集通过高物种多样性、多地区覆盖和高质量时空标注，为野生动物多动物跟踪提供了新的研究基础。
VideoLights: 用于联合视频亮点检测和时刻检索的特征细化与跨任务对齐变换器
机构 * North South University（北南大学） ； Qatar Computing Research Institute (QCRI)（卡塔尔计算研究 institute）
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 VideoLights通过引入特征细化、跨模态融合和联合任务反馈机制，提升视频亮点检测与时刻检索的性能。
弱监督潜在模型用于任务特定的视觉语言控制
机构 * Industrial AI Lab, Hitachi America, Ltd.（日立美国有限公司工业人工智能实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种任务特定的潜在动态模型，利用目标状态监督学习动作诱导位移，以提高空间定位任务中的视觉语言控制性能。
烹饪与清洁同时进行：教授并行任务执行的具身智能体
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 GRANT通过结合语言理解、3D定位和效率优化，实现并行任务调度，提升智能体在复杂环境中的任务执行效率。
Comments Accepted to AAAI 2026 (Oral). The code is available at \url{https://github.com/H-EmbodVis/GRANT}
UMCL: 单模生成多模对比学习用于跨压缩率深度伪造检测
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 UMCL通过单模生成多模对比学习，提升跨压缩率深度伪造检测的鲁棒性和准确性。
Comments 24-page manuscript accepted to IJCV
基于视觉语言基础模型的全切片图像皮肤肿瘤零样本分割
机构 * Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano (HUMAN-Tech), Universitat Politécnica de Valencia（人类中心技术大学研究机构（HUMAN-Tech）、西班牙巴塞罗那理工大学） ； Artikode Intelligence S.L.（Artikode Intelligence公司）
专题命中 视觉定位与Grounding ：VLM(abstract)；分类 cs.CV
AI总结 本研究提出ZEUS框架，利用视觉语言基础模型实现全切片图像中皮肤肿瘤的零样本分割，减少标注负担并提高分割精度。
Comments Conference manuscript accepted for oral presentation at CASEIB 2025
面向表格数据分析的多模态对话代理
机构 * ITMO University（ITMO大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI
AI总结 Talk2Data是一种多模态对话代理，通过语音和文本交互实现表格数据分析，结合LLM、ASR、代码生成和TTS技术，提供多轮对话和可验证计算。
Comments \c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses
PromptMoE: 通过视觉引导的提示混合实现通用零样本异常检测
专题命中 视觉定位与Grounding ：vision-language model(abstract)；分类 cs.CV
AI总结 PromptMoE通过视觉引导的提示混合方法，实现了通用零样本异常检测，提升了模型对未见异常的泛化能力。
Comments 14 pages, 8 figures. Accepted to AAAI 2026
通过统一多模态伪造学习巩固扩散生成视频检测
机构 * School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院） ； School of Information Science and Electronic Engineering, Shanghai Jiao Tong University（上海交通大学信息科学与电子工程学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Department of Computer Science and Engineering, Michigan State University（密歇根州立大学计算机科学与工程系）
专题命中 视觉定位与Grounding ：multimodal large language model(abstract)；分类 cs.CV
AI总结 本文提出MM-Det++算法，通过统一多模态学习检测扩散生成视频，结合时空分支和多模态分支，提升视频伪造检测的准确性和泛化能力。
Comments Code and dataset are available at https://github.com/SparkleXFantasy/MM-Det-Plus
SA-Person: 基于文本的人检索与场景感知重排序
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院） ； Centre for Artificial Intelligence and Robotics, Hong Kong Institute of Science and Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心） ； Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统（MAIS）） ； Wuhan University（武汉大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 SA-Person通过整合个体外观和全局场景上下文，提升基于文本的人检索准确性，提出ScenePerson-13W数据集和两阶段检索框架。
Comments 13 pages, 8 figures. Under review
VideoLLM 知何时言：通过视频-文本双人对话交互格式增强时间敏感视频理解
机构 * Wangxuan Institute of Computer Technology, Peking University（王炫计算机技术研究所，北京大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） ； Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院） ； State Key Laboratory of General Artificial Intelligence（通用人工智能国家重点实验室）
专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV
AI总结 本文提出视频-文本双人对话交互格式，通过MMDuetIT数据集和MAGQA任务提升VideoLLM在时间敏感任务中的表现，实现高效实时响应。
Comments 9 pages
在低资源环境中使用低成本MRI扫描仪和云数据处理进行体内成像
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本研究展示了在低资源环境中通过改进硬件和软件实现低成本MRI系统获得临床相关图像质量的可行性。
Comments 10 pages, 10 figures, comments welcome
学习具有感知相关性的时序包络变形
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文提出了一种基于感知指导的学习方法，用于生成具有时间中间性的音频包络变形，通过人类听觉研究和大规模数据集训练，优于现有方法。
Comments Accepted at WASPAA 2025
非广延统计力学中的开放问题
专题命中 视觉定位与Grounding ：grounding(abstract)
AI总结 本文综述了非广延统计力学中的开放问题，包括熵与泛化熵的差异量化、参数q的物理解释、泛化乘积的定义改进、广义傅里叶变换的应用以及非广延熵的归一化重新审视，并提出形状参数可能用于定义系统统计复杂性。
Comments 19 pages; 1 figure; 2 tables; recommended for publication in Entropy, special issue Nonadditive Entropies and Nonextensive Statistical Mechanics
Journal ref Entropy 2024, 26(2), 118
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈