视觉大模型 / VLM

VideoAfford: Grounding 3D Affordance from Human-Object-Interaction Videos via Multimodal Large Language Model

VideoAfford: 通过多模态大语言模型实现人类-物体交互视频中的3D affordance grounding

Hanqing Wang, Mingyu Liu, Xiaoyu Chen, Chengwei MA, Yiming Zhong, Wenti Yin, Yuhao Liu, Zhiqing Cui, Jiahao Yuan, Lu Dai, Zhiyuan Ma, Hui Xiong

专题命中 视觉定位与Grounding ：grounding(title,abstract)；multimodal large language model(title,abstract)；分类 cs.CV

AI总结 VideoAfford通过多模态大语言模型实现人类-物体交互视频中的3D affordance grounding，结合动态交互先验和空间感知损失函数，提升机器人操作的可操作区域识别能力。

GenSeg-R1: RL-Driven Vision-Language Grounding for Fine-Grained Referring Segmentation

GenSeg-R1: 通过强化学习驱动的视觉-语言接地进行细粒度指称分割

Sandesh Hegde, Jaison Saji Chacko, Debarshi Banerjee, Uma Mahesh

机构 * Camcom Technologies Pvt. Ltd.（Camcom技术有限公司） 纠错

专题命中 视觉定位与Grounding ：grounding(title)；vision-language model(abstract)；VLM(abstract)；分类 cs.CV、cs.AI

AI总结 GenSeg-R1 通过强化学习驱动的视觉-语言接地方法，在细粒度指称分割任务中实现了优于基线的性能。

VLM-Guided Iterative Refinement for Surgical Image Segmentation with Foundation Models

基于基础模型的手术图像分割迭代细化方法

Ange Lou, Yamin Li, Qi Chang, Nan Xi, Luyuan Xie, Zichao Li, Tianyu Luan

机构 * School of Automation Science and Engineering, South China University of Technology, Guangzhou, China（自动化科学与工程学院，华南理工大学，广州，中国） ； Vanderbilt University, Nashville, TN, USA（范德比尔特大学，纳什维尔，田纳西州，美国） ； The Pennsylvania State University, University Park, PA , USA（宾夕法尼亚州立大学，大学园，宾夕法尼亚州，美国） ； Peking University, Beijing , China（北京大学，北京，中国） ； Virginia Commonwealth University, Richmond, VA, USA（弗吉尼亚共同wealth大学，里士满，弗吉尼亚州，美国） ； University of California San Diego, San Diego, CA, USA（加州大学圣地亚哥分校，圣地亚哥，加利福尼亚州，美国） 纠错

专题命中 视觉定位与Grounding ：VLM(title)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出IR-SIS，一种基于自然语言描述的手术图像分割迭代细化系统，结合视觉-语言模型和自适应工作流，实现高精度分割与临床交互。

Chunking Strategies for Multimodal AI Systems

多模态AI系统中的分块策略

Shashanka B R, Mohith Charan R, Seema Banu F

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG

AI总结 本文综述了多模态系统中分块策略的分类和技术分析，探讨了不同模态的数据处理方法及挑战。

Comments 50 pages, 5 figure

Soft Clustering Anchors for Self-Supervised Speech Representation Learning in Joint Embedding Prediction Architectures

用于联合嵌入预测架构中自监督语音表示学习的软聚类锚点

Georgios Ioannides, Adrian Kieback, Judah Goldfeder, Linsey Pang, Aman Chadha, Aaron Elkins, Yann LeCun, Ravid Shwartz-Ziv

机构 * Carnegie Mellon University（卡内基梅隆大学） ； New York University（纽约大学） ； James Silberrad Brown Center for AI（詹姆斯·西伯拉德·布朗人工智能中心） ； Columbia University（哥伦比亚大学） ； Northeastern University（东北大学） ； Stanford University（斯坦福大学） ； Amazon GenAI（亚马逊生成人工智能） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.AI、cs.LG

AI总结 GMM-Anchored JEPA通过软聚类锚点提升语音表示学习，实现ASR、情感识别和槽填充的性能提升。

Comments 15 pages, 5 figures. Code: github.com/gioannides/clustering-anchored-jepa

Learning to Detect Baked Goods with Limited Supervision

在有限监督下学习检测烘焙食品

Thomas H. Schmitt, Maximilian Bundscherer, Tobias Bocklet

机构 * Technische Hochschule Nürnberg（纽伦堡技术大学） ； Georg Simon Ohm Nuremberg Germany（乔治·西蒙·奥姆纽尔堡德国） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 在有限监督下，通过结合OWLv2和Grounding DINO定位与图像级监督，以及使用Segment Anything 2伪标签微调，训练出YOLOv11模型，实现烘焙食品检测的高精度与鲁棒性。

SemanticMoments: Training-Free Motion Similarity via Third Moment Features

语义时刻：通过第三时刻特征实现免训练的运动相似性

Saar Huberman, Kfir Goldberg, Or Patashnik, Sagie Benaim, Ron Mokady

机构 * BRIA AI（BRIA人工智能研究中心） ； Tel Aviv University（特拉维夫大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.CV

AI总结 SemanticMoments通过计算语义特征的高阶矩，无需训练即可提升基于运动的视频理解性能。

Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding

超越网格锁定体素：神经响应函数用于连续脑编码

Haomiao Chen, Keith W Jamison, Mert R. Sabuncu, Amy Kuceyeski

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)；分类 cs.LG

AI总结 NRF通过连续函数建模大脑响应，超越传统扁平体素方法，提升跨受试者适应性能。

QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search

QP-OneModel: 一个用于小红书搜索多任务查询理解的统一生成式大语言模型

Jianzhao Huang, Xiaorui Huang, Fei Zhao, Yunpeng Liu, Hui Zhang, Fangcheng Shi, Congfeng Li, Zechen Sun, Yi Wu, Yao Hu, Yunhan Bai, Shaosheng Cao

机构 * Xiaohongshu Inc.（小红书公司） 纠错

专题命中 视觉定位与Grounding ：grounding(abstract)

AI总结 QP-OneModel通过统一生成式大语言模型提升小红书搜索多任务查询理解的效率与准确性。