视觉与视频

TimeLens2 将视频时序定位重新表述为“区间集合”问题，让模型不仅回答视频里发生了什么，还能给出支撑答案的时间片段。其 2B、4B、8B 版本在多项基准中相对 Qwen3-VL 骨干模型取得明显提升。

REBASE 提出一种训练自由的 in-context segmentation 方法，通过移除参考图像中的背景特征子空间，降低跨图像匹配时的背景干扰。它与 SAM 等可提示分割模型结合，在多个数据集上刷新训练自由方法表现。

VideoChat3 试图同时解决开源视频多模态模型的三类痛点：泛化不足、计算成本高、开放程度不完整。它以 4B 参数规模，在通用、长视频与流式视频理解任务上强调效率与覆盖面的平衡。

一篇 arXiv 论文提出 BitMind Forensics：通过开放式对抗竞赛持续刷新训练分布的深度伪造检测系统。其在 19 个公开数据集上的结果显示，动态检测框架在野外图像、视频与生成式媒体评测中明显优于多种静态开源检测器。

VideoRAE 试图把冻结的视频基础模型表征，转化为既能重建、又适合生成模型使用的视频潜变量。相比传统 3D-VAE，它更强调语义与时空结构，而不只是像素级还原。

一篇 arXiv 新论文以满文历史文献为案例，探索用“多专家+页面级路由”解决低资源、多书体 OCR 难题。系统复用微调过程中的检查点作为专家，并由轻量分类器按视觉风格分发页面。

一篇面向 ABAW11 多任务学习挑战的论文提出：在人脸情感分析中，与其强行使用统一架构，不如针对效价-唤醒、表情类别和面部动作单元分别选择特征融合与后处理策略。

一篇新论文提出 VisionScreen，将语言建模中的 Screening 机制扩展到图像识别，让视觉 token 能显式排除低相关图像块。作者认为，这为 ViT 依赖 softmax 相对权重的特征聚合方式提供了另一种路径。

这篇 arXiv 论文提出一种结构感知的音乐到舞蹈生成框架，把编舞拆解为可解释的“原子动作”序列，再生成连贯的人体运动。相比只把动作看作连续信号的方法，它更强调节奏、结构和可控性。

一篇已被 ACM MM 2026 接收的论文提出 Peak-End-Net，将心理学中的“峰终定律”引入视频美学评价，让模型更关注视频中的高光时刻与结尾体验。

一篇 arXiv 新论文提出 TCA-Net，聚焦低光图像增强中“亮度—色度”双流重新融合的可靠性问题。其核心是用固定置信阈值替代传统 Top-K 稀疏注意力的固定配额选择。

PiVoT 提出一种基于变分推断的训练-free 多目标检测与跟踪框架，重点解决雷达点云中目标多、杂波重、数据稀缺时的实时处理难题。它无需外部聚类或检测器，可联合估计目标状态、形状、存在概率、数据关联与测量率。

一篇 arXiv 新论文提出 Spatial Texture-Atlas Splatting，将高频纹理从逐片元计算中解耦出来，烘焙进紧凑纹理图集。研究称该方法在保持高视觉质量的同时，最高可比 3DGS 快 5 倍，并支持消费级硬件实时 4K 60FPS 渲染。

RainDancer 面向雨天视频恢复，引入事件相机的高时间分辨率线索，并通过“先分解、再交互”的方式降低跨模态干扰。论文强调在 RGB 与事件流中分别拆分雨水和背景，再进行组件级融合。