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。
VisPCO：通过预算感知的帕累托前沿学习实现视觉令牌修剪配置优化
机构 * Shanghai Jiao Tong University（上海交通大学） ； University of Edinburgh（爱丁堡大学）
专题命中 VLM训练与架构 ：VLM(summary_cn,abstract)；vision-language model(title,abstract)；分类 cs.CV、cs.AI
AI总结 本文提出VisPCO框架，通过将视觉令牌修剪问题建模为帕累托配置优化问题，自动识别最优配置。实验表明，该方法在8个视觉基准上有效逼近帕累托前沿，并在不同修剪方法和VLM架构中泛化良好。
通过奖励进行 scouting：由 VLM-TO-IRL 驱动的电子竞技玩家选拔
机构 * Johns Hopkins University（约翰霍普金斯大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Cornell University（康奈尔大学）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；vision-language model(abstract,abstract_cn)；分类 cs.LG
AI总结 本文提出一种基于逆强化学习的电子竞技玩家选拔框架，通过学习专业选手的奖励函数，利用多模态双分支架构和 GAIL 目标实现玩家风格匹配评估，提升人才发现效率。
多示踪PET的高精度合成通过VLM调制的校正流用于区分轻度认知障碍
机构 * School of Mathematics and Statistics, Xi'an Jiaotong University（西安交通大学数学与统计学学院） ； Key Laboratory of Biomedical Information Engineering of Ministry of Education, School of Life Science and Technology, Xi'an Jiaotong University（教育部生物医学信息工程重点实验室，西安交通大学生命科学与技术学院） ； Department of Radiology and Nuclear Medicine, Xuanwu Hospital, Capital Medical University（首都医科大学宣武医院放射科与核医学科） ； Research Center for Intelligent Medical Equipment and Devices (IMED), Xi'an Jiaotong University（智能医疗设备与器件研究中心（IMED），西安交通大学）
专题命中 VLM训练与架构 ：VLM(title,title_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出DIReCT$++$模型，结合MRI和临床信息，通过校正流和视觉语言模型生成高保真多示踪PET图像，实现轻度认知障碍的精准分层。
Comments Added supplementary material
重新审视双编码视觉-语言模型中的组合性：推断的作用
机构 * HiTZ Center – Ixa, University of the Basque Country (UPV/EHU)（希茨中心–Ixa，巴斯克国家大学（UPV/EHU））
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV、cs.LG
AI总结 本文探讨了双编码视觉-语言模型中组合性问题的根源，提出通过改进推断协议提升组合性能，引入轻量级变压器学习局部对齐，优于全微调和端到端训练方法。
Switch-KD：视觉切换知识蒸馏用于视觉-语言模型
机构 * Li Auto Inc（利-auto公司）
专题命中 VLM训练与架构 ：vision-language model(title,abstract)；分类 cs.CV
AI总结 Switch-KD通过统一视觉-语言知识转移，解决多模态对齐问题，使小模型高效蒸馏大模型的多模态知识。
Comments 11 pages, 3 figures
Journal ref IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026
每个高度选择性帧一个标记：朝着长视频理解的极端压缩
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Amazon Prime Video（亚马逊Prime视频）
专题命中 VLM训练与架构 ：VLM(abstract,abstract_cn)；vision-language model(abstract)；分类 cs.CV
AI总结 本文提出XComp模型，通过极端视频标记压缩提升长视频理解性能，结合标记级和帧级压缩，实现更高的压缩比和更密集的帧采样。
Comments Appear in the proceedings of NeurIPS 2025
CWCD：用于结构化医学报告生成的类别级对比解码
机构 * The Department of Computer Science and Engineering（计算机科学与工程系） ； University at Buffalo, The State University of New York, NY, USA（布法罗大学，纽约州立大学）
专题命中 VLM训练与架构 ：LLaVA(abstract,abstract_cn)；分类 cs.AI
AI总结 本文提出CWCD框架，通过类别特定参数化和对比正常与遮蔽X光片生成结构化放射报告，提升临床效果和生成质量。
Comments Accepted to MIDL 2026 (Oral)
POP：仅预填充剪枝用于高效大模型推理
机构 * Wuhan University（武汉大学） ； OPPO Research Institute（OPPO研究院）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV、cs.AI
AI总结 本文提出POP剪枝方法，通过区分预填充和解码阶段，仅剪枝深度层以提升预填充效率，保留完整模型用于解码，实现1.37倍的预填充延迟提升且性能损失小。
超越视觉线索：基于语义的标记过滤和专家路由用于即时人物重识别
机构 * Tsinghua University（清华大学） ； Independent Researcher（独立研究者） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 VLM训练与架构 ：vision-language model(abstract)；分类 cs.CV
AI总结 本文提出STFER框架，利用大视觉-语言模型生成身份一致的文本，提升对服装变化和模态转换的鲁棒性，通过语义驱动的标记过滤和专家路由实现多场景鲁棒性，实验表明模型在AT-USTC数据集上达到最优性能。
CausalEmbed: 在潜在空间中实现自动回归多向量生成用于视觉文档嵌入
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Alibaba Cloud Computing（阿里云计算） ； University of Illinois Chicago（伊利诺伊大学芝加哥分校）
专题命中 VLM训练与架构 ：multimodal large language model(abstract)
AI总结 本文提出CausalEmbed方法，通过对比训练中的迭代边际损失生成紧凑且结构良好的多向量嵌入，实现高效的视觉文档检索，减少30-155倍的token数量同时保持高性能。
Comments Under review
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