Northeastern University（东北大学）

RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration

RBE-Flow：基于特征流形的递归贝叶斯估计用于跨模态配准

Mengzhu Ding, Xin Song, Xiaoke Ding, Hongwei Ding, Xuecong Liu

机构 * Northeastern University, China（东北大学） 纠错

AI总结 针对跨模态图像配准中非线性辐射差异和几何畸变导致的优化困难，提出RBE-Flow框架，将密集流估计重构为特征流形上的闭环递归贝叶斯估计，通过递归流形优化和不确定性自适应概率更新实现自校正，在多个基准上取得最优性能。

Comments Accepted to ECCV 2026

ScAle: Attention Head Scaling as a Minimal Adapter for Spatial Reasoning in Vision Language Models

ScAle: 注意力头缩放作为视觉语言模型中空间推理的最小适配器

Rahul Chowdhury, Timothy A Rupprecht, Xuan Shen, Pu Zhao, Yanzhi Wang

机构 * Northeastern University（东北大学） ； EmbodyX Inc.（EmbodyX公司） ； Zhejiang University（浙江大学） 纠错

AI总结 提出ScAle，一种超轻量适配方法，通过学习少量标量系数调节冻结骨干网络中的注意力头和MLP激活，仅用1K可训练参数在空间推理任务上实现高达134.1%的相对精度提升。

Comments Accepted by ECCV 2026

Not All Timesteps Matter Equally: Selective Alignment Knowledge Distillation for Spiking Neural Networks

并非所有时间步都同等重要：用于脉冲神经网络的选择性对齐知识蒸馏

Kai Sun, Peibo Duan, Yongsheng Huang, Guowei Zhang, Benjamin Smith, Nanxu Gong, Levin Kuhlmann

机构 * Faculty of Information Technolody, Monash University, Australia（墨尔本大学信息科技学院，澳大利亚） ； School of Software, Northeastern University, China（东北大学软件学院，中国） ； Department of Medicine, National University of Singapore, Singapore（新加坡国立大学医学部，新加坡） 纠错

AI总结 本文提出Selective Alignment Knowledge Distillation方法，通过选择性对齐类别和时间知识，改进SNN性能，实验证明在静态图像和神经形态事件数据集上优于现有方法。

CRFT: Consistent-Recurrent Feature Flow Transformer for Cross-Modal Image Registration

CRFT：用于跨模态图像配准的一致-递归特征流变换器

Xuecong Liu, Mengzhu Ding, Zixuan Sun, Zhang Li, Xichao Teng

机构 * Northeastern University, China（东北大学（中国）） ； National University of Defense Technology, China（国防科技大学（中国）） 纠错

AI总结 CRFT提出了一种基于特征流学习的统一粗到细框架，通过特征对齐和流估计实现鲁棒的跨模态图像配准，通过多尺度特征相关性和层次特征融合提升精度和鲁棒性。

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 34784-34794