📂 其他¶

🎞️ ECCV2026 · 61 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (105) · 🔬 ICLR2026 (115) · 💬 ACL2026 (3) · 🧪 ICML2026 (70) · 🤖 AAAI2026 (117) · 🧠 NeurIPS2025 (121)

🔥 高频主题： 对抗鲁棒 ×6 · 扩散模型 ×3 · 少样本学习 ×2 · 人脸/视线 ×2

The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding: UAE 将预训练视觉表示拆成需要保留语义的低频基底和可以学习像素细节的高频残差，通过选择性蒸馏与高频掩码重建统一两种能力，表 1 的 DINOv2-B 配置在 ImageNet-1K 上达到 PSNR 32.17、SSIM 0.92 和 rFID 0.35。
PAI-Studio: Cinematic Video Background Replacement with Camera-Aware Motion: PAI-Studio 将前景视频和 1–3 张背景参考图作为联合生成条件，用真实镜头数据、时间位置编码克隆及双向注意力同时学习背景运动、前景保持和重光照，在 Cine-Restore 多参考图设置下获得 MSE 0.00645、SSIM 0.789 和 LPIPS 0.197。
Seeing Touch from Motion: A Unified Modality-Aware Visuo-Tactile Policy with Tactile Motion Correlation: 针对光学触觉传感器难以分辨细粒度接触状态的老问题，本文发现「瞬时运动」与「累积运动」的点积能显式区分「正在接触 / 稳定接触 / 正在松开」等状态，据此提出触觉运动相关性表征 TMC，并用 Mixture-of-Transformers 把它作为独立模态与视觉、原始触觉、本体状态融合，在四个真实接触密集操作任务上刷出更高成功率。
TSEmbed: Unlocking Task Scaling in Universal Multimodal Embeddings: TSEmbed 用输入相关的 MoE-LoRA 分担多模态任务冲突，再在专家预热后根据路由相似度加权困难负样本，使仅使用 MMEB 训练的 2B/7B 模型分别达到 70.5/74.7 的总体分数，超过同设置 B3 基线 2.4/2.7 个百分点。
Articulat3D: Reconstructing Articulated Digital Twins From Monocular Videos with Geometric and Motion Constraints: Articulat3D 提出一个两阶段优化框架，从单目随意拍摄视频中重建铰接物体的可交互数字孪生：第一阶段用低维运动基（motion bases）对 3D 点轨迹做结构化部分级运动分解，第二阶段用显式运动学基元（旋转/平移关节的轴、枢轴、逐帧标量）约束运动使其满足物理刚体规律，在合成和真实数据上均达到 SOTA 精度且无需静态预扫描。
Match-Any-Events: Zero-Shot Motion-Robust Feature Matching Across Wide Baselines for Event Cameras: 本文提出首个实现零样本跨数据集泛化的事件相机宽基线特征匹配模型，通过分离式时空注意力骨干（TAg）和稀疏感知Token自适应剪枝（SETS）实现高效多时间尺度事件特征学习，结合大规模合成（E-MegaDepth）与真实（ECM）宽基线数据集训练，在多个基准上相比此前最佳方法提升37.7%。
FedLAS: Feature-Modulated Bidirectional Label Smoothing for Neural Network Calibration: 提出 FeDLaS（Feature-modulated Bidirectional Label Smoothing），利用隐藏层特征 L1 范数作为置信度代理以绕过 softmax 饱和缺陷，搭配双向校准门控实时判断每个样本的过置信/欠置信状态，逐样本动态调制标签平滑强度，在保持 Top-1 精度的前提下显著降低 ECE 和 AECE。
Multi-Hypothesis Test-Time Adaptation to Mitigate Underspecification: 本文把熵最小化的测试时自适应（TTA）重解释为一个欠定条件下的后验推断问题——低熵解有很多个、决策边界却彼此迥异——于是不再赌单点解，而是维护 K 组只适应归一化层的"适应粒子"分别去探索不同的低熵盆地，并在输出、参数、优化器、输入四个层级施加多样化约束防止它们塌缩到同一个解，推理时聚合多假设预测；在 ImageNet-C 的批大小 1、标签偏移与混合偏移场景上稳定优于 Tent / SAR / DeYO，并且能当插件套到已有 TTA 方法上。
Quantile‑Adaptive Temperature Scaling for Confidence Calibration: QaTS 用校准集中的置信度分位数决定每个样本的温度，仅拟合两个正参数便能在保留类别预测的同时改善校准，例如 CIFAR-100、RN-50 的 ECE 从标准 TS 的 5.32 降至 2.56。
Unified Removal of Raindrops and Reflections: A New Benchmark and A Novel Pipeline: 本文建立雨滴与反射联合去除任务 UR3 及实拍数据集 RDRF，并用初步恢复、双条件扩散和保真解码组成 DiffUR3，在 RDRF-testing 上取得 29.41 dB PSNR、0.9372 SSIM 和 0.0813 LPIPS。
Color Pass-Through via Camera-Display Coupling: 针对智能手机与沉浸式设备在相机拍摄并即时于屏幕呈现时产生的显著色偏与亮度失真，本文提出将相机与屏幕视作端到端联合耦合系统，通过轻量级神经映射器与基于第一主成分的相机零空间色彩修正，实现了仅需单步校准即可高保真复现真实场景感知色彩的色彩透视（Color Pass-Through）框架。
Combining Discrepancy-Confusion Uncertainty and Calibration Diversity for Active Fine-Grained Image Classification: 针对细粒度图像分类中类间视觉极度相似导致传统主动学习度量失效的痛点，DECERN 通过局部特征融合解耦并量化样本的结构稳定性与类别方向性，配合不确定性加权聚类与校准多样性采样，在极低标注预算下实现判别性样本的高效筛选。
CubicSplat: Differentiable Vector Graphics via Error-Bounded Forward Relaxation: CubicSplat 针对可微矢量渲染中几何前向保真度与反向梯度质量之间的“梯度跷跷板”矛盾，提出误差有界的前向松弛框架，通过 \(\mathcal{O}(S^{-2})\) 几何误差界的均匀折线代理消除迭代最近点求解，配合符号残差覆盖核与透射率基尼系数剪枝，在训练速度提升最高达 4 倍的同时在闭合填充上实现超 2 dB 的 PSNR 飞跃。
Estimating Velocity and Spin of Spherical Objects from Rolling-Shutter Image(s): 针对高速飞行球体在低成本卷帘快门相机下的严重几何形变，本文抛弃传统的去畸变思路，提出一种免 2D-3D 匹配的反投影几何一致性框架，通过解耦平移与旋转的两阶段优化，仅凭单张卷帘快门图像即可高精度恢复球体的 3D 线速度与自旋角速度。
From Local Geometry to Global Pseudo-Labeling for Robust Positive–Unlabeled Learning under Covariate Shift: 针对协变量偏移下分布高度重叠导致经典 PU 学习失效的难题，本文提出几何感知的 S-PUNA 框架，利用 ViT 中间层特征流形双向扩展正负伪标签，并基于谱熵停机准则防止漂移，以弱监督范式匹敌全监督检测性能。
Geometric Gradient Rectification for Safe Open-Set Semi-Supervised Learning: 本文提出 GGR（Geometric Gradient Rectification），一种即插即用的梯度空间校正框架：以有监督梯度为锚点，将与之冲突的无监督辅助梯度投影到安全半空间内，使辅助更新在所选参数块上与有监督方向保持一阶非对抗，从而在不依赖精确 OOD 检测的前提下同时提升闭集泛化与开集鲁棒性。
Geometric Regularization for Long-Tailed Semi-Supervised Learning via Gaussian Feature Bridges: 针对真实长尾半监督学习中伪标签漂移与尾类表征匮乏的难题，本文提出高斯桥一致性框架（GBC），在隐空间构建连接未标记样本与可靠类别锚点的高斯特征桥，并通过置信度引导的 BridgeMix 增强跨样本插值，实现显著优于既有 SOTA 的尾类泛化表现。
Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning: 本文提出 Geometry-Anchored Transport Framework，将特征传输从解耦的后处理范式转变为训练时的几何约束，通过解析几何锚点（Sylvester 方程闭解）抑制宏观各向异性漂移，配合拓扑感知演化约束局部流形退化，在无样本约束下稳定地传输旧类高斯统计量以实现可靠 Mahalanobis 评估。
Intrinsically Stable Spiking Neural Networks: Overcoming the Performance Barrier in the Absence of Batch Normalization: IS-SNN 通过拓扑感知的权重标准化和改进的残差连接，在完全移除激活归一化层（Batch Normalization）的情况下，使深度脉冲神经网络的发放率保持稳定，训练完成后将标准化操作折叠进静态权重，推理时零归一化开销，在 ImageNet 上达到 68.05% 精度且 FPGA LUT 资源消耗降低 96.4%。
Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification: 针对灾害遥感中独立建筑物分类易受外观域移影响且朴素图注意力容易过度平滑损毁边界的问题，本文提出了融合灾害类型条件多尺度空间核先验与残差莫兰空间反自相关正则的图注意力网络，在保持局部证据的同时自适应引入合适尺度的邻域上下文，显著提升了跨事件零样本分类性能。
Learning Structured Visual Compositional Representations for Weakly Supervised Referring Expression Comprehension: 针对弱监督指代理解（WREC）将关系与上下文隐式压缩为扁平一元 Anchor 的表征失配问题，本文提出 SVCR 框架，显式构建解耦的一元对象表示与成对关系表示空间，并以多粒度弱监督组合对齐与层次一致性约束实现高精度零边界框视觉定位。
Lost in the Tail: Addressing Geographic Imbalance in Urban Visual Place Recognition: 本文发现城市级视觉位置识别数据集存在严重的长尾地理分布问题（头尾类样本比达 300:1），提出 DAPR 框架——训练阶段用 Low-visit Bias 损失逆频率加权并校准分类器偏差，推理阶段用特征函数距离在频域实现分布感知的重排序，在 SF-XL 基准上超越此前最佳混合管线 18.3% R@1。
LumiTokens: 3D Relighting via Token-Space Lighting Transformation: LumiTokens 将 3D 重光照重新表述为无显式几何结构与渲染方程的隐式 Token 空间直接变换，通过场景 Token 与普吕克光线 Token 的自注意力交互，实现跨视角一致的高质量重光照与任意光源的渐进式累积编辑。
MagicMakeup: A Region-Controllable Diffusion Transformer for High-Fidelity Makeup-Transfer: 针对传统人脸彩妆迁移中区域溢色、身份与妆容概念耦合及真实配对数据匮乏的难题，本文提出基于扩散Transformer的MagicMakeup框架，通过Token对齐的区域注意力门控与跨模态感知引导实现眼唇及整脸的高保真局部迁移，并构建了基于真实彩妆局部卸妆的1024×1024高清基准。
MoAKE: Toward Unified All-in-One Action Quality Assessment via Mixture of Action Knowledge Experts: 针对传统动作质量评估（AQA）高度依赖单一动作先验且独立建模的局限，MoAKE 提出了首个全能（All-in-One）AQA 框架，通过共享语义适配器、分段感知原型聚合、自适应段内/段间多粒度关系建模与无标签视觉软路由，成功阻断跨动作负迁移并激活互补先验，在三项长周期评测中平均 SRCC 达 0.753，且在零/少样本迁移上显著领先现有方法。
Multi-History-Step SDE Inversion for Image Editing with Superior Regional Awareness: 提出了无需调优的扩散 SDE 图像编辑框架 MIEdit，结合高阶多历史步预测器-校正器逆转采样、幂次插值推理噪声调度以及逆转期自适应语义角度掩码（IASM），在极低函数评估次数下实现了高编辑可塑性与超强背景保真度。
NURBS Splatting: A Unified Differentiable Rendering Framework for Vector Graphics: 本文提出NURBS Splatting，通过将NURBS曲线沿弧长自适应采样为各向同性高斯核并使用基于tile的高斯溅射光栅化器进行可微渲染，首次将有理权重和非均匀节点向量纳入2D图像空间端到端优化，在书法重建、分层图像矢量化和单笔画图像抽象等任务上显著超越基于多项式基元的现有方法。
Parallax Portrait Matting: 针对复杂纹理背景下人像抠图高度病态的难题，提出利用连拍微小视差的两帧输入方案，通过背景对齐直接融合与前景对齐跨注意力误差补偿的不对称架构，实现发丝级透明度遮罩与高保真前景颜色的鲁棒恢复。
PeCA: Palette Context Assisted Inference for Test-Time Paint-Bucket Colourisation on Animation Videos: 针对传统基于区域匹配的动画油漆桶上色在视点变化与细小碎片下面临的歧义匹配瓶颈，PeCA 提出了一种免训练、即插即用的测试时推理框架，通过目标条件引导的主动参考图扩展、Top-k 软投票调色板概率聚合以及循环一致性门控时序融合，在无需重新训练骨干网络的前提下显著提升了动画视频上色的准确率与时序一致性。
Pointer-CAD v2: Plan-Then-Construct CAD Generation with Dimension-Aware Parametric Precision: Pointer-CAD v2 提出 Plan-Then-Construct 框架，将 CAD 生成解耦为「先规划维度参数、再通过指针检索参数构造几何」两个阶段，彻底消除传统命令序列方法中数值参数量化带来的精度损失，在顶点/边/面三级几何精度指标上大幅超越所有基线。
PolarAPP: Beyond Polarization Demosaicking for Polarimetric Applications: PolarAPP 是首个将偏振去马赛克与下游偏振应用（如法线估计 SfP 与去反光 DfP）进行端到端联合优化的框架，通过双层元学习特征对齐与等效成像变换先验，打破了传统管线中低质数据重排与任务无关去马赛克的双重瓶颈。
QASA: Quality-Guided K-Adaptive Slot Attention for Unsupervised Object-Centric Learning: QASA 通过提出基于 Slot Attention 竞争机制的无监督槽位质量指标与门控解码器，解耦了槽位选择与重建优化，实现了无需预设槽位数量 \(K\) 且超越固定 \(K\) 基线的高精度物体发现。
RPM-Distill: Physiology-guided Adaptive Cross-modal Distillation for Robust Remote Physiological Measurement: 针对视频远程生理测量在光照、肤色与运动干扰下易失效且雷达推理部署代价高的问题，RPM-Distill 将同步毫米波雷达作为训练期特权信息，在频域解耦生理基频、背景噪声与形态尖锐度构建生理结构化蒸馏，并通过双层元学习驱动的谱策略网络自适应门控与加权，实现了纯视频推断下的高鲁棒生理测量。
SOMA: From Surface Observations to Muscle Anatomy: 针对传统人体模型仅停留在皮肤表层且有限元仿真开销巨大的痛点，SOMA 提出了首个基于多视角 RGB 视觉观测反演深层肌肉动态形变的数据驱动框架，结合定制 ArUco 紧身服捕获的 SKIM 高精度软组织形变数据集，利用解耦双层非线性混合形状与多物理几何先验，实现了仅凭骨骼姿态驱动真实、无自穿插的全身解剖级肌群动态生成。
Spectral Gating via Damped Oscillations for Adaptive Implicit Neural Representations: 本文从受迫阻尼谐振子的稳态响应出发，推导出一种物理驱动的激活函数 FDHO，将激活幅度与频率通过二阶传递函数耦合，产生隐式频谱门控机制：阻尼因子梯度的自交互项始终关闭频谱门，而信号项仅在目标存在相干频率分量时打开频谱门，从而实现自动区分信号与噪声、无需任何显式正则化或任务特化超参数调优，在信号拟合、去噪、CT 重建、超分辨率等任务上全面达到 SOTA 或竞品水平。
Under One Sun: Multi-Object Generative Perception of Materials and Illumination: 针对单图逆向渲染中材质与光照高度混淆的严重病态性问题，MultiGP 利用同场景多物体共享全局光照的物理共识，通过级联扩散架构、协同调度与轴向注意力机制，实现了漫反射纹理、空间均匀反射率与共享高频光照的联合随机采样解耦。
Vector Scaffolding: Inter-Scale Orchestration for Differentiable Image Vectorization: 提出 Vector Scaffolding 分层优化框架，通过 Interior Gradient Aggregation 修复区域-边界梯度失衡、Progressive Stratification 按自然图像幂律由粗到细密化曲线、Rapid Inflation Scheduling 放大 50 倍学习率实现 2.5× 加速与 ~1.4dB PSNR 提升，将可微向量化从"平铺像素匹配"重构为"结构化拓扑构建"。
VSDiffusion: Taming Ill-Posed Shadow Generation via Visibility-Constrained Diffusion: 针对图像合成中前景阴影生成的病态反问题，提出基于两阶段可见性约束的扩散框架 VSDiffusion，结合残差控制先验注入、门控交叉注意力与空间软先验加权损失，实现几何自洽且边缘锐利的高质量阴影生成。
Compact and Structurally Transparent Cervical Cytology with Geometry-Driven Features and Closed-Form Attention: 论文将宫颈细胞病理学临床筛查（初筛定位-精细阅片-归因诊断）流程内化为网络计算图，通过四个病理先验特征定义诊断势场并以自由能极小化求解出闭式空间注意力，结合固化几何算子与非负近对角混合的紧凑解析骨干网络，仅用 2.2M 参数就在 DSCC、SIPaKMeD 和 Herlev 上达到或超越大模型 SOTA，并实现了端到端从概念像素到预测对数的内生证据溯源。
DeCo: Zero-Shot Anomaly Generation through Decoupling and Recoupling: 针对工业缺陷真实样本匮乏且现有方法存在异常提取失真与产品融合失控的问题，DeCo提出通过DR-Flow与PI-Flow将源缺陷结构与载体解耦并绑定至异常token，并在推理时借助混合注入与兼容性校正PCC与目标产品纹理重耦，在MVTec AD与VisA上显著刷新下游检测SOTA。
Deep Noise Label Learning via Effective Rank Reduction: 针对现有基于转移矩阵的前向修正方法忽视类别语义聚类导致低有效秩先验的问题，本文提出低有效秩标签噪声学习框架（LENL），引入核范数正则化约束转移矩阵的谱复杂度，并构建免奇异值分解的牛顿-舒尔茨迭代优化器，在提供严密泛化界保证的同时根除奇异值反传梯度不稳定缺陷，在合成与真实噪声基准上取得显著性能提升。
Degradation-Robust and Temporally Consistent Infrared–Visible Video Fusion via One-step Diffusion Framework: 针对现有视频融合方法因单模态退化导致时序运动估计不可靠的问题，本文提出“先融合后时序（fusion-first）”的单步整流流扩散视频融合框架 DRT-VF，通过模态协同注意力构建鲁棒的帧内联合表征，并结合全局闪烁抑制与局部运动补偿实现高保真度且时序稳定的视频融合。
Disentangling Rotation and Translation from SE(3)-Equivariant Features for Shape Assembly: 针对三维形状装配中旋转与平移混合编码阻碍模型泛化的问题，本文提出 SOT 编码器，通过正交补空间投影抑制平移构建 SO(3) 等变旋转分支，并通过平移监督与特征差分构建 T(3) 等变平移分支，实现刚体运动因子的显式解耦与即插即用提升。
EVEE: Event-Based Online Adaptation for Matching on Unknown Targets: EVEE 针对离线训练匹配器在未见目标上泛化差且推理时权重冻结的问题，创新性地将短时窗口事件流转化为无标签的在线代理监督信号，结合多线程训练仓库（TraW）、双向事件投票池（EVB）与轻量重加权门控（ReWeight），在保持 51.3 FPS 匹配速度的同时实现未知目标的高精度实时自适应匹配。
Event-based Gaze Control Systems for Real-time Spin Estimation in Professional Ball Games: 针对专业球类运动中高速旋转球体成像模糊、视场窄与平移旋转混淆难题，提出由事件相机、高速振镜与电控液体变焦镜头组成的凝视控制主动视觉系统，结合球面反差最大化离线算法与不确定度感知 CNN 实时在线优化，实现了高达 750 Hz 吞吐率、3 ms 延迟以及 1.2% 转速与 1.5° 旋转轴误差的超高精度无标记自旋估计。
From Local to Global: A Progressive Reconstruction Network for Diffractive Snapshot Spectral Imaging: 针对衍射快照光谱成像（DSSI）编码高度集中于纹理区域的空间非均匀性，LGSRNet 提出局部卷积提取与全局长程依赖传播的两阶段渐进式重构架构，配合空间引导通道注意力与边缘感知门控融合，在大幅降低 FLOPs 和推理延迟的同时刷新 SOTA 重构精度。
FUSE: Filter-Free Unified Spatiotemporal Estimation of SpO2 via Wave-Transport Modeling: 针对传统非接触式血氧估计依赖静态频域滤波导致带内噪声放大和非平稳衰减的难题，FUSE 提出了一种无需滤波的波-输运微分系统，通过二阶谐振子常微分方程（ODE）约束搏动 AC 分量、对流偏微分方程（PDE）约束面部搏动密度场传播，并结合连续时间动态模型实现了高鲁棒性且跨帧率稳定的视频血氧估计。
General Self-Calibration with Varying Intrinsics: 本文提出了一种通用的变内参多视图相机自标定代数框架，通过将内参空间中的结构化多项式先验前推映射为绝对二次曲线对偶像（DIAC）空间中的代数约束，并结合雅可比分析采样局部独立的极小松弛子系统，成功解决了包括变焦与主点偏移在内的多种复杂变内参自标定问题。
HERO: Heterogeneous Evidential Robust Object-Level Collaborative Perception: 针对异构多智能体协同感知中特征级融合带宽开销大且依赖协同训练、传统目标级融合受制于位姿偏置与异步延迟的难题，HERO 提出基于证据深度学习的轻量提案协议，创新性地将融合决策解耦为语义证据的 Beta-sum 累加与几何边界框的最大证据精选，配合马氏距离门控关联、时效性衰减与无监督位姿细化，以每帧仅约 2 KB 的通信带宽达到了特征级 SOTA 级别的 3D 检测精度与更强的扰动鲁棒性。
High-Throughput Event-Based Feature Detection and Tracking on an Embedded CPU: 针对事件相机极高事件率与边缘嵌入式端受限算力之间的严峻矛盾，本文提出无深度学习且无需 GPU 的 SPEEDTrack 系统，基于动态运动驱动并发分片与任务图调度架构，在单颗嵌入式 CPU 上实现了超越传感器平均事件率的高吞吐实时特征检测与跟踪。
LIIFusion: Coarse-to-fine Framework for Generative MEF via Implicit Neural Representation: LIIFusion 将生成式多曝光融合解耦为“低分辨率扩散全局融合（配合自适应曝光校正）+ 高分辨率连续隐式神经表示细节精炼”两阶段管线，彻底摆脱耗时的滑动窗口采样，在取得最高主客观画质的同时实现了 3.5 倍的推理加速。
Local Spacing-Aware Hungarian Matching for Stable Point-Supervised Crowd Counting: 针对点监督人群计数中全局统一度量导致密集区域匹配竞争与分配震荡的问题，本文提出间距感知匈牙利匹配器（SAH-matcher），利用 k 近邻距离自适应重缩放目标几何匹配代价，并结合 CAS、HR 与 IR 过程级诊断指标，在零推理开销下显著提升密集人群定位与计数精度。
LoRC: Detecting AI-Generated Images via Low-Rank Collapse in the Semantic-Residual Space: 针对现代生成模型在宏观语义上过度对齐导致传统语义取证失效的问题，本文揭示了终端解码瓶颈诱导的语义残差子空间「低秩坍塌」几何特征，提出基于 DINOv3 正交分解、低秩注意力瓶颈与子空间分离损失的 LoRC 框架，在 39 个未见生成器上取得 97.0% 的零样本跨模型检测精度。
Making Partial-Label Datasets Easier: A Simple Yet Highly Effective Data Augmentation for Deep Partial-Label Learning: 针对偏标签学习中样本特征流形与候选标签流形紧密耦合导致消歧困难的问题，本文提出量化数据集消歧难度的局部歧义度（LAD）度量，并设计了一种即插即用、基于主导混合与标签置信度重归一化的高效数据增强框架 UMiP，在保持原始候选集约束的同时打破局部邻域耦合并引入隐式正则化，显著提升各类深度 PLL 算法的泛化性能。
Maximum Spanning Tree Guided Confidence and Sparse Graph for Robust Noisy Label Learning: 针对传统 KNN/GCN 噪声标签学习中过密连接放大噪声以及类别边界硬样本盲目传播错误的问题，本文提出基于最大生成树（MST）引导的置信度稀疏图网络（MST-GCSN），通过全局 MST 拓扑骨架、置信度门控特征传播与局部-全局锚点渐进标签预测，在极端噪声下实现了兼具全局流形约束与高可靠性的标签校准。
Mitigating Radar-Inertial Calibration Ambiguities via SO(3) Manifold Steering: 提出免标定板的即插即用雷达-惯导时空外参标定框架 RadarCalib，利用旋转运动诱导的时域合成孔径（TSA）在频域提取与场景无关的方位谱漂移，结合循环不变性正则化与刚体运动学速度/位姿约束，在 SE(3) 流形上消除毫米波雷达因点云稀疏与角分辨率粗糙引起的标定歧义与局部极小陷阱，实现亚度级旋转与厘米级平移精度。
Physics-Guided Deep Learning for Linear Mueller Matrix Acquisition: 针对传统穆勒矩阵成像需多次切换入射偏振态导致效率低下的难题，本文提出一种两阶段物理引导深度学习框架，仅凭固定已知入射偏振态下单次曝光的四通道偏振图像与目标掩模，联合估计 pBRDF 参数生成结构化先验并通过双分支残差网络重构出高保真、满足物理自洽约束的 \(3 \times 3\) 线性穆勒矩阵。
Taming Dynamic Clutter: Variance-Driven Adaptive Gain Control for Bio-inspired Small Target Detection: 针对生物启发小目标运动检测（STMD）在动态非平稳干扰下极易发生“虚警崩溃”的顽疾，本文提出一种宏观运动解耦与微观自适应增益控制（AGC）协同的即插即用架构，利用小叶板切向细胞（LPTC）群体编码消除相机自主运动漂移，并通过基于自然场景统计与分流抑制的方差驱动增益塌陷机制精确滤除高频闪烁杂波，在复杂动态场景中实现了近乎全抑制虚警并保留微弱目标的高灵敏度检测。
Towards Reliable Multi-Label Classification via Conditional Dependency Modeling: 针对多标签图像分类普遍默认标签条件独立而引入的结构性偏差与失校准问题，本文从理论上证明该偏差正比于标签协方差，并提出成对相关性差异（PCD）辅助损失构建联合目标 CMLL，在保持高分类精度的同时显著降低置信度校准误差。
Training-free Controllable Motion Generation under Heterogeneous Constraints: 本文提出免训练可控运动生成框架 MIC（Motion-Inference-as-Control），将扩散去噪过程重构为随机最优控制系统，首次在统一控制接口下同时支持无解析梯度的规则判定型约束与可微目标型约束，并通过闭环反馈调节与时空控制分配消除多约束间的失衡与干扰。
Weight Feedback Computes the Exact Jacobian Transpose in Modern Deep Networks: 揭示在冻结归一化统计量下现代深度网络层的雅可比转置可完全由局部因子精确因式分解，据此提出摆脱 autograd 反向传播的局部预测编码算法 WF-Act-PC，在深层卷积网络上实现正向深度扩展并匹敌微调反向传播。