ECCV2026 语义分割论文解读论文笔记对抗鲁棒少样本学习对齐/RLHF 目标检测扩散模型

✂️ 语义分割¶

🎞️ ECCV2026 · 97 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (122) · 🔬 ICLR2026 (31) · 🧪 ICML2026 (14) · 🤖 AAAI2026 (29) · 🧠 NeurIPS2025 (45) · 📹 ICCV2025 (73)

🔥 高频主题： 语义分割 ×51 · 对抗鲁棒 ×10 · 少样本学习 ×8 · 对齐/RLHF ×6 · 目标检测 ×5

LlamaSeg: Image Segmentation via Autoregressive Mask Generation: LlamaSeg 用冻结的 VQGAN 把掩码变成离散视觉 token，让 LLaMA 风格模型根据图像和文字逐 token 生成掩码，384 像素版在 ADE20K 达到 55.9 mIoU，但指代分割精度和延迟仍不及专用判别式方法。
Delayed Bidirectional Alignment via Disentangled Audio Semantics for Audio-Visual Segmentation: DDAVS 通过原型记忆库锚定的可学习查询来解耦多源音频语义，并引入仅在深层进行的延迟双向交叉注意力对齐视听模态，在 AVSBench 和 VPO 多源/多类/多实例场景上全面超越此前 SOTA。
EM3M: An Electron Micrograph Dataset for Microstructural Segmentation and Generation: EM3M 用 5,091 张真实电子显微图像、2,985,660 个实例标注和九维结构化描述建立材料微结构基准，并通过 SDXL 合成增强与改进的流场分割基线 UniAIMS，将全量评测的 [email protected] 从真实数据训练的 0.800 提升到混合训练的 0.809。
Masked BRep Autoencoder via Hierarchical Graph Transformer: 本文保持 CAD 边界表示的拓扑不变，掩去面与边的原始几何和属性，用双分辨率跨尺度注意力及局部消息传递重建它们，从而获得可迁移的表示，在 MFInstSeg 的 0.1% 标注设置下取得 88.75% 面级准确率。
Segmenting Visuals With Querying Words: Language Anchors For Semi-Supervised Image Segmentation: HVLFormer 将预训练视觉语言模型的类别语义转化为数据集与图像感知的多尺度文本查询，再用逐层跨视图一致性稳定掩码解码，在 SigLIP2 配置下以 92 张 VOC 标注和 232 张 COCO 标注分别达到 89.1% 与 58.8% mIoU。
Beyond Aesthetics: Quantifying Information Loss in Turbid Scenes: 本文用可跨浑浊等级传递真实掩码的 TUB 数据集和相位一致性梯度熵 PCD，区分“看起来变差”与“任务所需结构消失”：PCD 在文中真实及合成浑浊实验中与分割表现的相关性最强，但不能把它当成跨任意场景通用的可识别性分数。
DGSeg: Dynamic Gating of Semantic-Spatial Guided Predictions for Reasoning Segmentation: DGSeg 让 MLLM 同时产出「目标是什么」的文本语义描述和「目标在哪」的边界框空间定位作为两类互补线索，分别送入两条独立的分割分支，再用一个轻量动态门控模块逐像素估计两支的融合权重，在 ReasonSeg 零样本设定下把 7B 模型的 gIoU 推到 69.6（val）/ 67.3（test），超过 Seg-Zero、CoPRS、SAM-Veteran 等强基线。
ET-SAM: Efficient Point Prompt Prediction in SAM for Unified Scene Text Detection and Layout Analysis: ET-SAM 用轻量 Point Decoder 预测词级热力图以提取稀疏前景点，替代 Hi-SAM 从像素级分割中随机采样上千个点的做法，配合可学习任务提示和联合训练策略统一利用多粒度异构标注数据，在 HierText 上以约 3 倍推理加速达到有竞争力性能，并在 Total-Text/CTW1500/ICDAR2015 上平均 F-score 提升 11.0%。
Fast and Flexible Robustness Certificates for Semantic Segmentation: 本文把语义分割的认证鲁棒性做成"一次前向 + 一次排序"：用 Lipschitz 约束网络给出逐像素不变半径，再把"攻击者最多能让多少像素出错"归约成容量为 \((L\epsilon)^2\) 的一维背包问题，从而在 Cityscapes 的 1024×1024 图像上以约 0.1 秒给出像素精度、FNR、稳定性与类别 IoU 的确定性最坏情况下界，比随机平滑快约 600 倍。
Learning Probabilistic Embeddings for Unsupervised Action Segmentation: PEOT 用局部时序图预测每帧的高斯嵌入，以多次采样驱动最优传输伪标签和交叉熵训练，测试时只用均值，在 Desktop Assembly 上相对代码复现的 ASOT 将 MoF 从 59.0 提高到 71.2、F1 从 63.7 提高到 75.8，但并非所有数据集的所有指标都领先。
MobileManiBench: Simplifying Model Verification for Mobile Manipulation: 本文提出 MobileManiBench——一个基于 Isaac Sim 的大型移动操作仿真基准，通过强化学习自动生成 300K 多样化操作轨迹（含语言指令、多视角 RGB-D 图像、物体/机器人状态与动作），覆盖 2 种机器人平台、630 个物体、5 种技能和 100 个场景，并在此基准上系统评估了多个 VLA 模型，为移动操作的 VLA 架构验证提供了标准化平台。
PanoSAM2: Lightweight Distortion- and Memory-aware Adaptions of SAM2 for 360 Video Object Segmentation: PanoSAM2针对全景视频中的投影畸变、左右接缝和稀疏目标记忆，改造SAM2的解码与记忆机制并加入几何感知监督，使Hiera-S版本在360VOTS测试集的\(\mathcal{J}\&\mathcal{F}\)从60.2提升到65.8，但伴随一定推理速度下降。
Recurrent Cross-View Object Geo-Localization: ReCOT 用携带查询目标语义的可学习 token 反复读取卫星图特征，并以 SAM 蒸馏和参考特征增强改善循环输入，在 CVOGL 测试集上达到地面到卫星 48.10%、无人机到卫星 72.05% 的 [email protected]，模型参数为 29.9M。
StAR: Segment Anything Reasoner: StAR 不做新架构，而是沿着参数微调方案、奖励设计、学习策略、答案格式四条轴，逐一拆掉现有推理分割 RLVR 框架（VisionReasoner）中压制基座推理能力的瓶颈，并首次把并行测试时扩展（掩码级多数投票）引入分割任务；仅用 5k 训练样本就把 Qwen2.5-VL 7B 在 ReasonSeg-X 测试集上的 gIoU 从 42.2 提到 49.2（加多数投票 50.3），同时贡献了更干净的 ReasonSeg-R 与更难的 ReasonSeg-X 两个评测集。
Training-free Cross-domain Few-shot Segmentation via Robust Semantic Representation and Matching: 本文通过重新组合冻结 DINOv3 的中间特征、以可靠查询区域增强支持表示、融合多粒度原型匹配，在不做任务训练或目标域微调的条件下，实现四个目标域平均 68.39 / 73.08 的 1-shot / 5-shot mIoU。
UnderOneFacade: Worldwide Facade Semantic Segmentation Benchmark Dataset: UnderOneFacade 用静态 TLS、背包式与车载激光扫描在英国（诺丁汉）、德国（慕尼黑）、新加坡三地采集了约 366 栋建筑的立面点云，共 2.7B 个厘米级精度标注点，沿用并跨国扩展 ZAHA 的 LoFG 层级类别体系（LoFG3 15 类 / LoFG2 5 类）完成约 5,500 机时人工标注，并在 xyz-only、统一 100 epoch 的协议下评测 6 个代表性点云网络，发现最优模型在细粒度 LoFG3 上也只有约 33 mIoU，且跨洲零样本迁移会进一步腰斩。
AFFMAE: Scalable Vision Pre-Training for High-Resolution Microscopy Segmentation on Desktop Hardware: AFFMAE 将 AutoFocusFormer 的自适应离网（off-grid）令牌合并机制融入 MAE 框架，在保持仅编码可见令牌的高效不对称设计的同时，实现了层次化骨干的掩码友好预训练，使得高分辨率显微图像分割预训练可在单张消费级 GPU 上完成，以同等参数量匹配 ViT-MAE 分割精度，预训练吞吐提升 2 倍、高分辨率微调吞吐最高提升 5 倍。
Bridging the Geometry Mismatch: Frequency-Aware Anisotropic Serialization for Thin-Structure SSMs: FGOS-Net 将低频拓扑建模与高频细节筛选分开，用子带匹配的确定性扫描和拓扑条件主动探针减少裂缝断连与纹理误检，在 DeepCrack 上取得 91.29% mIoU、97.12% clDice，并在论文指定的 RTX 3090 测试设置下达到 80.2 FPS。
DINOde: Continuous Vision-Text Alignment for Open-Vocabulary Semantic Segmentation: DINOde 提出了一种基于常微分方程（ODE）的连续跨模态对齐框架，通过语义文本流、全局上下文流以及超球面切空间投影，将冻结的 CLIP 文本嵌入平滑且保拓扑地映射到自监督 DINOv3 视觉流形上，仅需 COCO 标题弱监督训练 4 小时即可在八大开放词汇分割基准上刷新 SOTA。
Editing Everything Everywhere All at Once: 针对多指令并发图像编辑中严重的跨实例属性泄漏与拼接缝隙问题，MICE 提出一种免训练且跨架构通用的平滑解耦注意力偏置策略，在单步前向中同时达成精准属性绑定与全局视觉谐调。
Evidence-Backed Video Question Answering: 针对传统视频大模型作为黑盒缺乏视觉依据溯源的问题，本文提出了证据溯源视频问答任务（E-VQA），要求模型联合生成语义答案、时序支撑片段与 6 FPS 稠密时空分割掩码，并构建了高质量基准 ST-Evidence 与 160k 规模指令微调数据集 ST-Evidence-Instruct。
Exclusivity-Guided Mask Learning for Semi-Supervised Crowd Instance Segmentation and Counting: 提出基于邻近排他圆约束的双提示 SAM（EDP-SAM）生成高质量人群掩码标签，并设计排他性引导掩码学习（XMask）与伪掩码约束计数机制，在统一半监督框架下实现稠密人群的高效实例分割与精确计数。
FeVOS: Foresight Expression Video Object Segmentation: 提出FeVOS（Foresight Expression Video Object Segmentation）任务——根据观察帧中的视觉线索预测未来事件并分割相关目标，构建包含968视频和14525条预测性表达的数据集并附带2904条合成思维链标注，设计FeVOS-R1两阶段训练框架（CoT监督微调冷启动 + GRPO强化学习纯IoU奖励精炼推理），在FeVOS上达到42.3 J&F，较微调Sa2VA基线提升6.5个点，同时在ReVOS（60.3）和MeViS（49.5）上展现出强零样本泛化能力。
FoundYou: A Unified Model for Personalized Segmentation and Retrieval: FoundYou 基于冻结的 SAM 2，重释其视频记忆注意力机制用于跨独立图像的实例对齐，仅引入 5.9M 可训练参数即构建出统一的个性化分割与检索模型，推理速度达 90 FPS（比先前统一方案 PDM 快 75 倍），在 PerMIS 分割和 ILIAS 检索基准上分别提升 18.4 mIoU 和 17.8 mAP。
Free-Lunch Augmentation by Revisiting Diffusion-Based Data Generation for Cross-Domain Few-Shot Object Detection: 针对扩散模型在跨域少样本目标检测（CDFSOD）中因领域鸿沟导致生成崩溃的难题，本文将领域鸿沟解耦为视觉鸿沟与语义鸿沟，提出结合定制化弱噪声与自适应前景/背景修复的免训练数据增强方法 SITN，大幅刷新 6 大 CDFSOD 与 4 大 CDFSS 基准 SOTA。
GH-ESD: Grounded Hypothesis-Driven Error Slice Discovery for Instance-Level Vision Tasks: 针对传统错误切片发现方法局限于图像级表征聚类或独立属性标签、无法捕捉实例级空间与关系型失败模式的痛点，GH-ESD 提出了空间定位假设生成与单调敏感度统计检验框架，并在首个实例级错误切片基准 GESD 上将 Precision@10 显著提升 0.10。
GroundingAnomaly: Spatially-Grounded Diffusion for Few-Shot Anomaly Synthesis: GroundingAnomaly 提出了一个基于预训练扩散模型的小样本异常生成框架，通过空间条件模块将密集语义图与解耦文本 token 融合，并利用门控自注意力层注入冻结的 U-Net，实现了缺陷位置与类别的精准空间控制以及高保真异常图像合成。
HASSL: Hierarchy-Aware Self-Supervised Learning Framework for Single Cell Microscopy: 针对单细胞显微图像自监督学习中粗粒度成像模态掩盖细粒度形态学层次结构的问题，HASSL 提出了引入分割弱先验的双教师 DINO 蒸馏与基于 HDBSCAN 层次聚类树的稳定性加权对比损失，在 230 万单细胞图像上实现了模态解耦与形态子簇的精准对齐。
Hierarchical Prompt Injector for Domain Generalization Segmentation: 针对域泛化语义分割中整类提示模糊且全图无差别注入导致负迁移的问题，提出空间分层提示（SHP）与分层提示注入器（HPI），通过分解多视角几何锚点、引入语义对齐与空间一致性双置信度门控及对齐损失，在合成至真实基准上达到 70.62% mIoU 的 SOTA 表现。
Hierarchical Spatial and Channel Aggregation for Cross-domain Few-shot Segmentation: 本文提出 DHANet，通过沿空间维度进行层次聚合以缓解语义过对齐、沿通道维度进行层次聚合以缓解属性过对齐，并利用在线概率语义库在推理时提供额外支持信息，在四个跨域少样本分割基准上取得 SOTA。
Hyperbolic Hierarchical Clustering for Visual Representation Learning: 针对传统视觉骨干网络黑盒化及现有聚类骨干在计算复杂度和欧氏层级表征上的缺陷，本文提出显式可解释的聚类特征混合器 ClusterMixer 与 HCFormer 架构，通过解耦的局部欧氏补丁聚类与全局双曲窗口聚类，以线性计算复杂度实现高精度与强解释性的多尺度视觉表征学习。
Interpretation-Oriented Cloud Removal via Observation-Anchored Residual Flow with Geo-Contextual Alignment: 提出面向解译的地理锚定云去除框架 GACR，通过以含云观测为锚点的残差流匹配与视觉基座模型地理语境流形对齐，消除厚云区域幻觉与语义漂移，在显著提升像素恢复保真度的同时全面增强下游高层解译精度。
Layering Virtual Try-On: 针对传统虚拟试穿依赖服装无关掩码导致无法保留内层衣物的难题，本文提出将通用试穿先验与特定叠穿逻辑解耦的两阶段训练范式，通过视频跨帧姿态失配合成与时序反转增强，首次实现了自然保真、支持连续穿脱叠加的掩码无关多层虚拟试穿。
Learning Accurate Segmentation Purely from Self-Supervision: Selfment 提出了一个完全无需人工标注、预训练分割模型（如 SAM）或 CRF 等后处理的前景分割框架，通过自监督视觉基座提取的 dense 特征构建 patch 亲和图并用归一化割（NCut）初始化，引入基于特征空间聚类的迭代 Patch 优化（IPO）消除谱松弛噪声，并以此伪标签监督轻量投影头联合优化对比与区域一致性损失，在无监督显著目标检测与零样本伪装目标分割上均大幅刷新 SOTA。
Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation: 针对掩码精炼中传统形态学噪声缺乏语义结构的问题，本文提出 Phoenix 框架，在轻量解码器隐空间生成真实且可控的对抗扰动噪声，并结合三向对比掩码精炼学习（CMRL），在弱监督、实例及细粒度分割任务上显著超越现有 SOTA 精炼器。
Learning Structurally Consistent Representations for Multi-View Radar Semantic Segmentation: 针对毫米波雷达多视角语义分割中点阵稀疏离散、回波多径碎片化以及跨投影视图测量密度不均的瓶颈，HyperRadar 提出利用可学习超图建模同一目标多处回波的高阶关联，并结合非平衡最优传输（UOT）实现松弛质量约束的免对应跨视角特征对齐，在 CARRADA 和 RADIal 基准上分别取得 63.8% 和 83.4% mIoU 的 SOTA 性能。
Learning with Bilevel-Minimax Optimization for Efficient and Reliable Transfer Attacks: 针对传统基于替代模型的黑盒迁移攻击将初始化、扰动生成与模型自适应割裂优化的问题，本文提出 BMAT（双层极小极大对抗迁移攻击），将三者形式化为双层极小极大统一优化问题，通过软权重调制器与隐式梯度近似器实现高效协同求解，在图像分类与语义分割任务上显著提升跨架构黑盒迁移能力。
Liquid Fusion of Heterogeneous Representations Towards General Salient Object Detection: 针对单一模型在通用显著性目标检测中存在的频域偏置盲区，LFNet 将 VMamba 的连续全局语义与 ConvNeXt 的局部网格细节分别建模为液态神经网络的“演化状态”与“外生刺激”，配合频空协同的显著性引导上采样算子，在 RGB、RGB-D、RGB-T、VSOD 和 VDT 五大任务上全面超越现有纯 SSM 与 Transformer 方案。
LoCA: Spatially-Aware Low-Rank Convolutional Adaptation of Vision Foundation Models: 针对传统 LoRA 粗暴展平 4D 卷积核破坏空间拓扑与有效感受野收缩的问题，LoCA 提出空间-通道解耦的卷积自适应框架，通过低秩通道混合结合预训练核协方差 SVD 空间基底微调与分层秩调度，在显著减少可训练参数的同时大幅提升跨域分割与视觉微调泛化性。
ModuSeg: Decoupling Object Discovery and Semantic Retrieval for Training-Free Weakly Supervised Segmentation: ModuSeg 将弱监督语义分割显式解耦为"类无关目标发现"和"语义检索"两个独立阶段——用通用 Mask Proposer 提取几何提案、用离线特征银行进行非参数检索，在完全不需微调的情况下以训练集仅图像级标签达到 VOC 86.3 mIoU 的 SOTA。
Pixel-wise Planarity for High-Precision Monocular Plane Segmentation: 本文提出了一种基于逐像素共面度预测的高精度单目平面分割框架，通过冻结预训练几何骨干、附加轻量共面度预测头，并结合 GPU 并行无迭代区域生长与高一致性真值重构，显著压低平滑非平面区域的伪检率，在严苛物理共面阈值下取得优异的 3D 分割精度。
RA-SOD: Reliability-Aware RGB-T Salient Object Detection under Modality Degradation: 针对真实场景中可见光与热红外传感器频发的噪声、失真与质量退化，RA-SOD 提出了贯穿表征、解码与融合全周期的可靠性感知检测架构，通过残差混合专家表征补偿、不确定性引导的双流双向纠偏及像素级模态竞争，显著提升了恶劣环境下的显著性目标检测鲁棒性。
Residual-Guided Expert Specialization for Incomplete Multimodal Learning: MARS 提出一种混合专家（MoE）框架，通过计算完整模态与缺失模态表征之间的残差来捕获模态缺失导致的表征偏移模式，以此引导专家特化；同时引入双路由器蒸馏和差异感知噪声正则化解决训练-推理路由不一致问题，在不完备多模态分类和分割四个数据集上全面超越 SOTA。
SAM-MT: Real-Time Interactive Multi-Target Video Segmentation: 基于 SAM2 架构构建交互式实时多目标视频分割框架，通过解耦掩码注意力隔离跨目标干扰并共享全局上下文，结合时序轻量稀疏记忆，将多目标推理延迟与目标数量完全解耦，在 10 个目标下实现超 36 FPS 的实时分割。
SARIF: Segment Anything for Robust Image Forensics: SARIF 同时运行一个冻结的原始 SAM 编码器和一个 LoRA 微调编码器，计算两者在各全局注意力层的残差作为篡改特定线索，再与上一轮预测掩码融合成提示、驱动 SAM 原有轻量解码器做 5 步渐进精化，在跨数据集篡改定位上达到了最强的平均性能。
Seek to Segment: Active Perception for Panoramic Referring Segmentation: 针对传统指称分割被动依赖静态单视角的瓶颈，本文提出主动全景指称分割任务（APRS）与智能体 PanoSeeker，通过显式全景空间记忆 EgoSphere 消除探索死循环，结合两阶段 SFT 与 GRPO 强化学习，实现了高效的主动寻物与精准对齐分割。
Segmentation-Guided Homography Estimation for Long-Term Planar Tracking: 本文提出免训练的单应性估计流程 SAM-H，利用通用视频分割模型 SAM 2 的边缘轮廓与霍夫变换几何拟合恢复四边形 8-DoF 姿态，并与光流对应点跟踪结合构建级联跟踪器 WOFTSAM，在 PlanarTrack 与 POT-210 基准上刷新 SOTA。
Segmenting, Fast and Slow: Real-Time Open-Vocabulary Video Instance Segmentation with Dual-Path Processing: SegFS 提出双路径快慢框架用于开放词汇视频实例分割（OV-VIS），在稀疏关键帧上运行完整的 object-centric 模型提取实例嵌入，然后将嵌入投影回骨干网络特征空间，以轻量级 Fast Feature Aggregator 在中间帧上完成高效的实例重定位与分割，实现了高达 14 倍的端侧延迟降低并首次在移动设备上跨越 30 FPS 实时阈值，同时性能损失控制在 1 AP 以内。
SegPAR: Class-Centric Decision-Based Sparse Attack for Semantic Segmentation: 针对语义分割中黑盒决策基稀疏攻击搜索空间巨大且反馈易失真的难题，SegPAR 将全图搜索重塑为类别中心的并行探索，并提出基于累积状态的差异奖励机制，以极低像素扰动实现了前所未有的分割精度破坏。
Semantic Generative Tuning for Unified Multimodal Models: 本文系统探索了统一多模态模型（UMM）中不同粒度视觉任务作为生成代理的作用，提出以图像分割为生成式代理任务的语义生成微调（SGT），有效弥合了文本理解与像素生成表征空间的割裂，实现了理解与生成能力的双向增强。
STARLINC: Satellite Trail Artifact Removal using Inter-Frame Correlation: STARLINC 针对天文巡天中日益严重的低轨卫星划痕污染，利用多历元时序重叠观测构建结构相似度帧间差异图，并结合分类器 Grad-CAM 热图作为粗先验，仅依靠合成划痕训练 U-Net 便实现了 0.485 mIoU 的无监督像素级精细分割，避免了传统人工筛查直接丢弃整张巡天图像的巨大观测损失。
Toward Robust In-Context Segmentation via Concept Guidance: CG-ICS 将 in-context 分割问题重新定义为概念引导的提示分割问题：用 MLLM 生成候选概念 + SAM3 打分 + 树搜索选出最佳文本概念，同时用图像拼接技巧从参考图提取查询侧的视觉样例，两者共同驱动冻结的 SAM3 完成分割，在保持高精度的同时显著降低不同参考选择导致的结果方差。
Unified Video Dense Prediction from Disjoint Data: 针对多任务密集标注在跨数据集下互斥割裂且视频标注极其匮乏的难题，本文提出 UniD，利用预训练扩散模型的通用视觉先验，在完全互斥的异构静态/视频数据集上训练单任务专家，并通过轻量级投影器在隐空间联合蒸馏出共享主干，仅需一次前向传播即可实时统一预测深度、法线、反照率、着色、边界、语义、材质及人体部件等 8 项视频稠密属性。
Unsupervised Semantic Segmentation Facilitates Model Understanding: 针对自监督视觉 Transformer 内部表征机制理解不直观且易混淆对比学习与掩码图像建模特性的痛点，本文提出了一套极简的无监督语义分割可视化与量化探测协议，通过跨图像 k-means 聚类与归一化互信息评估，揭示了掩码图像建模中 Key/Query 的绝对位置效应是引发局部注意力偏差的上游成因，并首次从位置伪影视角阐明了 DINOv3-Large 密集预测逆缩放的根源。
VCP-DCN: Beyond Visual Concealed Property via Depth Collaborative Network for Camouflaged Object Detection: 针对 RGB-D 伪装目标检测中统一掩码监督导致的跨模态同质化退化问题，本文提出渐进式深度协同网络 VCP-DCN，构建可分离原型嵌入（SPE）、多模态双重注意力（MDA）与深度自适应注入（DAI）模块，解耦并自适应融合模态一致性与专有特征，刷新了 CAMO、COD10K 和 NC4K 基准。
When W4A4 Breaks Camouflaged Object Detection: Token-Group Dual-Constraint Activation Quantization: 针对 Transformer 伪装目标检测在 W4A4 极限低比特量化下背景重尾激活主导范围导致微弱边界坍缩的现象，COD-TDQ 提出了直和 Token 分组（DSTG）与双重约束范围投影（DCRP），无需重训练即可大幅恢复检测精度并实现 1.5 倍推理加速。
Whence the Voice? Self-supervised Dual-source Audio-Visual Localisation via Selective Convergence: 发现对比式音视频学习在混合声音中天然偏向主导声源的“选择性收敛”现象，据此提出无需标注的两阶段递进解耦框架 SCAV 并建立像素级评测基准 VGGSound-DuetMask，大幅刷新双声源自监督定位性能。
X2SAM: Any Segmentation in Images and Videos: X2SAM 用 Qwen3-VL 当大脑、SAM2 当掩码编码器，加上一个语言条件化的 Mask Memory 模块，把 LISA/X-SAM 式的图像 any-segmentation 统一扩展到视频，一个对话接口同时支持文本与视觉提示下的 14 类图文分割任务，在视频推理分割 ReVOS 上取得 69.9 J&F、视频 GCG 分割 75.8 mIoU，并以统一联合训练把训练成本降低约 36.5%。
ZMIS-SAM: Segment Anything Model Enhanced With Wavelet Transform For Zooplankton Microscopy Image Instance Segmentation: 把 SAM 的 ViT-H 图像编码器改造成「形态/强度双适配器（ZM-ViT）+ 通用/领域特征聚合（NFAM）+ 小波多尺度多方向增强（WM2FE）」的浮游动物专用实例分割模型，并配套发布首个该领域数据集 ZMIS5K（5,358 张像素级标注图、47 个物种、10,228 个实例），在 ZMIS5K 测试集上取得 mAP 73.6 / AP50 94.6 / AP75 80.7，较最强 SAM 基线 RSPrompter 分别提升 1.8 / 2.4 / 3.8 个点。
CRISP: Calibration-Aware Visual State Space Duality for Remote Sensing Image Segmentation: 针对视觉状态空间对偶（VSSD）全局归一化聚合引起高频能量衰减与边界平滑的缺陷，CRISP 提出了在线性复杂度内重用聚合权重的对偶校准算子（DCO）与端到端正交多原型（OMP）解码器，在轻量约 32M 参数下实现了遥感影像细粒度多模态特征与清晰边界的高效保留。
CURE: Contextual Debiasing and Unbiased Refinement for Training-Free Open-Vocabulary Semantic Segmentation: 针对基于预训练视觉语言模型的免训练开放词表语义分割中全局上下文偏置导致的特征同质化与定位退化问题，提出无需额外训练的 CURE 框架，通过异常 Token 剔除重建、非异常均值去偏以及中层特征空间相关性细化三阶段，显著提升稠密预测质量并消除大容量模型的性能倒挂。
Deformable and Multi-view Gradient-Aligned Physical Adversarial Camouflage: 针对 3D 物理对抗伪装中视点离散更新导致的局部空间断裂与多视点破坏性梯度冲突两大难题，本文提出解耦内容与几何形变的可变形纹理场（DTF），并结合多步轨迹一阶元优化策略（GAMO）隐式最大化跨视点梯度对齐，显著提升了全向物理对抗伪装的泛化性与鲁棒性。
DocLayout-VL: A Foundational Model for Hierarchical, Open-set, and Promptable Document Layout Segmentation: DocLayout-VL 将文档版面分析重构为提示驱动的开放词表层次化分割任务，结合 VLM 生成带标记的版面树、层次化定位上下文器（HGC）建模父子兄弟约束以及 SAM 解码器输出像素级掩码，在 8000 万掩码预训练数据支持下实现了显著超越传统检测模型与多模态大模型的 SOTA 性能。
E-MOTION: A Dataset for Event-Based Scene Flow Estimation with Independent Moving Objects: E-MOTION 是首个基于真实高分辨率双目事件相机打造的大规模场景流基准数据集，提供在独立运动物体与手持相机复杂动态下的 200 Hz 亚毫米级稠密 3D 场景流、深度、光流及物体分割真值。
EDM:Event-guided Diffusion Model for Video Shadow Detection in Complex Dynamic Scenes: 首次将事件相机引入视频阴影检测任务，提出基于事件流运动轨迹注意力与双向掩码生成的扩散模型 EDM，并构建真实多模态基准 EVSD，有效破解高速运动与极端光照下的阴影漏检与边界模糊难题。
Forget, Anticipate and Adapt: Test Time Training for Long Videos: 提出 Frame Forgetting Network（FFN），通过只处理滑动窗口中退出/进入两帧的「遗忘—预测—适应」机制，将长视频测试时训练的计算复杂度从 O(k) 降至常数，并基于「惊异度」动态决定何时执行 TTT，在密集分割、深度估计和动作分类上达到更优的精度-效率权衡。
Foundation Model Selection for Remote Sensing via a Constraint-Aware Agent: 针对遥感领域基础模型激增且文档异构分散导致选型困难的痛点，本文构建了涵盖160余个遥感基础模型的结构化数据库RS-FMD，并提出了首个约束感知智能体Remsa，通过元数据对齐、动态编排、规则过滤与上下文排序实现自动化、高可解释的遥感模型精准推荐。
Free‑CD: Probabilistically Decoupled Training-Free Open-Vocabulary Change Detection with Resolution-Invariant Feature Inversion: 针对传统开词汇表变化检测中实例分割引入的过分割与边界模糊缺陷，本文提出无需任务特定微调的 Free-CD 框架，将变化检测解耦为潜在变化概率估计与双时相开词汇表语义分割，并结合分辨率不变特征反演上采样器（RIFI-Up）与贝叶斯概率校正，显著刷新多项遥感基准 SOTA。
Frequency Director: Learnable Mixture of Frequency Experts for Unified Concealed Scene Segmentation: 针对隐蔽场景分割跨场景跨模态分布差距大与目标伪装性强的双重瓶颈，提出首个基于频域调控的统一模型 FreqDirect，通过频域专家混合（MoFE）自适应路由任务特异性频谱表征，并辅以空间共性锚点（SCA）保持边界拓扑一致性，仅微调约 5% 参数即可在 8 个隐蔽场景上超越现有统一模型并比肩专精专家模型。
From Script to Shot: A Benchmark for Grounding Screenplays in Movies: 提出了首个涵盖跨越9个年代50部完整故事片、超过5.5万个经过人工校验的剧本场景到电影镜头对齐基准“From Script to Shot”，揭示了对白与视觉通道在叙事Grounding中的互补性与“对白锚定效应”，并在零样本场景分割与文本生成视频导向提示中验证了下游泛化价值。
From Visual Primitives to Semantic Masks: Fine-Grained Visual-Linguistic Alignment for Open-Vocabulary Remote Sensing Image Segmentation: 针对遥感图像中细粒度概念视觉高度相似与文本表征坍缩的痛点，SANO3 提出无需训练的框架，通过 DINOv2 拓扑自相似先验提取视觉基元、基于 Plackett-Luce 模型进行关系感知图文对齐、向文本流注入动静态混合原型，并以贪婪信息熵减迭代优化正负空间点提示，在新建的遥感细粒度评测基准 FG-OVSSRS Bench 上刷新 SOTA。
Geo-DPO: Aligning Semantic Intent with Geometry for 3D Affordance Segmentation: 针对 3D 多模态大语言模型在序列可用性分割中因 <SEG> token 过度压缩导致的几何模糊与边界外溢问题，Geo-DPO 提出了分层几何适配器注入多尺度 3D 物理先验，并结合基于软 IoU 与形状原型的对比式可用性偏好优化，实现了语义意图与真实物理几何边界的高精度对齐。
Harnessing SSL for Segmentation in 3D Microscopy with Noisy Labels and Hard Patches: 针对三维显微图像标注稀缺、半自动标注噪声严重以及荧光杂斑难分割的痛点，本文提出了在超200万显微体块上自监督预训练的3D ViT基础模型 \(\mu\text{3DINO}\)，并设计了结合特征队列与自校正协同训练的 \(\mu\text{DivSeg}\) 框架，实现了兼顾标签除噪与难例聚焦的高精度3D显微图像分割。
HIDA: A Human-Intuition-Guided Depth-Aware Framework for Zero-Shot Amodal Segmentation: HIDA 将冻结的 SAM 与 Depth Anything V2 作为即插即用的先验抽取器，通过基于深度极性的自适应裁剪定位遮挡区域，并配合遮挡感知软路由 MoE 增强轻量 ViT 表征，仅凭可见边界框即实现高精度零样本与全监督非模态分割。
IACD: Iterative Adversarial Collaborative Detection via Dual-Perspective Blind Spot Discovery: 针对主流检测器单纯依赖外观特征导致隐蔽目标系统性漏检的根本缺陷，IACD 提出了基于“搜寻者-隐蔽者”双重视角的对抗协同框架，在完全冻结预训练 YOLOv11m 的基础上引入约 9M 参数的轻量级隐蔽者分支，仅凭检测器自身的假阴性（FN）样本进行弱监督挖掘，利用环境适宜度与检测覆盖差值生成盲区图，并通过严格有界的残差注意力门控引导二次推理，高效召回漏检目标。
Intra-Class Consistency Guided Class-Agnostic Event Segmentation: 针对事件流空间稀疏性导致的类内一致性匮乏问题，提出 IC2-ESeg 框架，通过物理生成机理无学习地显式挖掘噪声、运动与亮度表征，并借助分阶段轻量注入与跨模态蒸馏将 SAM 的开集通用分割能力迁移至事件相机。
Iterative Refinement of Semantic and Spatial Representations for Open-Vocabulary Camouflaged Object Segmentation: 针对开放词汇伪装目标分割中单向一次性语义注入导致的错误累积难题，本文提出 ISSR 框架，通过空间感知类别重排序器与语义分配调制器构建闭环双向交互，使空间掩码结构与文本语义表示在多轮迭代中交替校准，在 OVCamo 基准上将 cSm 指标大幅提升 14.4%。
Kiroshi: An Agentic Perception System for High-Accuracy Image Parsing: 针对传统交互抠图依赖人工反复核验、而多模态大模型（MLLM）在像素级密集预测上精度不足的瓶颈，Kiroshi 将图像解析建模为显式的 plan-and-act 智能体交互循环，通过 MLLM 输出紧凑的文本化网格动作指导动作模型进行局部注意力精修，并结合基于残差采样的轨迹偏好对齐（DPO），实现了全自动、高保真度的目标抠图与分割。
LogFA: Efficient Feature-Space Data Augmentation for Egocentric Temporal Action Segmentation: LogFA 针对第一人称长视频动作分割中少样本泛化差与数据采集成本高的瓶颈，提出在预提取特征空间直接进行局部（提示词增强的跨模态文本特征映射）与全局（基于广义 DAG 的合理步骤重排）数据增强，以极低计算开销显著超越图像变换与像素级生成式扩散方法。
MiNQVIS: Mitigating Noisy Queries for Robust Online Video Instance Segmentation: 针对现实复杂视频中遮挡、模糊与背景杂波引发的噪声查询污染问题，MiNQVIS 提出查询级门控、视频级原型对比学习与双记忆融合关联，系统性消除错误检测对表征监督和在线时序关联的漂移与退化。
MomentSeg: Moment-Centric Sampling for Enhanced Referring Video Object Segmentation: 针对多模态大模型在视频引用目标分割（RefVOS）中依赖启发式采样或外部关键帧模型的难题，MomentSeg 联合优化时序句子定位（TSG）与分割任务，提出基于 [FIND] 标记的原生关键时刻定位机制、以时刻为中心的分层自适应采样（MCS）以及双向锚点更新传播（BAP），在 MeViS 和 ReVOS 上分别取得显著 SOTA 表现。
NAPA: Natively Multimodal Autoregressive Perception Architecture: 提出单阶段早期融合 Transformer 架构 Falcon Perception (NAPA)，通过混合双向-因果注意力与粗到细自回归感知链，消除编码器-解码器割裂并实现高分辨率掩码并行高效生成。
NUN: Nested Unfolding Network for Real-World Concealed Object Segmentation: 针对真实退化条件下隐藏目标视觉线索微弱且易受干扰的问题，NUN 首次提出“DUN-in-DUN”双层嵌套深度展开架构，由外层分割展开网络 SODUN 嵌套内层退化鲁棒恢复网络 DeRUN，通过参数解耦的双层优化与双向交互机制，从数学与架构上消除了低层恢复与高层语义分割间的梯度冲突。
PhenoLeaf-TS: A Time-Series Benchmark for Leaf Instance Segmentation, Tracking, and Growth Stage Classification: PhenoLeaf-TS 构建了首个包含 21 种拟南芥基因型、318 株重复样本与 17,082 张俯视图像的时序叶片基准，通过固定 31 色调色板保持跨帧叶片 ID 一致性，系统评测了 21 种主流分割、跟踪与分类模型并验证了显著的跨数据集迁移收益。
PoseImageNet: Pose Estimation for Extensive Classes Based on Rich Structure Prototypes: 针对传统姿态估计局限于单一类别与单一刚性结构、多类别数据集类别贫乏的问题，本文基于 ImageNet 构建了涵盖 720 个语义类、3500+ 个结构原型的多类别姿态数据集 PoseImageNet，并提出了一种通过动量代价矩阵动态匹配共享 Query 的基线模型，将全类别平均 [email protected] 提升至 57.0%。
QST-SAM: Leveraging Cross-modal Instructions for Few-shot Referring Video Object Segmentation: 针对少样本指代视频目标分割（FSRVOS）中跨视频文本语义不匹配与多模态对齐难题，本文解耦语义意图与视觉示例（仅在查询端保留文本），并提出基于 SAM 2 的 QST-SAM 架构，利用支持指令压缩器、三分支 Q-S-T Transformer 及多重先验提示模块实现高精度视频分割。
ReliefSAM: A Geometry-Augmented Multi-Prior Adapter for Bas-Relief Segmentation: 针对浅浮雕单目历史照片中由于极端材质同质性与微弱几何反差导致的边界分割难题，ReliefSAM 冻结 SAM 主干并通过轻量多先验特征编码器与双向交互适配器，显式注入从单幅 RGB 生成的图像对齐深度与软边缘先验，在免提示条件下实现了高精度的浮雕人体区域分割。
Rethinking Adversary in Semantic Segmentation: An Out-of-Distribution Perspective: 针对传统语义分割对抗攻击仅在分布内（ID）流形切向扰动以越过决策边界的局限，SegOOD 提出通过特征级 Wasserstein 分离与面积加权 KNN 分离目标将对抗表征显式推离 ID 流形，结合混合对抗训练大幅提升了防御 ID 与 OOD 混合扰动的综合鲁棒性。
Seeing as Humans Do: Learning from Motion to Segment Anything Without Supervision: MoSA 提出了一种无需人工标注的三阶段无监督分割框架，通过视频运动分割先验、多尺度感知分组对比学习与全图/交互式模型适配，仅利用无标注视频与极少量无标注静态图像便实现了比肩全监督 SAM 的零样本通用分割能力。
SGQA: Semantic-Geometric Quality Alignment for Training-Free Few-Shot Instance Segmentation: 针对冻结基础模型在免训练少样本实例分割中语义与几何打分脱节的问题，本文通过渐进式 Oracle 替换定位出打分阶段占整体性能差距的 64%，并提出无超参数的几何平均打分公式 SGQA，在无需微调或额外参数的情况下显著纠正候选掩码排序，大幅刷新 SOTA。
SkelEM: Training-Signal Decoupling of Skeleton and Diffusion for Self-supervised Axial Super-Resolution in Volume Microscopy: SkelEM 提出一种自监督轴向超分辨率框架，通过将拓扑骨架网络与扩散精炼器的训练信号完全解耦（无共享梯度），以冻结的确定性骨架锚定结构拓扑、再用截断扩散在不超过 5 步内恢复高频生物纹理，在保真度-感知质量-推理速度的三难困境中取得自监督方法中最优的平衡，并在膜分割下游任务上达到 SOTA。
Steerable Visual Representations: SteerViT 把轻量门控交叉注意力层交错插进冻结的 ViT（如 DINOv2）内部，让文本在视觉编码「过程中」就介入，用一个 patch 级指代分割代理任务训练，仅加 21M 参数就能让视觉特征被自然语言「操控」聚焦到任意物体，同时几乎不损失原 ViT 的表征质量，在文本条件检索、个性化物体判别、工业异常分割等任务上零样本追平甚至超过专用方法。
SyncVL: Synchronizing Vision ⟷ Language Using Unsupervised Adaptation: 针对双模态对比视觉语言模型在无标签下游目标域中存在的模态差距与域偏移问题，SyncVL 在完全冻结预训练主干的前提下引入双向轻量 Transformer 同步器，通过借鉴群体相对策略优化 (GRPO) 形式化一致性与对齐奖励，配合潜在空间互蒸馏实现全无监督双向模态同步。
Thermo-JEPA: Learning a Geometry-Grounded Thermal World Model via Cross-Modal Privileged Masking: 针对热红外视频中物体因热平衡导致的“帧内空间均质化”难题，Thermo-JEPA 提出特权信息学习范式，利用配对 RGB 提取置信度门控的空间拓扑作为软先验注入教师自注意力机制，在杜绝模态污染的同时实现了纯热成像下的高质量世界模型动态预测。
Towards Unsupervised Multi-modal Semantic Segmentation: 针对无监督语义分割在直接引入多模态信号时普遍发生的“融合性能退化”，本文提出 UniM2 框架，以跨模态对应协同（CMCS）作为内在无标签监督信号构建统一表征空间，并通过以 RGB 为主锚点的跨模态调和器（CMH）解耦梯度冲突，首次在完全无标注条件下实现了显著超越单模态基线的跨传感器多模态分割增益。
When Specialists Meet Generalists: Segmenter-Coordinated Asymmetric Learning for Label-Deficient Concealed Object Segmentation: 针对标签稀缺场景下隐藏目标边界模糊和伪标签噪声累积问题，提出非对称协同学习框架 SCALER，交替利用领域分割器与可学习基础模型（SAM/SAM2/SAM3）的异构归纳偏置进行互补优化，在 COD、PIS 和 TOD 等八项任务上取得显著增益。
XSemanticFlow: Cross Object Semantic Alignment for Zero-shot Manipulation: XSemanticFlow 在 PartField 特征场上用只看语义、不看坐标的层级自/交叉注意力预测跨实例软对应，经 SE(3) 主干微调、Objaverse 自监督跨位姿对齐与 PartNet-Coseg 有监督微调三阶段训练；自分割较最强基线 +19.1 mIoU/+20.6 Acc，跨实例共分割 +10.9 mIoU/+12.5 Acc，单参考演示零样本重映射在 Mug Hanging 与 Block Pouring 达 80% 与 70%，明显超过视频生成基线。