🔄 自监督/表示学习¶
🎞️ ECCV2026 · 3 篇论文解读
📌 同领域跨会议浏览： 📷 CVPR2026 (91) · 🔬 ICLR2026 (81) · 💬 ACL2026 (1) · 🧪 ICML2026 (28) · 🤖 AAAI2026 (16) · 🧠 NeurIPS2025 (34)
- ExPLoRe: Expert Patch-Level Loss Routing for Multi-Objective Masked Image Modeling
-
ExPLoRe 将 Soft-MoE 的调度权重 (dispatch weights) 重新用作多目标掩码图像建模中逐 patch、可学习的损失系数，通过损失耦合 (loss-coupling) 机制让路由器依据不同区域的语义特性动态调整各目标的权重，在 ImageNet-1K 上以更低的推理计算量（11.93 GFLOPs vs. 17.45）达到了 80.6% linear probe 和 85.3% finetuning 精度，并提出了三组下游迁移策略（Freeze Routing / Expert Dropout / Freeze Attention）将语义分割的 mIoU 差距从 2.5–2.9 完全弥合。
- From Phase to Phenomenon: Self-Supervised Learning of Subsurface Scattering with Minimal Phase-shift Inputs
-
提出一套自监督预训练框架，利用投影仪-相机系统仅需8张高频相移条纹（PSP）图像即可学习通用的次表面散射（SSS）表征，再通过解码器预测各向异性散射足迹，实现零样本重光照，将新物体的数据采集量从数千张降至8张。
- LoT-Pass: Long-term-robust Image Watermarking for Image to Video Generation
-
LoT-Pass 提出双向鲁棒策略——训练阶段用时序演变模拟主动扩大水印的鲁棒距离，推理阶段用光流反演把严重漂移帧"拉回"可提取状态——首次在 I2V 生成场景下实现超过 95% 的视频级水印提取准确率。