广工等三校提出RVSD：剪掉67%视觉token，视觉大模型反而更少幻觉
大型视觉语言模型（LVLMs）的视觉幻觉问题，本质上是个“看图说话翻车现场”——模型明明没看见那个物体，却说得言之凿凿。
标签：模型架构
共 332 篇
清华&Z.ai新作：把推理草稿提到正文前，长上下文难题准确率暴涨近3倍？
写代码时如果发现bug，你会不会把错误日志贴到代码最前面，一边看一边改？清华与Z.ai这篇新作就是干这个的：让大模型先自己想一遍，把推理草稿提到长正文前面再来一次，GraphWalks上准确率直接从29.2%飙到81.8%！
胶囊内镜图太糊看不清？无监督Transformer超分方案让病灶细节放大4倍还更清晰
无线胶囊内镜拍出来的图常常模糊不清，而真实场景下几乎不可能拿到一一配对的清晰与模糊图对。这篇来自印度SVNIT与挪威NTNU的工作把Transformer放进无监督GAN里做四倍超分，还顺手提出了一个内镜专用的无参考画质指标，代码与预训练模型均已开源，值得做医学影像增强的读者仔细看看。
西南科大最新研究：AI "边涂色边切割"，扩散模型玩转医学影像分割
图像恢复越清晰，检测反而越容易翻车？SafeRestore告诉你：别急着让AI"修复"图像，先给修复结果发张"安全认证"再放行。这篇论文最精彩的地方，是诚实地展示了自适应策略如何在五次实验中只通过一次认证——比简单插值还没牌面。
一次预训练让检索大涨55%？遥感基础模型的“成分感知”新范式
很多人第一次看卫星图会觉得诧异：为什么遥感基础模型的检索效果总是不如预期？明明模型参数已经加到几亿甚至几十亿，预训练语料也够大，遇到“港口”“农田”“城市”这类场景，还是经常把完全不同的图像混在一起。
最新轻量级AIO天气恢复：80%参数全免，速度提升5倍？FReSH-IR详解
一个模型搞定雨、雪、雾，还要把大模型的参数量和算力砍掉80%？FReSH-IR给出了一份“轻量但能打”的答案。本文将拆解它是如何通过高低频分流、谐波融合，在几乎不掉点的前提下把推理速度提升数倍，并且让边缘设备也能跑得动。
最新证明：扩散本质是注意力，免训去噪网络还快8.5倍
主流生成两座大山——扩散模型和Transformer注意力，这篇论文却用凸优化推出了一个有点反常识的结论：扩散模型的最优去噪解，本质上就是自注意力；Softmax也因此有了统计检测层面的解释。更实用的是，利用等价性可以跳过昂贵的去噪网络训练，直接基于近邻潜向量插值生成，单张耗时仅0.02秒、实现8.5倍加速。理论派和实践派都值得一读。
冻结VLM也能救模态缺失？纽约州立大学提出TLP，只调logit涨8个点
龙哥先问一个场景：你正在用CLIP做图文检索或者分类识别，模型在完整图文输入下表现一切正常。结果换上真实业务数据，图像传感器抽风了、文本因为隐私脱敏被清空了、数据库某个字段残缺不全——模型性能瞬间崩掉一大截。
从时间序列到3D形状：一个框架通吃四类生成任务
先看一个让龙哥觉得有点"反直觉"的画面：下面这张图，从左到右分别是64×64、128×128、256×256、512×512，直到1024×1024分辨率的人脸生成结果。
雨天雪天雾天通吃？慕尼黑工业大学UAR-Net四项基准刷新SOTA
雨天、雪天、雾天，一个模型全搞定？针对统一恶劣天气修复中“全局聚合不分天气、跨尺度融合太粗暴、目标函数太自信”三大痛点，慕尼黑工业大学团队祭出UAR-Net，用门控Transformer加不确定性建模，直接刷新SOTA。结果实在，思路清晰，搞图像恢复的同学值得一读。
Adobe新作：给扩散模型加“概念级”水印，画风被抄也能溯源91%+
AI生成内容的版权保护一直是个复杂话题。生成一张"梵高风格的戴珍珠耳环的猫"成本不到一秒，但版权归属问题却难以解决。传统水印在像素空间里做文章，但容易失效。
550维难题也扛得住！扩散模型跨界当MCMC，冷启动一两轮直达平衡
扩散模型天天做图，这次被一位独立学者硬生生掰成了MCMC全局采样器。不用变分目标，只靠标准去噪训练加一堆MALA样本，就能在550维贝叶斯后验上实现跨模式跳转，冷启动一两轮直达平衡区。这事儿有意思，值得一读。
