此外，对于水下生物多样性的挑战，未来可以尝试将零样本学习（zero-shot learning）或小样本学习（few-shot learning）能力融入模型，使其在面对未知物种时也能做出合理的识别和描述，这对于真正的海洋探索应用至关重要。例如，在低光和浑浊场景下，NAUTILUS (LLaVA-1.5) 的性能提升分别高达7.5和8.1 PR@0.5，充分证明了其在复杂多变的水下环境中的强大适应

本文提出神经分布先验(NDP)框架，解决LiDAR感知中类别不平衡导致的OOD检测难题。通过可学习的注意力模块动态校准OOD分数，结合Perlin噪声合成OOD样本和软性离群点暴露训练策略，在STU数据集上AP提升超10倍。核心创新在于利用神经网络学习预测分布结构，自适应调整置信度偏差，显著提升自动驾驶场景对未知物体的识别能力。

本文提出了一种新颖的遥感变化检测方法S2M，通过从现有掩码标签中自动提取结构化文本信息（位置、类别、类型、数量），实现零成本的多模态监督。该方法采用两阶段训练策略，结合视觉骨干网络和文本引导对齐模块，有效解决了语义模糊性问题。实验表明，S2M在多个数据集上显著优于基线模型，特别是减少了微小目标的漏检。该方法的创新点在于挖掘现有数据的隐含价值，无需额外标注或大模型支持，为资源受限场景提供了高效解决方

本文提出了一种创新的遥感图像语义分割方法，通过多模态大语言模型生成高质量文本描述来提升分割精度。研究团队设计了动态混合专家文本编码器（DMTE），利用三种不同视角的提示词引导多个MLLM生成多样化描述，并通过门控机制自适应筛选最优文本特征。结合语言查询引导注意力（LQGA）模块，该方法实现了文本语义对视觉特征的有效引导。实验表明，在多个遥感数据集上，该模型在mIoU和mF1指标上均显著优于现有方法

本文提出神经分布先验(NDP)框架，解决LiDAR感知中类别不平衡导致的OOD检测难题。通过可学习的注意力模块动态校准OOD分数，结合Perlin噪声合成OOD样本和软性离群点暴露训练策略，在STU数据集上AP提升超10倍。核心创新在于利用神经网络学习预测分布结构，自适应调整置信度偏差，显著提升自动驾驶场景对未知物体的识别能力。

此外，对于水下生物多样性的挑战，未来可以尝试将零样本学习（zero-shot learning）或小样本学习（few-shot learning）能力融入模型，使其在面对未知物种时也能做出合理的识别和描述，这对于真正的海洋探索应用至关重要。例如，在低光和浑浊场景下，NAUTILUS (LLaVA-1.5) 的性能提升分别高达7.5和8.1 PR@0.5，充分证明了其在复杂多变的水下环境中的强大适应

本周精选10篇CV领域前沿论文，覆盖医疗与生物医学影像、觉定位与多智能体轨迹预测、多模态与视觉-语言模型优化、生成模型与域自适应等方向。全部300多篇论文皆可自取。

摘要：视频扩散模型因Sora的发布引发广泛关注，但其技术门槛显著高于图像生成。核心挑战在于时序一致性（如帧间连贯性）和计算复杂度（如长视频的显存需求）。当前研究聚焦三大方向：1）时序建模（3DU-Net、时空注意力机制）；2）高效采样（DiT架构替代传统U-Net）；3）可控生成（文本/动作序列等条件输入）。最新突破包括清华VideoScene框架通过3D感知蒸馏实现单步3D场景生成，以及综述研究

视频理解技术进展与多模态情感分析新方法 近期视频理解领域聚焦时序注意力与跨帧对齐技术，相比传统3D卷积，注意力机制在长视频建模中更具优势。当前研究趋势包括分解式时空注意力、对齐引导注意力和隐式可学习对齐（如NeurIPS 2022的ATA、ICCV 2023的ILA），以解决计算复杂度和运动对齐问题。 在多模态情感分析方向，KAIST提出多模态自注意力网络（MULTIMODAL SELF-ATTE

视频理解技术进展与多模态情感分析新方法 近期视频理解领域聚焦时序注意力与跨帧对齐技术，相比传统3D卷积，注意力机制在长视频建模中更具优势。当前研究趋势包括分解式时空注意力、对齐引导注意力和隐式可学习对齐（如NeurIPS 2022的ATA、ICCV 2023的ILA），以解决计算复杂度和运动对齐问题。 在多模态情感分析方向，KAIST提出多模态自注意力网络（MULTIMODAL SELF-ATTE