本文提出了一种基于多模态大语言模型（M-LLM）的自适应视频帧选择方法，以提高视频理解效率。针对现有均匀采样方法可能导致关键帧丢失的问题，该方法通过轻量级帧选择器，结合空间和时间双重监督信号，智能选取与问题相关的视频帧。实验表明，该方法在中长视频问答任务上显著提升性能（最高+3.7%），并能用更少帧数达到更好效果（4帧接近32帧的均匀采样效果）。核心创新在于问题导向的帧选择策略，仅需1.5B参数即

本文提出了一种基于多模态大语言模型（M-LLM）的自适应视频帧选择方法，以提高视频理解效率。针对现有均匀采样方法可能导致关键帧丢失的问题，该方法通过轻量级帧选择器，结合空间和时间双重监督信号，智能选取与问题相关的视频帧。实验表明，该方法在中长视频问答任务上显著提升性能（最高+3.7%），并能用更少帧数达到更好效果（4帧接近32帧的均匀采样效果）。核心创新在于问题导向的帧选择策略，仅需1.5B参数即

Wonder3D提出了一种高效的单视图图像到3D重建方法，通过跨域扩散模型生成多视角法线贴图和彩色图像，结合几何感知融合算法，在2-3分钟内输出高保真纹理网格。相比传统方法，其创新点包括：1）统一模型通过域切换器生成法线图和彩色图；2）跨域注意力机制确保多视角几何一致性；3）几何感知权重优化表面重建。实验表明，该方法在质量、速度和泛化性上均优于现有技术，为游戏、电商等领域提供了高效的3D生成方案。

一种基于深度学习的空间梯度重建方法，用于高效识别高稀疏Lamb波场复合材料损伤。针对碳纤维增强塑料(CFRP)中肉眼难以察觉的分层损伤，以及扫描激光多普勒测振仪(SLDV)测量耗时的问题，该方法通过新型空间梯度损伤指标和神经网络技术实现了显著改进。采用交叉注意技术将浅层特征直接注入解码器，增强异常检测能力，并集成多重建层指导波场重建过程。实验表明，该方法重建精度较现有技术大幅提升，单损伤情况下从7

SnapGen提出了一种突破性的移动端文本生成图像技术，能在1.4秒内生成1024×1024像素的高质量图像。通过重新设计UNet架构（移除冗余自注意力、使用可分离卷积等）将参数量压缩至379M，比SDXL小7倍；采用多层次知识蒸馏和时间步感知训练策略，使小模型达到大模型性能；结合对抗性步蒸馏实现4-8步快速生成。实验显示其性能超越数十亿参数模型，在iPhone上实现秒级4K图像生成，为移动AI开

SnapGen提出了一种突破性的移动端文本生成图像技术，能在1.4秒内生成1024×1024像素的高质量图像。通过重新设计UNet架构（移除冗余自注意力、使用可分离卷积等）将参数量压缩至379M，比SDXL小7倍；采用多层次知识蒸馏和时间步感知训练策略，使小模型达到大模型性能；结合对抗性步蒸馏实现4-8步快速生成。实验显示其性能超越数十亿参数模型，在iPhone上实现秒级4K图像生成，为移动AI开

ParaDiffusion模型，解决长文本到图像生成中的语义对齐难题。通过微调LlamaV2语言模型并构建ParaImage数据集（包含330万自动生成和3000手工标注的段落-图像对），模型支持512个token的长文本输入。三阶段训练策略结合LoRA技术，在保持高效训练的同时提升生成质量。实验表明，该模型在ViLG-300和ParaPrompts基准上文本忠实度最高提升45%，优于SDXL等现

《多模态大模型的视觉缺陷：CLIP盲点与改进方向》 摘要：CVPR 2024研究揭示了多模态大语言模型(MLLMs)的视觉理解存在系统性缺陷。通过分析CLIP视觉嵌入空间，研究者发现了"CLIP盲对"现象——视觉差异明显但CLIP认为相似的图像对。基于此构建的MMVP基准测试显示，包括GPT-4V在内的先进模型在9类基础视觉任务上表现不佳，准确率甚至低于随机猜测。研究表明，CL

一种基于双目视觉的机器人螺纹装配预对准新方法，通过几何分析利用螺纹孔倒角圆特征实现高精度姿态估计。创新性地仅需椭圆弦信息即可完成计算，避免了传统点云拟合的高复杂度。实验显示该方法在x、y、z轴的位置误差分别控制在0.0837mm、0.0864mm和0.0434mm以内，姿态误差1.279°，满足工业装配需求。相比传统方法，计算效率提升显著，且无需先验知识，具有更好的通用性和鲁棒性。该技术为自动化螺

探讨了利用文本到图像(T2I)生成器进行介入性数据增强的方法，以提高图像分类器在环境变化下的鲁棒性。针对单域泛化(SDG)和减少虚假特征依赖(RRSF)任务，研究系统评估了提示策略、条件机制和后处理过滤三个维度的影响。实验结果表明，现代T2I生成器（如Stable Diffusion）作为数据增强机制显著优于传统方法，其中纯文本生成方式表现最佳，且简单提示往往足够有效。该研究为数据增强提供了新范式