CV论文速递: 覆盖医学影像分析、视频理解与生成、3D场景理解与定位等方向! (10.27-10.31)
本周精选12篇CV领域前沿论文，覆盖医学影像分析、视频理解与生成、3D场景理解与定位、视觉安全与实用场景应用等核心方向。全部200多篇论文感兴趣的自取。
原文 资料 这里！
一、医学影像分析方向
1、Surpassing state of the art on AMD area estimation from RGB fundus images through careful selection of U-Net architectures and loss functions for class imbalance
作者：Valentyna Starodub, Mantas Lukoševičius
亮点：以U-Net为基础框架，通过优化预处理技术、编码器骨干网络及类别不平衡损失函数，在AMD病变多类别分割任务中超越ADAM挑战赛所有先前提交结果，为非侵入式RGB眼底图像诊断提供高效方案。
论文：https://arxiv.org/abs/2510.26778
Comments：无明确会议标注，聚焦年龄相关性黄斑变性病变检测的语义分割优化
2、MORE: Multi-Organ Medical Image REconstruction Dataset
作者：Shaokai Wu, Yapan Guo, Yanbiao Ji, Jing Tong, Yuxiang Lu, Mei Li, Suizhi Huang, Yue Ding, Hongtao Lu
亮点：提出包含9类解剖结构、15种病变类型的多器官CT重建数据集MORE，解决现有模型泛化性不足问题，建立强基线方案，验证了异质数据对模型鲁棒性提升的关键作用。
论文：https://arxiv.org/abs/2510.26759
开源代码：无（数据集公开于https://more-med.github.io/）
Comments：Accepted to ACMMM 2025
3、BRIQA: Balanced Reweighting in Image Quality Assessment of Pediatric Brain MRI
作者：Alya Almsouti, Ainur Khamitova, Darya Taratynova, Mohammad Yaqub
亮点：针对儿科脑部MRI伪影严重程度评估的类别不平衡问题，提出梯度损失重加权与旋转批处理方案，平均宏F1分数从0.659提升至0.706，在多种伪影类型分类中取得显著性能提升。
论文：https://arxiv.org/abs/2510.26661
开源代码：https://github.com/BioMedIA-MBZUAI/BRIQA
Comments：无明确会议标注，聚焦低场MRI系统伪影自动化质量评估
4、SANet: Scale-Adaptive Structure-Affinity Transformation for Spine Segmentation from Ultrasound Volume Projection Imaging
作者：Hao Xie, Zixun Huang, Yushen Zuo, Yakun Ju, Frank H. F. Leung, N. F. Law, Kin-Man Lam, Yong-Ping Zheng, Sai Ho Ling
亮点：提出尺度自适应结构感知网络SANet，通过跨维度长距离关联学习与结构亲和性转换机制，结合特征混合损失聚合，实现超声容积投影图像中脊柱分割性能超越现有SOTA方法。
论文：https://arxiv.org/abs/2510.26568
开源代码：https://github.com/taetiseo09/SA2Net
Comments：Accepted by Computerized Medical Imaging and Graphics (CMIG)
二、视频理解与生成方向
1、Enhancing Temporal Understanding in Video-LLMs through Stacked Temporal Attention in Vision Encoders
作者：Ali Rasekh, Erfan Bagheri Soula, Omid Daliran, Simon Gottschalk, Mohsen Fayyaz
亮点：在视觉编码器中引入堆叠时序注意力模块，解决Video-LLM对动作序列和时间进展的理解缺陷，在VITATECS、MVBench等基准测试中性能提升高达5.5%，显著增强视频问答与动作识别能力。
论文：https://arxiv.org/abs/2510.26027
开源代码：https://alirasekh.github.io/STAVEQ2/
Comments：Accepted to NeurIPS 2025
2、VC4VG: Optimizing Video Captions for Text-to-Video Generation
作者：Yang Du, Zhuoran Lin, Kaiqiang Song, Biao Wang, Zhicheng Zheng, Tiezheng Ge, Bo Zheng, Qin Jin
亮点：提出面向文本到视频生成的字幕优化框架VC4VG，构建多维度细粒度评估基准VC4VG-Bench，通过优化字幕质量显著提升T2V模型生成的连贯性与指令对齐度。
论文：https://arxiv.org/abs/2510.24134
开源代码：https://github.com/alimama-creative/VC4VG
Comments：Accepted by EMNLP 2025
3、Model-Guided Dual-Role Alignment for High-Fidelity Open-Domain Video-to-Audio Generation
作者：Kang Zhang, Trung X. Pham, Suyeon Lee, Axi Niu, Arda Senocak, Joon Son Chung
亮点：提出流基框架MGAudio，通过模型引导的双角色对齐机制，实现生成模型自引导优化，在VGGSound数据集上将FAD降至0.40，显著超越现有方法，且在UnAV-100基准中表现出强泛化性。
论文：https://arxiv.org/abs/2510.24103
开源代码：https://github.com/pantheon5100/mgaudio
Comments：accepted by NeurIPS 2025
三、3D场景理解与定位方向
1、Scaling Image Geo-Localization to Continent Level
作者：Philipp Lindenberger, Paul-Edouard Sarlin, Jan Hosang, Matteo Balice, Marc Pollefeys, Simon Lynen, Eduard Trulls
亮点：提出混合地理定位方法，通过代理分类任务学习位置编码特征，结合航空影像嵌入解决地面数据稀疏问题，实现欧洲大范围区域内68%以上查询的200米精度定位，突破大陆级细粒度定位瓶颈。
论文：https://arxiv.org/abs/2510.26795
开源代码：https://scaling-geoloc.github.io
Comments：NeurIPS 2025
2、EA3D: Online Open-World 3D Object Extraction from Streaming Videos
作者：Xiaoyu Zhou, Jingqi Wang, Yuang Jia, Yongtao Wang, Deqing Sun, Ming-Hsuan Yang
亮点：提出统一在线框架EA3D，融合视觉-语言与2D视觉基础编码器，通过高斯特征图在线更新与循环联合优化，实现流式视频中3D目标提取、几何重建与语义理解的同步完成，支持多下游任务。
论文：https://arxiv.org/abs/2510.25146
开源代码：https://github.com/VDIGPKU/EA3D
Comments：The Thirty-Ninth Annual Conference on Neural Information Processing Systems(NeurIPS 2025)
原文 资料 这里！
四、视觉安全与实用场景应用方向
1、DeepShield: Fortifying Deepfake Video Detection with Local and Global Forgery Analysis
作者：Yinqi Cai, Jichang Li, Zhaolun Li, Weikai Chen, Rushi Lan, Xi Xie, Xiaonan Luo, Guanbin Li
亮点：提出深度伪造检测框架DeepShield，通过局部补丁引导捕捉细粒度伪影，结合全局伪造多样化增强跨域适应性，在跨数据集和跨操纵场景中表现超越现有SOTA方法，提升对未知伪造攻击的鲁棒性。
论文：https://arxiv.org/pdf/2510.25237
Comments：ICCV 2025
2、CorVS: Person Identification via Video Trajectory-Sensor Correspondence in a Real-World Warehouse
作者：Kazuma Kano, Yuki Mori, Shin Katayama, Kenta Urano, Takuro Yonezawa, Nobuo Kawaguchi
亮点：提出基于视觉轨迹与传感器数据对应的人员识别方法CorVS，通过深度学习预测对应概率与可靠性，实现真实仓库场景下的高效匹配，解决纯视觉识别在工业环境中的实用性问题。
论文：https://arxiv.org/abs/2510.26369
Comments：7 pages, 3 figures, accepted to IPIN 2025
3、Explicit Memory through Online 3D Gaussian Splatting Improves Class-Agnostic Video Segmentation
作者：Anthony Opipari, Aravindhan K Krishnan, Shreekant Gayaka, Min Sun, Cheng-Hao Kuo, Arnie Sen, Odest Chadwicke Jenkins
亮点：通过在线3D高斯溅射技术构建显式记忆，提出FastSAM-Splat和SAM2-Splat融合方案，解决无记忆或隐式记忆模型的分割一致性问题，显著提升真实与模拟场景下的类别无关视频分割精度。
论文：https://arxiv.org/abs/2510.23521
开源代码：https://topipari.com/projects/FastSAM-Splat/
Comments：Accepted in IEEE Robotics and Automation Letters September 2025
原文 资料 这里！