计算机视觉与模式识别正迎来 “多模态融合+高效落地” 的双重爆发！如今的研究早已跳出单一视觉任务框架，核心突破集中在三大方向。
多模态 LLM 成为绝对热点，视觉编码器与大语言模型深度整合，实现图像理解、跨模态检索与逻辑推理的无缝衔接，在文档解析、医疗诊断等场景准确率大幅提升。同时，轻量化与效率优化持续推进，通过稀疏化、知识蒸馏等技术，让复杂模型适配边缘端部署。
此外，小样本学习、弱监督识别等方向不断突破数据依赖瓶颈，结合因果推理进一步提升模型鲁棒性。今天精选的15篇前沿论文，覆盖技术创新与落地实践，带你快速捕捉该领域的核心研究脉络～
1.Bayesian Window Transformer for Image Restoration
【要点】本文提出了一种新型的贝叶斯窗口变换器，通过概率分布实现窗口位移，以解决传统变换器在图像复原中固定窗口配置的限制，提高了翻译不变性和局部关系保持能力。
【方法】采用贝叶斯框架，通过引入概率分布对窗口位移进行建模，配合层期望传播和蒙特卡洛平均两种近似推理算法，以计算分布导出的期望，近似概率变量的边缘化结果。
【实验】在多个图像复原任务，包括图像去雨、去噪和去模糊中，使用未指明的数据集进行了综合实验，验证了贝叶斯窗口变换器的卓越效果。
2.MotionLLM: Understanding Human Behaviors from Human Motions and Videos
【要点】本研究提出了一种名为MotionLLM的新框架，通过结合视频和动作序列两种模态，有效地理解和解释人类行为，这是与现有的仅针对视频或仅针对动作序列的LLM模型不同的创新之处。
【方法】MotionLLM采用了一种统一的视频-动作训练策略，结合了粗略的视频-文本数据和细粒度的动作-文本数据，以获取丰富的时空洞察。
【实验】研究者收集了一个名为MoVid的大规模数据集，包含了多样的视频、动作、标题和指令。并且提出了MoVid-Bench评估基准，通过精心的人工标注，更好地评估了在视频和动作上的人类行为理解能力。广泛的实验证明了MotionLLM在标题生成、时空理解以及推理能力上的优越性。
3.Structural Similarity in Deep Features: Unified Image Quality Assessment Robust to Geometrically Disparate Reference
【要点】本文提出了一种新的图像质量评估方法DeepSSIM，该方法在处理几何差异较大的参考图像时，能有效评估图像的深层次结构相似性，不受特定任务限制，具有广泛的适用性和鲁棒性。
【方法】作者通过一种统一、无需训练的DeepSSIM方法，利用深度特征的结构相似性评估，并结合注意力校准策略，以减少注意力偏差，解决了几何差异较大的参考图像质量评估问题。
【实验】本文在多个AR-IQA数据集上测试了DeepSSIM方法，并对比了不同GDR-IQA测试案例，结果表明该方法达到了现有方法的最佳性能，并在图像超分辨率、增强和恢复的训练优化中显示出了有效性。
4.Text-Derived Relational Graph-Enhanced Network for Skeleton-Based Action Segmentation
【要点】本文提出了一个基于文本生成的关联图增强网络（TRG-Net），利用大语言模型（LLM）生成的先验图来改进骨架动作分割中的建模和监督策略，实现了动作识别的高效性和准确性。
【方法】研究采用动态时空融合建模（DSFM）方法，结合文本生成的关节图（TJG）和通道及帧级别的动态调整，同时使用绝对-相对类间监督（ARIS）方法，通过动作特征与文本嵌入的对比学习，规范绝对类分布并利用文本生成的动作图（TAG）捕捉动作特征之间的相对关系。
【实验】在四个公开数据集上进行的性能评估显示，TRG-Net网络取得了当前最佳效果，实验中使用了随机关节遮挡和轴向旋转的空域感知增强处理（SAEP）方法来提高空间泛化能力。
