Tag · 5 篇
轻量化模型
面向物体问题的视觉定位
Visual Grounding for Object Questions
把视觉定位从「找可见目标」扩展到「为开放式物体问题找视觉证据」，并给出可自动生成训练/评测数据的流程；做指代分割或 VQA 的研究者可借此设定检验模型在非直接可见概念上的定位能力，也可复用其轻量定位模型与合成基准。
面向微小密集目标分割的结构感知表征蒸馏
Structure-Aware Representation Distillation for Tiny-Dense Object Segmentation
把教师特征的结构重要性（边界显著性、几何复杂度、局部特征变化）做成加权图来引导蒸馏损失，可直接迁移到任何密集预测任务的师生对齐中，替代逐像素 mask 模仿。
PP-OCRv5：一个 500 万参数的专用模型在 OCR 任务上媲美十亿参数视觉语言模型
PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks
对做视觉研究的人而言，这篇论文给出了一个可复用的结论：在 OCR 这类结构化文本任务上，用数据难度、标注准确度、数据多样性三个维度做数据筛选与配比，可以让 5M 参数的两阶段检测+识别流水线逼近十亿参数 VLM，同时定位更准、幻觉更少；做 VLM 文本定位或幻觉抑制时，可把数据侧优化作为对照基线。
PHASE-Net：面向高效远程光电容积脉搏波测量的物理锚定谐波注意力系统
PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement
把血流动力学的 Navier-Stokes 方程离散解推导为因果卷积，为 rPPG 的时序建模提供物理依据；其零 FLOPs 的轴向通道交换与逐帧自适应空间掩码，可直接迁移到其他需要跨区域交互与噪声抑制的面部视频时序任务。
Evo-1：保持语义对齐的轻量级视觉语言动作模型
Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic Alignment
提出一种轻量级视觉语言动作模型架构，通过跨模态扩散Transformer和两阶段训练保持视觉语言骨干的语义对齐，为视觉研究者提供将VLM高效适配到机器人控制任务的思路，并展示了在低参数量下实现实时推理的可行性。