TransBiolab：当 SAM 和 FoundationPose 遇见透明移液管
本文介绍 TransBiolab 数据集，解决实验室中透明生物医学物体感知难的问题。通过多视图 RGB-D 数据和真机操作实验，揭示 SAM 3 和 FoundationPose 在透明、对称物体上的性能瓶颈。注意：真机成功率受控制策略影响，不仅限于感知误差。
计算机视觉
Flash EQ-Linear：让等变网络比标准线性层更快
等变网络虽具参数效率，但推理速度慢于非等变模型。本文提出Flash EQ-Linear，利用群维度DFT卷积定理和实数DFT共轭对称性，将计算复杂度从O(NDC)降至O(NDC/T)。实验显示，在EQ-ViT和EQ-Swin上，端到端推理速度提升1.4x-1.7x，且保持准确率不变。注意：当前实现仅针对p4旋转群，小通道数下加速有限。
拓扑建图新解：HGeo-TopoMap 如何用几何先验找回丢失的中心线
中心线在图像中往往缺乏显式标记，导致传统拓扑建图方法在复杂路况下失效。HGeo-TopoMap 提出分层几何先验，结合 IPM 道路结构图与隐式几何一致性学习，有效引导实例解码。实验表明，该方法在 OpenLane-V2 数据集上显著优于 TopoLogic 等基线，尤其在视角缺失情况下表现稳健。需注意其对平坦地面假设的依赖。
PC-Edit：无需掩码的精准图像编辑
现有无掩码图像编辑方法在处理形状变化大的对象替换时，常出现源对象残留或背景失真。PC-Edit通过对比源目标提示下的AttnOut输出，自动发现编辑区域，并分离建模源擦除与目标生成过程。实验表明，该方法在EditRegion-Bench上显著优于DiffEdit和FYS等基线，尤其在保持背景一致性方面表现突出。需注意，其性能依赖于固定的推理配置，且对语义对比弱的提示可能定位不准。
ResponseGuard：为何视觉语言护栏无需推理链？
本文探讨视觉语言模型安全护栏的效率瓶颈。ResponseGuard 通过单次前向传播实现实时拦截，证明在响应检测中推理链并非必要，为实时多模态应用提供高效解决方案。
MLLM幻觉诊断新范式：HalluScope如何实现细粒度纠错？
现有MLLM幻觉检测多为粗粒度二元判断，缺乏对错误类型的细粒度分析与解释。HalluScope提出统一诊断框架，结合跨度检测、类型分类与解释生成。通过构建HalluScope-30K数据集与多粒度联合奖励训练，该方法在MHALO等基准上表现优异，并证明诊断反馈能显著提升模型准确性。需注意其数据生成依赖闭源模型。
图像修复Agent如何进化？Causal-AgentIR用因果记忆解决长期适应难题
现有图像修复Agent依赖静态工具描述，难以应对复杂混合退化。Causal-AgentIR提出自演化因果记忆图，通过分层多Agent协作与可学习记忆演化机制，实现修复经验的长期积累与自适应规划。实验表明其在All-in-one及真实世界场景中表现优异，但依赖冻结工具库且计算开销较大。
视觉对比自蒸馏：无需外部监督的自蒸馏新范式
多模态大模型自蒸馏面临目标信息量不足的难题。VCSD 通过对比原始图像与内容擦除控制图像下的教师预测分布，构建无需外部监督的自蒸馏目标。实验表明，该方法在多个基准测试中显著提升模型性能，且无需额外推理成本。注意：该方法需要生成擦除控制图像下的响应，训练成本增加。
可微渲染新解：用梯度图诊断场景参数对视觉指标的影响
传统渲染缺乏对“哪些参数影响指标”的直接解释。本文利用Mitsuba 3和PRB，通过反向传播标量指标（如UGR）生成场景参数显著性图。实验验证了梯度排名与实际指标变化的一致性，揭示了指标特异性。注意：蒙特卡洛噪声可能影响低显著性参数的稳定性。
病理VLM真的看懂图像了吗？PathBind基准揭示领域训练幻觉
当前病理VLM评估常陷入‘准确率陷阱’。本文通过PathBind基准证明，许多模型仅依赖文本先验而非视觉证据。领域微调虽提升准确率，却常削弱视觉定位能力（Domain Training Illusion）。视频详解这一现象及其对医疗AI评估的启示。