用 Vision Transformer 集成模型做全景街道语义分割，登顶 PalmCity 挑战赛
一篇 arXiv 论文记录了 PalmCity 挑战赛的两阶段方案：第一阶段用三个仅编码器的 Mask Transformer 模型（DINOv3 特征）等概率平均集成，在 84 张验证集上取得 60.95% 平均交并比，隐藏测试榜 57.08%，位列 2026 年 10 月 5 日快照第一。
#图像生成
arXiv · cs.AI模型评分2929 arXiv · cs.AI模型评分2929 DAUPNet：面向跨域小样本语义分割的域感知不确定性建模
DAUPNet 将跨域原型匹配重构为不确定性感知的原型判别，先对齐分层支持-查询特征，再用概率方式表示前景与背景原型，并以估计的不确定性调控对比优化。在四个标准目标域上，该框架在 1-shot 和 5-shot 设置下平均 mIoU 分别达到 72.6% 和 76.7%，两个医学域提升明显。代码已公开。
arXiv · cs.AI模型评分3939 3D-ARD+：用自回归扩散模型按文本指令生成3D场景
研究团队提出3D-ARD+，一种3D自回归扩散模型，把多模态token序列的自回归生成与下一个物体的3D潜变量扩散生成统一起来，可按文本指令生成并摆放物体。团队构建了23万组带文本指令的室内场景数据集，并评测了7B版本，模型能遵循文本描述的复杂空间布局与语义。
arXiv · cs.AI模型评分3232 DiTGaze：几何条件扩散增强实现少样本视线估计
DiTGaze 用几何条件潜在扩散 Transformer（DiT，Diffusion Transformer）改造双流 3D Gaussian Splatting 的卷积渲染阶段，在 ETH-XGaze 上把生成器级视线误差较 GazeGaussian 降低 4.1%。
arXiv · cs.AI模型评分3030 PPS：即插即用的扫视视觉方案，提升细粒度分类
研究者提出 PPS（Plug-and-Play Saccadic Vision），一种即插即用的轻量扩展，可将任意带空间特征图的预训练骨干网络改造成扫视式分类器，仅新增一个小型优先级头和单个交叉注意力融合模块。该方法用同一权重共享编码器先看低分辨率全局图，再由优先级头预测扫视优先级分布并并行编码高分辨率局部裁剪，峰值内存与输入分辨率解耦。在九个基准上，该框架相对其骨干网络均取得稳定提升。
arXiv · cs.AI模型评分2929 MSMV-Swin：多尺度多视角 Swin Transformer 框架用于乳腺癌诊断
研究者提出多尺度多视角 Swin Transformer 框架（MSMV-Swin），作为辅助放射科医生分析乳腺 X 光片的决策支持工具。该框架借助 Segment Anything Model（SAM）分离乳腺区域以减少背景噪声，并采用混合融合结构应对临床中仅有单视角影像的情况。其多尺度设计同时捕捉肿瘤局部区域与周边组织信息，使输出更贴近放射科医生的阅片方式。
arXiv · cs.AI模型评分3333 从噪声测量中学习干净的生成过程
研究提出仅用独立噪声观测学习干净图像生成模型的方法：先用 Noise2Noise 回归学习噪声水平及以上的后验预测，再引入一致性约束——预测应等于继续采样后的期望，从而把预测延伸到更低噪声水平。作者推导了一致性唯一确定干净图像分布延续的条件，并在 Poisson、二项、Gamma 和负二项测量上验证。CIFAR-10、光子计数显微和合成孔径雷达实验显示，缺少一致性时延续会严重退化，加入后可修复。
arXiv · cs.AI模型评分3131 Coarse3D：面向图像到 3D 的可控且忠实的稀疏结构生成
Coarse3D 能从任意无位姿图像生成方向可控、结构忠实的稀疏体素几何，并可直接替换现有图像到 3D 流程的粗阶段。它引入首帧锚定规范空间、双塔 DiT（Diffusion Transformer，扩散 Transformer）耦合前馈重建，以及用像素到体素对应约束交叉注意力的空间先验引导注意力。实验显示其稀疏结构质量与最终 3D 生成效果均达当前最优。
arXiv · cs.AI模型评分4343 WeGenEditBench 与 WeGenEvoStudio：图像编辑评测与模型进化基准
研究团队推出图像编辑评测基准 WeGenEditBench，包含 2,740 个评测实例和 148 种任务类型，覆盖单图、文本密集和多参考图编辑，用预生成检查清单把每个请求拆成原子要求并逐项扣分。
arXiv · cs.AI模型评分3636 Geo-FSRL：优化少步流模型强化学习的随机策略几何
研究提出 Geo-FSRL（Geometry-Optimized Few-Step Reinforcement Learning），通过最小化条件 KL 散度对应的单一几何因子，在保持系数的各向同性高斯转移族中推导出唯一闭式最优策略。该方法在 4 步设置下训练图像与视频生成模型，最终奖励分数高于 Flow-GRPO 和 Flow-CPS，推理时仍保留确定性求解器。代码已公开。