我们提出了LEGO，用于先进的开放词汇场景理解。其核心创新在于捕捉场景内在的语义层级，如“花盆->花束->花蕾->花瓣”链条。基础模型如SAM能识别二维中的多粒度结构，但其分割受视角限制且缺乏跨视角一致性。LEGO自适应重分级多视角SAM粒度，形成统一且三维一致的层级，为结构连贯的多级三维场景分割提供精确监督。结合CLIP嵌入，LEGO恢复层级语义逻辑，并通过空间关系提升为按层级构建的语言场景图，使大语言模型能进行复杂上下文空间推理和精确视觉定位。实验结果表明，LEGO在可提示和开放词汇三维分割基准上均达新状态，展现先进的层次场景分解与上下文空间推理能力。
这条 研究论文 信号说明，来自 arXiv cs.CV 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.CV 发布了这条关于 研究论文 的更新：我们提出了LEGO，用于先进的开放词汇场景理解。其核心创新在于捕捉场景内在的语义层级，如“花盆->花束->花蕾->花瓣”链条。基础模型如SAM能识别二维中的多粒度结构，但其分割受视角限制且缺乏跨视角一致性。LEGO自适应重分级多视角SAM粒度，形成统一且三维一致的层级，为结构连贯的多级三维场景分割提供精确监督。结合CLIP嵌入，LEGO恢复层级语义逻辑，并通过空间关系提升为按层级构建的语言场景图，使大语言模型能进行复杂上下文空间推理和精确视觉定位。实验结果表明，LEGO在可提示和开放词汇三维分割基准上均达新状态，展现先进的层次场景分解与上下文空间推理能力。
LEGO通过将跨视角的分割粒度统一成三维一致的层级，并结合语言模型语义信息，突破了传统二维模型视角限制和词汇限制，实现了更准确、结构化的三维场景理解，提升了视觉与语言的空间推理能力。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
我们提出了一种训练不可察觉视觉水印的方法，使其能与其他水印共存。近期研究表明，独立训练的图像水印模型能有限干扰地共存，实现水印集合。然而这种共存是偶然性质而非明确优化目标，导致干扰不可控，影响解码鲁棒性和视觉质量。实验展示该共存性质同样适用于视频水印。我们进一步以解码器感知目标训练图像与视频水印，提升共存性能。这为独立部署的溯源水印系统提供路标水印，实现内容真实性与权利的分层溯源信号指示。
由于训练数据稀缺及儿童语音的独特性，儿童语音中的音素检测一直困难。通过在比赛中训练一个轻量级模型同时预测学习者年龄和音素序列，使用9400万参数模型在DrivenData分布上超越了拥有3.17亿参数的WavLM Large模型，错误率仅比90倍参数的集成模型高约0.04 CER。该模型支持大多数现代手机运行，促进了隐私保护的边缘自动语音识别和发音辅助应用的发展。
该论文提出了一种几何感知的对比学习攻击框架，针对基于嵌入空间关系几何的验证系统，通过扭曲嵌入流形中的相似性结构，有效地破坏正负样本对的相似关系。该方法通过离线训练生成器，实现对嵌入流形的关系几何变形的快速在线攻击，显著降低多个验证架构的性能，如在Markmatch系统上，准确率由95.4%降至38.6%。