10:01arXiv cs.LG@Liupeng Li, Haoqian Kang, Zhenyu Lu, Jinpeng Wang, Bin Chen, Ke Chen, Yaowei Wang精选高分辨率图像感知是当前多模态大模型(MLLMs)的关键瓶颈。现有视觉搜索方法在覆盖率和效率之间难以平衡:专家辅助搜索高效但易遗漏,扫描式搜索全覆盖但计算冗余。CVSearch 提出了一种无需训练的“评估-搜索”自适应框架,先尝试专家辅助搜索,失败时再触发语义感知扫描,通过语义引导的自适应分块避免物体碎片化,并利用视觉复杂度驱动的动态自底向上搜索实现局部细节的高效迭代探索。实验表明,CVSearch 在高分辨率基准上达到最先进精度,同时显著提升搜索效率。代码已开源。论文多模态大模型高分辨率图像视觉搜索自适应框架开源/仓库推荐理由:高分辨率图像感知是 MLLMs 落地的硬骨头,CVSearch 用零训练成本解决了覆盖率和效率的矛盾,做多模态感知或视觉问答的团队可以直接拿来用。原文
12:21pandaily@contact@pandaily.com (Pandaily)精选72°清华大学与阿里巴巴联合发表论文,提出ViT³(Vision Test-Time Training)架构,这是一种纯Transformer模型,在视觉任务中实现了线性计算复杂度。该架构使得在边缘设备上进行高分辨率图像理解成为可能,解决了传统Transformer在视觉应用中计算量过大的问题。该论文已被CVPR 2026接收为Oral论文,标志着视觉Transformer在效率上取得重要突破。论文视觉Transformer线性复杂度边缘计算高分辨率图像清华/阿里推荐理由:视觉Transformer终于突破了计算瓶颈,做边缘计算或高分辨率图像处理的开发者可以直接关注,这可能是部署到手机等设备的关键技术。原文