计算机视觉与模式识别领域正迎来技术融合的爆发期！CVPR、ICCV2025 顶会风向标明确，研究已从单点突破转向 “多模态 + 生成能力 + 几何感知” 的复合赛道。

最新成果聚焦四大核心：多模态基础模型实现跨模态统一架构，像Being-VL 构建层级化视觉词典，打破图文模态鸿沟；生成式视觉向动态视频延伸，DisTime框架强化时序理解，ARIG 模型提升数字人交互真实感；3D重建技术效率飙升，LeanGaussian等方法兼顾速度与保真度；具身智能打通感知与行动，推动机器人视觉落地工业场景。

1.Deep Learning-Based Multiclass Classification of Oral Lesions with Stratified Augmentation

【要点】口腔癌诊断因与良性、癌前和恶性病变视觉相似度高而在晚期才被诊断，这限制了早期诊断的准确性。论文旨在解决这一问题，通过构建一个多类分类器来提高口腔癌的早期诊断准确性。

【方法】论文提出了一种结合分层数据分割、高级数据增强和过采样技术的深度学习方法，以克服数据集有限和不平衡的挑战，从而实现对口腔病变的准确分类。

【实验】实验结果表明，该模型达到了83.33%的准确率、89.12%的精确率和77.31%的召回率，优于现有方法，证明了过采样和增强策略在提高少数类分类性能方面的有效性。

2.ATkfhgr: ATkfhgbsbgZ 4nWbh TgW ObWXh 0XgXkTmbhg MakhnZa 6khll-MTld LrgXkZr

【要点】论文旨在解决生成式AI中同步音频-视频内容的关键挑战，特别是开源模型在鲁棒音频-视频对齐方面面临的挑战。

【方法】为了克服这些挑战，论文提出了Harmony框架，该框架通过以下方法实现音频-视频同步：跨任务协同训练、全局-局部解耦交互模块以及同步增强的无分类器指导（SyncCFG）。

【实验】实验结果表明，Harmony在生成保真度和音频-视频精细同步方面均达到了新的最先进水平，显著优于现有方法。

3.FnembfhWTe KhUnlm Ikhfim 7blmbeeTmbhg Yhk v7 Ihbgm 6ehnW FhWXel

【要点】论文旨在解决基于学习的3D点云模型在安全敏感应用中易受对抗攻击威胁的问题，现有防御方法存在计算开销高和泛化能力差的问题。

【方法】提出了一种名为多模态鲁棒提示蒸馏（MRPD）的新型高效教师-学生框架，通过将学生点云模型的特征与来自三个不同教师（视觉模型处理深度投影、高性能3D模型和文本编码器）的鲁棒嵌入对齐，学习轻量级提示，并通过置信度门控机制动态平衡所有输入模态的贡献，确保可靠的知识迁移。

【实验】广泛的实验表明，MRPD在对抗各种白盒和黑盒攻击方面显著优于现有防御方法，甚至在干净数据上也能实现更好的性能，从而为构建鲁棒的3D视觉系统提供了一种新的、实用的范式。

4.Video Generation Models Are Good Latent Reward Models

【要点】视频生成中，如何有效地使用奖励反馈学习（ReFL）来与人类偏好对齐，同时克服现有方法在内存消耗、训练时间和优化阶段上的限制。

【方法】提出了一种名为Process Reward Feedback Learning (PRFL)的框架，该框架在噪声潜在空间中进行偏好优化，允许在整个去噪链中高效地进行梯度回溯，无需进行VAE解码。

【实验】实验表明，PRFL在提高与人类偏好对齐的同时，与RGB ReFL相比，显著降低了内存消耗和训练时间。