reconstruction

本文表明，基于重建的激活解释测试可能被操纵，从而在特定主张仍然错误的情况下获得高分。论文提出了RECAP方法，该方法与目标模型一起训练线性头，使指定的内部内容能够可靠解码并独立于探针进行验证，从而改进安全审计。

介绍了一个新的开源工具包 img2threejs，能够将照片转换为 Three.js 模型，并自动对比渲染结果与原图校准重建质量，尤其适合硬表面物体。

本文提出洛伦兹编码（LE），一种基于物理信息的框架，利用隐式神经表示和物理约束，从稀疏采样数据重建高分辨率CEST MRI，性能优于现有方法。

作者强烈批评无限画布概念，认为AI视频的本质是横向排列的胶卷，并宣布在发布前从第一性原理进行彻底重构。

本文研究了推理步长（不重叠窗口与重叠窗口）对基于重构的时间序列异常检测的影响，发现重叠窗口在多个模型架构上持续提升性能，在TSB-AD和UCR基准测试中最高提升达28%。

MRAgent 提出了一种新颖的基于图的记忆框架，能在推理过程中动态重构记忆，在长程基准测试上实现高达 23% 的性能提升，同时降低了计算成本。

本文提出了3D视觉研究的全面分类体系，涵盖几何表示、数据集、学习范式以及在重建、生成和视频建模中的应用。

本文识别并解释了一种基于重建的脑电图基础模型中的频谱偏差：嵌入表示过度表征非周期和低频成分，而低估振荡成分（尤其在高频段），导致低资源场景下性能不佳。

本文提出CoAD，一种新颖的框架，统一了异常暴露（分类）和掩码自编码器（重建）两种范式用于时间序列异常检测，解决了它们各自的局限性。大量实验表明，CoAD在轻量快速的同时，显著优于现有最先进方法。

ShapeCodeBench是一个用于感知到程序重建的合成基准，模型需从光栅图像生成可执行的绘图程序，评估指标包括精确匹配和像素准确率。该基准通过种子随机数生成器实现可再生性，当前模型仍获得较低的精确匹配率，表明还有改进空间。