2026年春季学期视觉计算实验室第14次论文研读预告

时间：2026年07月04日（周六）上午09:00

地点：望江校区基础教学楼B座318实验室

分享者：姚和、杨光

Part1

分享者：姚和

分享内容：

Wimmer, Thomas, et al. "Anyup: Universal feature upsampling." arXiv preprint arXiv:2510.12764 (2025).

论文简介：

该文提出了一种名为AnyUp的特征上采样方法，可应用于任意视觉特征和任意分辨率，且无需针对特定编码器进行训练。现有的基于学习的特征上采样器，如用于DINO或CLIP特征的，需为每个特征提取器重新训练，因此在推理时无法泛化至不同的特征类型。为解决这一局限并提升上采样质量，该工作提出了一种推理时特征无关的上采样架构。实验表明，AnyUp在上采样特征方面达到了新的最佳性能，能够泛化至不同的特征类型，同时保持特征语义，具备高效性且易于应用于广泛的下游任务。

Part2

分享者：杨光

分享内容：

Z. Chen et al., "KEditVis: A Visual Analytics System for Knowledge Editing of Large Language Models," in IEEE Transactions on Visualization and Computer Graphics, vol. 32, no. 6, pp. 4818-4828, June 2026, doi: 10.1109/TVCG.2026.3694436.

论文简介：

大型语言模型（LLM）在事实问题回答方面表现出卓越的能力，但有时会给出错误的回答。为解决这一问题，知识编辑技术已成为纠正大型语言模型中事实信息的有效方法。然而，典型的知识编辑工作流程难以确定最佳的model layers集合，依赖的总结指标提供指导不足。这种缺乏透明度阻碍了有效比较和识别最佳编辑策略。本文介绍了KEditVis，一种新型视觉分析系统，旨在帮助用户通过交互式可视化更深入地理解知识编辑，提升编辑效果，并发现对未来知识编辑算法发展有价值的见解。通过 KEditVis，用户可以选择合适的model layers作为编辑目标，探索无效编辑的原因，并进行更有针对性和更有效的编辑。