跳到正文
  1. arXiv · 机器人与计算机视觉82

    Matisse:基于证据空间的主动三维重建推理方法

    Matisse 是一种无需训练的框架,通过利用预训练生成式 3D 模型提供的证据,统一了主动重建与关键帧选择任务。该方法估计证据不确定性并推导证据信息增益,以指导视图获取和关键帧选择。在 GSO30、YCB-V 和 Replica 数据集上,Matisse 相对于最佳基线分别将 Chamfer 距离降低了 12.7%、3.8% 和 9.2%,并在 GSO30 上实现了 1.5 倍的整体加速。

    推荐理由:该工作提出无需训练的框架,利用预训练生成式 3D 模型的证据来指导主动重建与关键帧选择。

  2. arXiv · 机器人与计算机视觉82

    Who Says What:音频 - 视觉大语言模型中的符号三模态绑定机制研究

    当前音频 - 视觉大语言模型在处理多说话人对话视频时难以解决“谁说了什么”的问题,这要求模型具备文本、音频和视觉的三模态绑定能力。该研究揭示了利用模态特定符号变量(如时间序列和空间坐标)在抽象空间中建立跨模态链接的机制,并发现绑定失败主要源于音画连接错位。

    推荐理由:针对多说话人视频中的指代消解难题,提出利用现成主动说话人检测模型进行无训练提示的方法,显著提升了跨模态绑定性能。

  3. arXiv · 机器人与计算机视觉82

    Scalable Black-Box Model Attribution for Images

    该研究提出了 RPA(Raw-Patch Attribution),一种轻量级卷积神经网络,旨在解决仅凭图像判断其生成模型的归因问题。该方法在严格黑盒设定下运行,通过处理多图像补丁以适应不同尺寸并提升精度,在 25 类 DRAGON 数据集上达到 98.9% 的准确率,在 27 类 OpenFake 数据集上达到 95.0%。

    推荐理由:提出 RPA 轻量级 CNN,在严格黑盒设定下以毫秒级成本实现高精度图像生成模型归因。

  4. arXiv · 机器人与计算机视觉82

    VZCrash:首个大规模车载 IMU 车辆碰撞数据集发布

    论文介绍了 VZCrash,这是目前公开可用的最大规模真实车辆碰撞数据集,包含超过 31,000 个验证后的碰撞事件和 158,000 个负样本。数据来自安装在 73,010 辆不同尺寸商用车辆上的设备,在美国行驶数年间采集,每个样本包含 100 Hz 的加速度与角速度以及 1 Hz 的 GPS 速度。

    推荐理由:该数据集包含超 3.1 万起真实碰撞与 15.8 万负样本,为训练高鲁棒性碰撞检测模型提供了大规模 IMU 数据支撑。

  5. arXiv · 机器人与计算机视觉82

    HEART:基于 Kent 表示遍历的超球面对齐方法

    该论文针对文本条件扩散模型难以控制生成内容的难题,发现嵌入空间呈超球面而非欧几里得结构。作者提出 HEART 框架,直接在超球面上进行 Kent 分布感知的测地线变换,实现无需微调、反演或优化的主体替换与属性控制,且适用于多种架构。材料为 arXiv 预印本,未提及同行评审状态。

    推荐理由:提出无需微调的 HEART 框架,利用超球面几何与 Kent 分布实现扩散模型的精确编辑。

  6. arXiv · 机器人与计算机视觉85

    RTime-QA:一种用于多模态大模型原子级时序事件理解的基准

    作者提出 RTime-QA 基准,利用时间反转的视频对和相同文本但答案不同的问题,检验多模态大模型是否真正感知事件在时间上的展开。该基准包含 8,420 个问题,涵盖快速评估、核心难例及连续事件等子集。

    推荐理由:该基准通过时间反转视频对,验证多模态大模型是否真正感知事件时序而非仅依赖单帧或语言先验。

  7. arXiv · 机器人与计算机视觉82

    MillBill:一种具备几何反馈的加工代理

    MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。

    推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。

  8. arXiv · 机器人与计算机视觉83

    M3OPD-Reasoner:一种基于多教师同策略蒸馏的视觉语言模型后训练开放配方

    论文提出 M3OPD-Reasoner 这一完全开放的视觉语言模型(VLM)后训练方案,涵盖图像 STEM、图像感知和视频三个推理领域。研究构建了包含 1.35M 样本的监督微调数据集和 19.3K 样本的强化学习数据集,并在去污染后的 21 个基准测试上验证了多教师同策略蒸馏(MOPD)结合组序列策略优化(GSPO)及混合强化学习的最佳组合效果。

    推荐理由:作者提出 M3OPD-Reasoner 开源配方,通过多教师同策略蒸馏与强化学习结合,在图像 STEM、感知及视频推理任务上实现性能提升。

  9. arXiv · 机器人与计算机视觉84

    无需训练的建筑变化检测方法:基于示例诱导的判别式特征

    建筑变化检测通常依赖昂贵的大规模密集标注。本文提出 Linear INduced Discriminants (LIND),一种无需训练的框架,将区域特征对比转化为可复用的线性分类器。

    推荐理由:提出无需训练的线性判别框架,利用少量标注实现跨数据集的建筑变化检测。

  10. arXiv · 机器人与计算机视觉82

    分层扩散 Transformer:无需预训练编码器即可实现端到端图像生成

    针对像素空间 Transformer 在生成质量与效率上落后于两阶段潜变量模型的问题,本文提出 Hierarchical Diffusion Transformers (HiT)。

    推荐理由:提出 HiT 架构,在像素空间内显式学习视觉层级以缩小与潜变量模型的差距。

  11. arXiv · 机器人与计算机视觉82

    SlideJev:面向全切片病理的组织 grounded 且顺序稳定的 Jev 决策

    针对当前视觉语言模型在病理全切片问答中过度依赖语言先验、对候选答案顺序敏感及存在捷径的问题,该研究提出了 SlideJev 框架。该方法通过并行计算支持度与拒绝度的对数似然差来评分候选答案,并利用组织证据引导解码器层的视觉 token 更新,从而将判断 grounded 于病理图像本身。

    推荐理由:该工作提出 SlideJev 框架,通过组织稳定的候选答案验证机制解决病理全切片视觉问答中的语言先验依赖问题。

  12. arXiv · 机器人与计算机视觉83

    利用图像扩散先验实现照片级真实感的视频恢复

    针对现有视频恢复方法在提升时间一致性时牺牲视觉保真度的问题,本文提出一种生成式视频恢复方法,通过结合噪声能量重平衡、运动对齐噪声变形、自监督去噪编码器及解耦时间注意力机制,实现了从图像生成先验到视频细节合成的跨越。实验表明该方法在视觉质量、细节丰富度和时间稳定性上均优于现有方案。材料为 NeurIPS 2026 会议投稿的预印本版本。

    推荐理由:该文提出利用图像扩散先验解决视频恢复中细节丰富度与时间一致性的矛盾,方法包含噪声能量重平衡与时空对齐等模块。

  13. arXiv · 机器人与计算机视觉80

    LOCUS:一种用于自回归图像生成的因果支持窗口属性控制方法

    针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。

    推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。

  14. arXiv · 机器人与计算机视觉82

    Pelorus:一种具备资源感知能力的激光雷达惯性里程计方法

    针对高分辨率激光雷达在线处理效率低且缺乏资源约束的问题,作者提出了 Pelorus 方法。该方法采用固定容量的体素化法线分布地图和迭代等变状态估计器,通过基于相关性的驱逐机制限制内存占用,并利用成熟度加权的地图更新抑制不一致观测。

    推荐理由:Pelorus 提出资源感知的激光雷达惯性里程计方法,在固定内存容量下实现低 CPU/GPU 负载,并开放 CUDA、Vulkan 及 Metal 后端代码。

  15. arXiv · 机器人与计算机视觉85

    Pixel is All You Need:纯像素空间生成模型的推理研究

    arXiv 论文《Pixel is All You Need》系统研究了纯像素空间生成模型(无文本 Token)的推理能力。研究发现,现有视觉生成模块在缺乏底层文本模块支持时无法进行符号推理;而从头训练的纯像素模型能直接在画布上阅读问题、书写中间步骤并输出答案,表现出类似大语言模型的标量行为与规模定律。该研究还验证了单画布共享机制使模型具备跨模态推理能力,且强化学习后训练进一步增强了其推理性能。

    推荐理由:该研究在纯像素空间训练生成模型,发现其具备类似大语言模型的推理能力与跨模态共享画布特性。

  16. arXiv · 机器人与计算机视觉82

    ForceBody:首个带力矩不确定性的参数化人体运动数据集

    ForceBody 是首个将地面反作用力与逆动力学关节力矩引入参数化人体表示的数据集,包含 140 名受试者共 10,386 次动作尝试(9.7M 帧、26.9 小时)。

    推荐理由:ForceBody 数据集首次将地面反作用力与参数化人体模型结合,并附带关节力矩不确定性标注。

  17. arXiv · 机器人与计算机视觉82

    何时该放大:视觉语言模型在多像素级小物体上的表现极限及优化规则

    在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。

    推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。

  18. arXiv · 机器人与计算机视觉82

    REVEAL:基于语言与光流引导的视频非遮挡内容重建方法

    论文提出 REVEAL 统一扩散框架,利用用户文本查询驱动开放词汇分割获取可见掩码,并通过光流将前帧可见内容传播至遮挡区域以提供形状先验,同时用文本约束纹理重建以保持视觉连贯性。作者贡献了 LAVAT 基准数据集用于评估重度遮挡下的视频非遮挡完成任务。实验表明该方法在现有基准上达到最先进性能且保持长序列时间一致性。材料为 arXiv 预印本,已接受 TMLR 发表。

    推荐理由:提出 REVEAL 框架,结合光流与文本引导解决视频非遮挡重建难题,并开源 LAVAT 基准。

  19. arXiv · 机器人与计算机视觉84

    Disagree to Prune:通过小 VLM 的异议重分配视觉 Token

    论文提出了 PRUDENT 方法,用于加速大型视觉语言模型(VLM)。该方法利用一个小 VLM 对剪枝后结果的异议信号,将节省下来的计算资源重新分配给那些小 VLM 认为不可靠的问题进行二次回答。在 18 个基准测试中,PRUDENT 在相同的平均视觉 Token 预算下优于八种现有的剪枝方法,且在预算更紧张时优势更大。代码和数据已公开。

    推荐理由:提出 PRUDENT 方法,利用小 VLM 对剪枝结果的异议来重新分配视觉 Token,在多个基准上优于现有方法。

  20. arXiv · 机器人与计算机视觉82

    MAVE:从电影镜头重建可编辑的三维块状布局

    针对手动从参考视频中重建动画三维块状布局成本高、限制创作者使用及配对训练数据生产的问题,该工作提出 MAVE 框架与 MAVEBench 基准。MAVE 结合度量观察、代理建模和基于证据的验证,在共享度量坐标系中恢复相机、人物运动及几何证据,由代理构建受约束的可编辑环境,并通过程序化检查报告不一致性以指导优化。

    推荐理由:该工作提出 MAVE 框架与基准,从电影镜头重建可编辑三维场景,为视频生成提供结构化条件。