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。
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。
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。
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。
该论文针对机器人控制中扩散模型的随机性作用研究不足的问题,引入每步反事实诊断以测试采样噪声对最终输出的影响。研究发现不同配置下噪声诱导的偏差在下游可能放大、收缩或衰减,据此定义“随机多样性窗口”并应用针对性干预策略。实验显示,利用低影响区域替换 DDPM 步骤为 DDIM 跳步,可将网络评估减少最多 40-60%,时钟时间减少最多 85%,且在保持可行性、成本和多样性方面未发现一致变化。
推荐理由:提出随机多样性窗口诊断方法,揭示去噪过程中噪声影响的时间敏感性,并通过采样干预实现推理加速。
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。
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。
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。
针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。
推荐理由:提出 SARVIA 方法,利用现有 MLLM 视觉编码器通过自监督微调实现合成孔径雷达任务的高效适配。
该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。
推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。
论文提出 UNITE 框架,通过共享锚点一比特分解技术将多个具身视觉语言模型(VLM)专家整合为紧凑的混合专家模型。该方法在保持各专家前馈块路由能力的同时,仅用不到 0.6M 参数完成微调,显著降低存储占用。实验显示该模型在导航与三维场景理解基准上优于单一专家及多种静态合并方法,且相对于未压缩 MoE 几乎无损。
推荐理由:提出 UNITE 框架,通过共享锚点一比特分解将多个具身 VLM 专家整合为紧凑混合专家模型,在保持存储效率的同时提升导航与场景理解能力。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。
推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。
针对现有系统仅能实现有限唇部运动或脚本化表情的局限,本文提出 ROSE 框架,整合仿生硬件与跨具身运动表示学习。硬件上构建集成 34 个执行器的 19.5 cm 仿生头部结构;算法上利用 ROSE-VAE 从人、数字人和机器人观测中学习身份无关的共享面部运动隐空间,ROSE-Flow 直接将文本或音频映射为运动轨迹,ROSE-ACT 将其转换为受约束的执行器指令。
推荐理由:提出 ROSE 框架,通过解耦执行器布局与面部动作点实现紧凑头部全脸表达,并构建跨模态运动生成管线。
针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。
推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。
论文提出 TRR(Thermal Robot Renderer),这是一个将空间解析的热状态附加到接触对象、并通过接触/传输/分离更新局部热交换的渲染器。材料展示了受控干预如何证明保留热量对后续接触结果的影响,并发布了包含 2,224 个静态 - 动态对的六任务基准数据集(共 4,448 条轨迹)。
推荐理由:TRR 引擎引入热力学状态模拟,生成带热历史的 RGBT 基准数据集与工程工作流,旨在提升机器人接触安全选择率并加速仿真到现实迁移。
论文提出了 RETR,这是首个尝试将事件相机引入 3D 车道检测的工作。作者构建了包含真实世界序列的 DSEC-3DLD 和大规模仿真序列的 Ev-OpenLane 两个多模态基准数据集。
推荐理由:提出首个将事件相机引入 3D 车道检测的模型,在真实与仿真基准上均达到最先进水平。
Guobiao Wang 审计了一种无源流匹配分割器在 120 名未见训练数据上的表现,发现模型常漏检脾脏且现有质量门控(往返过滤和体积 Dice)无法识别此类错误。作者提出 Chain-and-Fill 方法在 119 名患者上满足所有预注册终点,其严重组增益与 SAM 2 传播不可区分,且仅 1/357 的患者种子对受损。
推荐理由:原文审计了无源流匹配分割器在 CT 影像中的脾脏漏检问题,并验证了链式填充修复方法的有效性。
该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。
推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。
针对现有传输模型未标准化策略接口导致难以跨机器人复用的问题,本文提出在上游映射层引入身体对齐的虚拟关节空间。该方案使策略动作与观测遵循统一解剖学约定,并通过确定性运动学层将虚拟目标映射到原生坐标,保持底层控制栈不变。实验在三种不同腿部轴布局的人形机器人及宇树 G1 硬件上验证,证明该方法能准确跟踪、保持足部对齐且训练稳定,并将航向漂移降低近六倍。
推荐理由:提出身体对齐虚拟关节空间,在三种不同构型人形机器人上复用同一强化学习策略,显著降低航向漂移。
针对语言引导无人机导航长期侧重长程规划而忽视短距物体相对飞行的空白,该工作提出 Flying-on-a-Word 任务及 UAV-Flow 数据集,包含 30,692 条真实专家轨迹和 10,109 条仿真轨迹。团队开发 FlowVLA 模型,利用 Tail-Aware GRPO 方法进行在线后训练,在仿真基准上平均成功率达 93.16%,并在室内外实物场景中验证了物体相对指令的稳健执行能力。
推荐理由:该工作提出语言引导无人机飞行新基准与框架,通过混合真实与仿真数据训练 VLA 模型,在仿真中成功率提升至 93.16% 并验证了实物执行能力。