跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉78

    RAGE:基于流场的图像编辑中的残差自适应门控方法

    针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。

    推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。

  2. arXiv · 机器人与计算机视觉83

    Polygraph:基于位姿图的大规模多会话轨迹优化方法

    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。

  3. arXiv · 机器人与计算机视觉58

    DRaGAN:面向汽车雷达感知的多雷达点云动态图注意力编码网络

    论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。

  4. arXiv · 机器人与计算机视觉35

    DLhasa-L2S 数据集与拉孜河多光谱超分辨率模型研究

    DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。

  5. arXiv · 机器人与计算机视觉58

    Region-VAD:通过区域选择实现视频异常定位与检测

    Region-VAD 提出了一种新的视频异常检测方法,该方法首先从冻结的基础模型特征中搜索变化最显著的矩形区域,仅基于该区域内的 token 进行异常评分,从而在无需框标注的情况下实现了 SOTA 级别的异常定位效果。论文在 UCF-Crime 和 MSAD 等五个数据集上验证了其在保持检测性能的同时显著提升了定位能力。

  6. arXiv · 机器人与计算机视觉72

    Explain The Unexplainable:一种针对不可解释的视频异常检测模型的审计框架

    论文提出了 Explain The Unexplainable (ETU) 框架,旨在解决弱监督视频异常检测(VAD)模型预测缺乏可解释性的问题。该方法通过反事实干预冻结的 VAD 模型特征空间,将视频特征映射到代理、动作和结果的离散依赖图中,并利用图条件扩散生成器进行特征再生与掩码操作。

  7. arXiv · 机器人与计算机视觉74

    VAE Rhythm:用于 AI 生成视频检测的时间解码痕迹分析

    针对可见伪迹不可靠的问题,该方法利用生成模型将连续帧分组解码导致的周期性误差(即 VAE Rhythm)作为检测信号。通过相位扫描无需训练即可发现该痕迹,并在 31 个生成器的 39 种变体中验证有效。研究将其用作零样本评分、现有检测器插件及训练数据引擎,提出的 CaDet 模型在多个基准上表现最佳且具备无生成视频训练的鲁棒性。

  8. arXiv · 机器人与计算机视觉78

    多标签图像分类的源无关域适应:框架、基线与基准

    针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。

    推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。

  9. arXiv · 机器人与计算机视觉38

    Beyond Family Labels:一种用于鸟类三维形状恢复的谱系奥恩斯坦 - 乌伦贝克先验

    针对仅少数物种拥有三维标注数据的难题,该方法提出基于 AVES 参数化网格模型的谱系奥恩斯坦 - 乌伦贝克先验,将二元家族对比损失扩展为连续生成形式。在未见物种的 CowBird 基准和 CtrlAVES3D 数据集上,其性能优于 AniMer+,同时在已见物种 CUB 上表现相当。论文状态为 NeurIPS 2026 口头报告(arXiv:2611.21102),代码与权重尚未开放。

  10. arXiv · 机器人与计算机视觉42

    MORE:免训练多主体图像合成新范式

    MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。

  11. arXiv · 机器人与计算机视觉78

    MetricHand:面向度量世界空间的 4D 手部重建的几何感知流匹配方法

    论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。

    推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。

  12. arXiv · 机器人与计算机视觉18

    数据集蒸馏在手写文本识别中的实证研究:首个针对行级 HTR 任务的 DD 方法评估指南

    这是已知首个将数据集蒸馏(DD)应用于行级手写文本识别(HTR)的研究,通过聚类字符 n-gram 定义伪类别并优化真实起始像素生成合成图像。在 IAM、George Washington、READ,2016 及 LAM 四个数据集上,无论预算为 1% 至 10%,随机选取的行均优于中位数行,且进一步优化反而降低识别率。

  13. arXiv · 机器人与计算机视觉74

    Body of Evidence:基于几何条件的多视角 3D 人体姿态估计

    arXiv 论文 Body of Evidence 针对多相机设置中遮挡导致单关节仅存单一 2D 观测的问题,提出预测每相机关节深度与 2D 位置的框架。方法结合图像特征与重建的 3D 身体几何作为上下文线索以减少单目深度歧义,并引入可学习深度感知三角化以支持单相机贡献下的重建。实验在 CMU Panoptic 数据集上展示了优于现有技术的性能,特别是在三相机稀疏设置下平均精度提升显著。

  14. arXiv · 机器人与计算机视觉48

    ScoutCache:通过条件读出与选择性缓存实现高效少步自回归视频扩散

    ScoutCache 是一种无需修改预训练模型参数的免训练框架,联合优化去噪、历史 KV 读取及缓存构建。该方法在 Self-Forcing 和 LongLive 数据集上分别实现了最高 2.28 倍和 1.86 倍的推理加速,同时利用 VBench 和 MovieGen 评估证实生成质量持续提升且无参数改动。

  15. arXiv · 机器人与计算机视觉78

    POKE:一种用于 VLA 模型的离线探测与高效剪枝方法

    针对视觉语言动作(VLA)模型推理成本高且注意力分数无法直接衡量 token 对动作影响的问题,该方法定义动作敏感度并解决在线评分导致的剪枝图锁定偏差。通过离线计算全图敏感度并蒸馏至不足 30 万参数的学生模型,在推理时无需反向传播即可进行评分引导的多样性选择。

    推荐理由:POKE 方法离线计算全图动作敏感度并蒸馏至小参数学生模型,在 LIBERO 等基准上实现高效剪枝与高成功率。

  16. arXiv · 机器人与计算机视觉36

    Sparse Attention for Visual Generation:面向视觉生成的稀疏注意力算法与系统协同设计综述

    针对高分辨率图像视频生成中稠密自注意力计算成本高的瓶颈,该研究提出通过保留关键查询 - 键交互并省略次要部分来降低算力开销。文章基于"4+1+3"分析框架,从数据组织、执行和数据流三个系统维度,综述了静态与动态稀疏方法的算法设计及硬件实现策略。此外,文中总结了通用评估指标,指出了开放挑战并为研究人员提供了算法与系统联合设计的参考指南。

  17. arXiv · 机器人与计算机视觉4

    MinerU 与 NDLOCR-Lite 在日文技术文档 PDF 转 Markdown 中的数字评分初步评估

    针对日文技术文档转换中因符号干扰导致数字评分失准的问题,研究对比了 MinerU、NDLOCR-Lite OCR 基线及确定性后处理管线。移除注释符号后两者 F1 分数持平(0.575 vs 0.594),且后处理管线未能改善关键指标。建议去除符号并对照源文件检查关键图表,该研究目前为技术报告。

  18. arXiv · 机器人与计算机视觉78

    vividRGB:一种用于 RGB 照片的强制聚焦注意力检测工具

    Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。

    推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。

  19. arXiv · 机器人与计算机视觉58

    ReAccess:通过高效测试时记忆实现一次查看并保持专注

    论文提出 ReAccess 轻量级框架,旨在解决视觉语言模型(VLM)难以有效利用已编码关键视觉证据的问题。该框架在单次视觉预填充阶段构建紧凑的关联记忆,支持渐进式证据检索以引导注意力查询和隐藏表示,从而在不进行重复图像编码或显式推理痕迹的情况下实现有效的视觉定位。实验表明,该方法在通用视觉理解和细粒度感知方面均取得一致提升,且推理速度显著快于现有的高计算量方法。

  20. arXiv · 机器人与计算机视觉19

    Palmprint Decomposer:通过合成学习与实例级细化实现可解释且可编辑的手掌纹分解

    Palmprint Decomposer 框架将手掌纹表示为独立可编辑的因子,利用合成数据监督训练与实例级优化抑制纹理泄露。七数据集实验显示重构高保真度,提取的结构图验证性能与原图相当,在更好分离因子的同时保留了更多判别性纹理信息。

  21. arXiv · 机器人与计算机视觉73

    GJBench:当空间被打破时,图像生成器能否维持场景完整?

    论文提出 GJBench 基准,要求图像生成模型绘制被打散、旋转且分离的拼图式场景,以区分模型是真正理解场景整体还是仅依赖相邻连接。评估显示所有测试模型均无法在碎片化条件下保持场景连贯:要么数量错误,要么轮廓不匹配导致无法拼接,且参考图对解决这些问题帮助有限。该工作揭示了图像生成器在处理空间破碎场景时的根本局限。

  22. arXiv · 机器人与计算机视觉73

    ProSE:面向 MoE-MLLM 的语义引导专家跳过与重建误差探测研究

    针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。

  23. arXiv · 机器人与计算机视觉73

    多速率流匹配用于点云上采样

    针对现有流匹配点云上采样器在全局统一时间分辨率下难以兼顾不同形状局部重建需求的局限,本文提出多速率流匹配框架。该方法在推理时冻结学习到的速度场,将离散预算松弛为连续变量,利用输入衍生的几何保真度目标在线优化积分步数,最终投影回离散预算进行求解器 rollout。实验表明,相比仅依赖步长分布的基准,基于局部区域自适应分配的分配策略能显著提升重建质量。

  24. arXiv · 机器人与计算机视觉38

    MVSTF:基于 LiDAR 的多视角时空融合移动目标分割网络发布

    MVSTF 提出端到端多分支网络,利用时序点云生成多视图图像与特征差异,并行提取时空及维度特征以解决动态环境下的边界模糊与遮挡难题。该方法在 SemanticKITTI 和 KITTI-Road 基准上实现最先进结果,并在隐藏测试集表现优异,代码已开源。

  25. arXiv · 机器人与计算机视觉57

    LiDSeg:一种用于恶劣天气条件下高效语义分割的重建引导框架

    该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。

  26. arXiv · 机器人与计算机视觉73

    何时昂贵的方法值得?基于内容的经典拜耳去马赛克分析

    针对拜耳去马赛克中方向性插值法计算成本高但收益不确定的问题,该研究在 80 张基准图像上验证了质量增益与图像饱和度的强相关性(r=-0.86),并构建了无需深度学习的可解释决策树。该方法能根据图像描述符推荐最佳廉价算法,在留一验证中比始终选择最常用方法的基线提升 20.0 个百分点,且所有步骤均可检查。

  27. arXiv · 机器人与计算机视觉45

    CLIP 视觉语言模型实现 Phase-OTDR 事件分类

    研究利用 CLIP 图像编码器与 Tip-Adapter-F 缓存,通过少样本学习实现相位敏感光时域反射仪(Phase-OTDR)的事件识别。在控制数据泄露的协议下,ViT-L-14 架构配合每类 128 个支持样本的配置,在独立测试集上达到 96.81%±0.42% 的准确率与 96.79%±0.42% 的宏平均 F1 分数。相关代码及图像数据集已公开于 GitHub,且性能对提示词表述不敏感。

  28. arXiv · 机器人与计算机视觉43

    FDIR 框架通过改进的 Fréchet Loss 实现图像恢复的高效单步训练

    FDIR 框架利用可计算的 Fréchet 距离在冻结特征空间匹配分布,结合局部补丁与实例自适应统计优化 LoRA 参数。实验显示该方法在简化生成式图像恢复训练的同时,实现了强感知质量的图像恢复效果。该工作包含 20 页论文、14 张图和 7 个表格,代码与权重暂未提及开源许可。

  29. arXiv · 机器人与计算机视觉53

    通过匹配矩实现无对应关系相机位姿估计

    该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。

  30. arXiv · 机器人与计算机视觉72

    VA-Assembly:基于视图对齐分数引导的免训练 3D 部件装配方法

    论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。

  31. arXiv · 机器人与计算机视觉58

    PhaseCLIP:面向少样本遥感分类的相位感知频域视觉语言模型适配

    PhaseCLIP 提出一种相位感知的频域适配方法,将相位能力模块与特征门控模块插入冻结的 CLIP 视觉编码器,仅训练 1.30% 的参数。该方法在五个公开遥感数据集上对比八个基线,平均准确率达 84.28%,并在 30 个数据 - 样本组合中的 23 个表现最佳,相位贡献了整体 1.93 个百分点的增益。

  32. arXiv · 机器人与计算机视觉8

    ThermoSight:通过物理引导神经重建从外观到内部热流体场

    ThermoSight 框架利用可微光谱模型,仅凭有限校准火焰图像联合重构三维温度与烟气体积分数场,无需场级真值即可解决解耦难题。合成消融实验显示,波长分辨衰减将高温区温度 RMSE 从 234 K 降至 112 K,且 RGB PSNR 保持 65.23 dB 至 65.24 dB 几乎不变。该成果证明物理引导神经场能恢复视觉上无法直接观测的内部可解释物理量。

  33. arXiv · 机器人与计算机视觉73

    CLIFT:基于对比学习的 LiDAR 实例特征用于 3D 行人跟踪

    CLIFT 方法通过在 LiDAR 检测器的中间体素特征上引入实例级对比学习目标,将检测器本身转化为跟踪器,无需依赖运动模型或重识别网络。该方法利用检测框内的体素嵌入,通过余弦相似度和匈牙利算法进行跨帧匹配,并在微调过程中保持检测精度基本不变。

  34. arXiv · 机器人与计算机视觉72

    Selective Sensor Acquisition for Multimodal Place Recognition 论文发布

    该研究介绍了一种选择性、可控的传感器采集机制,允许用户指定第二传感器的目标使用率,系统仅在主传感器性能不足时自动触发额外传感。该方法通过在线阈值调整适应主传感器近期表现,无需针对特定模态或环境进行校准,适用于单帧和序列定位任务。