跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉50

    QASK-Edit:面向视频编辑的查询自适应跨源稀疏注意力方法

    该论文提出 QASK-Edit 框架,将视频编辑视为条件生成任务,通过独立评估每个查询在不同关键源(如源视频、参考图像等)上的注意力质量与近似风险来动态调整计算策略。实验表明,该方法在三个视频编辑模型上实现了最高 1.46 倍的端到端加速,同时保持了编辑质量和未编辑区域的保真度,并可直接泛化至参考图生成视频任务,实现最高 1.36 倍加速且维持生成质量。

  2. arXiv · 机器人与计算机视觉53

    基于迭代全局 - 局部代理注意力的多视图高效生成方法

    针对多视图 RGB 图像及法线图生成中的跨视图信息交互成本问题,本文提出全局 - 局部代理注意力(GLPA)机制。该方法在保留单视图全分辨率交互的同时,利用紧凑的全局代理进行跨视图通信,并通过迭代优化代理以复用注意力参数。实验表明,该机制在 FLUX 和 Stable Diffusion 两种扩散骨干网络上均有效,显著降低了计算开销并提升了重建 IoU、NVS LPIPS 等指标。

  3. arXiv · 机器人与计算机视觉3

    自动车道检测安全智能滑板车原型设计

    作者展示了一款利用计算机视觉识别行驶车道并自动调整车辆配置的电动滑板车原型。该系统针对在人行道、自行车道或机动车道行驶的场景,重点解决了此类系统的安全与安全性顾虑。论文发表于 IEEE SOLI 2022,当前为 arXiv 预印本版本(arXiv:2611.20700)。

  4. arXiv · 机器人与计算机视觉35

    STARS:遥感图像阴影去除的级联责任分离框架

    STARS 提出一种级联阴影去除框架,通过分阶段分离区域责任解决掩码先验导致的非阴影区亮度偏移问题。该方法引入特征选择与融合适配器(FSFA)以利用大模型先验知识,无需复杂并行双分支结构。在 UAV-SC+、ISTD+ 和 WSRD+ 2026 三个基准数据集上的实验表明,该框架优于现有方法。

  5. arXiv · 机器人与计算机视觉71

    Room for Supervision:一种无需训练的物体检测数据集蒸馏方法

    论文介绍 GRASP 方法,旨在解决现有物体检测数据蒸馏依赖学习模型且可能改变对象空间关系的问题。该方法在不进行网络训练或推理的情况下,通过联合搜索图像选择与空间布局的凸分配子问题,将密集的原生监督信息压缩到有限像素中。

  6. arXiv · 机器人与计算机视觉58

    LeaP-VLN:面向长视野视觉语言导航的闭环代理规划与进度增强执行

    针对长视野视觉语言导航中指令追踪困难及执行器在部署时遭遇策略诱导的状态偏移问题,本文提出 LeaP-VLN 系统。该系统耦合进度感知执行与独立进度验证,通过计划 - 执行 - 验证 - 恢复的闭环机制处理子任务完成确认与路线偏离后的双阶段恢复。

  7. arXiv · 机器人与计算机视觉53

    RAMP:通过答案读取协议重新思考多模态评估

    本文介绍 RAMP 框架,系统比较了直接 token logit、表面形式分数及不同接口下的多模态模型表现。研究在固定检查点下发现,输入方式(如打字与裸读)显著改变准确率,且配对转换揭示大量预测变化。作者通过独立离线回放验证了原始分数的可复现性,确立了答案读取作为评估关键组件的地位。

  8. arXiv · 机器人与计算机视觉28

    Defect-Aware MAE 实现钢铁表面缺陷无监督聚类

    Defect-Aware Masked Autoencoders(Defect-Aware MAE)通过纹理能量掩码与 HOG 描述符重构,在无标签图像上实现钢铁表面缺陷聚类。该方法在 NEU DET 测试集达到 98.6% 匈牙利匹配准确率及 0.968 NMI,优于 SimCLR 基线且无需对比损失或检测分支。论文已接受发表于 IVCNZ 2026,代码与权重暂未提及开放许可。

  9. arXiv · 机器人与计算机视觉42

    Counterfactual Feature Steering 实现扩散模型身份遗忘与相邻概念保留

    Counterfactual Feature Steering(CFS)方法通过一次 SAE 训练,在稀疏自编码器潜在空间实现有界推理时概念编辑。该方法在 Celeb-100 的 4,000 个提示词及 COCO 数据集上验证了身份擦除与相邻概念保留的最佳权衡,且跨干预强度保持稳定。研究还通过 ArcFace 独立评估和裸体抑制基准证明了其在 SD~1.4 上的泛化能力。

  10. arXiv · 机器人与计算机视觉74

    行动前的指令:驾驶视觉 - 语言 - 动作数据的前瞻与回顾性语言监督研究

    该论文研究了驾驶视觉 - 语言 - 动作(VLA)模型中导航指令的收集与评估方法,区分了行动前发出的前瞻性指令和行动后标注的回顾性标签。作者开发了 ADVLAT-Engine 同步语音指令、道路场景视频和车辆轨迹,并在 48 条回放路线上对比了三款导航应用。

  11. arXiv · 机器人与计算机视觉38

    Event-Guided Stereo Video Super-Resolution:首个利用事件相机提升立体视频超分辨率的框架

    针对现有方法在快速运动下难以恢复高频纹理的问题,该研究首次提出融合事件相机的立体视频超分辨率框架。通过 EGTE 与 CVTI 模块整合事件驱动的运动纹理信息及跨视角空间关系,实验证明其在真实与合成数据集上均优于现有方法并维持了立体一致性。代码与数据许可状态需查阅项目页面,论文预印本已发布于 arXiv。

  12. arXiv · 机器人与计算机视觉53

    ASCG:扩散模型手术概念抑制的自适应空间分类器引导

    针对文本生成图像模型易产生有害内容的风险,现有全局干预机制常导致语义漂移和画质下降。本文提出自适应空间分类器引导(ASCG)框架,利用 Grad-CAM 进行局部化抑制,仅在检测到危害时激活引导,从而在移除有害概念的同时保持高语义保真度。

  13. arXiv · 机器人与计算机视觉75

    从联合风险到决策不变性:用于无示例类增量学习的决策保持正则化

    针对无示例持续学习中历史数据不可用导致难以直接优化联合风险的难题,该方法通过保留模型对已学类别的分类决策来维持旧知识。具体而言,通过对所有成对旧类别逻辑值边距的变化进行惩罚,将其代数简化为中心相对逻辑值惩罚;同时应用谱白化以消除分类器的谱尺度偏差。

  14. arXiv · 机器人与计算机视觉38

    SCoRe:无需训练的跨域少样本分割框架,融合定位与轮廓能力实现精度突破

    SCoRe 框架利用两个互补的视觉基础模型(VFM)分割器,通过角色融合方法在无需训练的情况下完成跨域少样本分割任务。该方法在 RSRM 和 FSS-SAM3 上基于 10 个数据集共 3,314 次五样本实验评估,平均前景 mIoU 达 72.738%,较 RSRM 提升 5.210 个百分点。

  15. arXiv · 机器人与计算机视觉78

    sqrtVINS-Based 360 Visual-Inertial SLAM Systems: Hilti-Trimble SLAM Challenge 2026 Entry

    该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。

    推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。

  16. arXiv · 机器人与计算机视觉78

    学习任务自适应低维语义空间以改善视觉分类

    针对预训练文本编码器诱导的语义空间维度高且与视觉特征对齐弱的问题,论文提出 TaSS 框架,通过参数化几何变换优化类间距离和类内紧凑度,并利用轻量级 MLP 将冻结的视觉编码特征对齐至该空间。

    推荐理由:提出 TaSS 框架,通过几何变换优化语义空间以提升分类判别性,在多个基准上平均提升超 3 个百分点。

  17. arXiv · 机器人与计算机视觉72

    SmoothShift:在测试时破坏 LVLM 的视觉对抗攻击

    针对大视觉语言模型(LVLM)易受细微输入扰动影响的问题,研究揭示了强攻击依赖精细迭代优化及表征差异在编码器中逐层放大的机制。为此提出 SmoothShift 方法,结合局部平滑削弱细粒度扰动模式,利用空间变换破坏其与编码器补丁网格的对齐,从而大幅减弱攻击效果。

  18. arXiv · 机器人与计算机视觉83

    平均数掩盖的真相:单目度量深度模型在日常场景仍失败,主要在尺度上

    针对现有零样本单目度量深度模型评估依赖跨数据集平均分数的做法,本文指出其无法反映严重错误比例、偏差方向及共性失效图像。作者提出基于单图结果的评估框架,包含失效率(度量δ1<0.5)、结构对齐指标、尺度偏差与绝对误差等,并对比 11 种架构在 7 个日常场景基准集上的表现。

    推荐理由:提出基于单图结果的深度模型评估框架,揭示日常场景中尺度误差仍是主要瓶颈。

  19. arXiv · 机器人与计算机视觉82

    VoxSAOR:一种基于偶然不确定性建模的语义感知占用鲁棒化框架

    论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。

    推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。

  20. arXiv · 机器人与计算机视觉73

    视觉 Token 选择的可靠性分析:CoRePruner 框架

    该论文指出当前基于注意力或多样性的视觉 Token 剪枝方法存在局部不稳定和全局不一致的局限。作者提出 CoRePruner,这是一个无需训练的框架,结合了指令感知的多样性与可靠性感知注意力机制。实验表明,该方法在多种 MLLM 架构和图像基准测试中提升了性能,尤其在激进剪枝下表现更好,且在视频基准上保持竞争力。

  21. arXiv · 机器人与计算机视觉15

    Pointillist Maize 利用消费级无人机 RGB 影像重建田间玉米的三维结构

    Pointillist Maize 项目验证了使用消费级无人机 RGB 视频结合运动恢复结构与多视图立体视觉,可识别出叶片、茎秆等玉米器官。实验显示单轨道采集在植物结构内点浓度更高且空隙更少,而曲线路径虽能区分个体植株但土壤表面仍存在大量空洞。研究揭示了采集策略与重建完整性及点分散度之间的权衡,指出独立几何验证仍是定量表型分析的前提。

  22. arXiv · 机器人与计算机视觉68

    超越看见:缓解视觉语言模型幻觉的细粒度偏好验证与严重性感知对齐

    该论文研究了针对视觉语言模型的幻觉缓解对齐流程,利用 16,143 条归一化反馈记录和 8,386 对偏好数据进行实验。研究对比了直接训练、零样本及两样本判定的严重性间隔变体,结果显示零样本变体将 Object HalBench CHAIRs 从 53.00 降至 36.00,AMBER-Hal 分数显著下降且视觉覆盖减少,同时基模型保留了最高的有效 POPE 对抗 F1 值。

  23. arXiv · 机器人与计算机视觉45

    共享点基掩码细化如何提升 X 光行李实例分割

    该研究在 Cascade Mask R-CNN 架构中引入共享点基掩码细化模块,将掩码分辨率从 28×28 提升至 112×112。Transformer 与 MLP 变体在 PIXray 数据集上分别实现 71.79 和 72.47 的平均掩码 AP,较未细化检测器提升 1.29 至 1.97 个点。MLP 配置表现最优且改善了边界一致性,但需独立数据集验证泛化能力。

  24. arXiv · 机器人与计算机视觉72

    LiveView:实时相机控制的流媒体视频重拍摄方法

    LiveView 是一种针对流式源视频的实时相机控制重拍摄方法,旨在合成目标视角并维持低延迟渲染与时空一致性。该方法通过教师到学生蒸馏框架将双向注意力模型转化为因果自回归模型,引入跨帧注入建立视图对应关系,并提出共享相对 RoPE 与循环流式微调以保障长时序稳定性。材料为预印本论文,未报告真实机器人部署结果或具体产品发布。

  25. arXiv · 机器人与计算机视觉78

    LEDGE:分离文本到图像自修正中的批评者与编辑器故障

    论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。

    推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。

  26. arXiv · 机器人与计算机视觉48

    ReScene:从稀疏重访构建增量场景时序

    ReScene 通过存储不可变紧凑更新而非完整模型,在保留早期状态的同时避免重复存储未变场景。该方法利用高斯合成权重定位差异以抑制过时元素并细化持久结构,结合学习的多视角深度初始化新表面。相比顺序 3DGS 检查点,其未压缩历史存储减少 2.5--4.8 倍;在相当 PSNR 下,前景深度误差较 ChronoGS 降低 3.2 倍。代码与基准测试已公开。

  27. arXiv · 机器人与计算机视觉48

    InterRSGaussian:交互式多视角遥感场景实例分割方法

    InterRSGaussian 将交互式实例分割从单视图扩展至多视图框架,支持用户通过任意视角的点点击生成跨视图一致的分割结果。该方法基于 3D Gaussians 构建,引入先验蒸馏网络以提升训练效率,无需人工标注即可实现复杂三维遥感场景的感知。研究构建了包含五个不同场景、每个约一百个视角的多视图数据集,并将二维分割结果投影至三维点云以完成三维分割任务。

  28. arXiv · 机器人与计算机视觉78

    无需训练的车载数据匿名化:基于提示分割与 3D 人体网格恢复

    针对自动驾驶相机记录中的人脸和车牌隐私问题,该研究提出 FM-Anonymize 流程,结合 SAM 3 定位、SAM 3D Body 评估可见性及扩散模型合成替换。

    推荐理由:该工作提出无需训练的匿名化流程,在人脸与车牌保护率上优于现有方法,并支持合成替换以保留关键点精度。

  29. arXiv · 机器人与计算机视觉78

    DominoBench:基于静态图像的跨步物理推理评估基准

    论文发布 DominoBench 基准,包含 854 个二维刚体场景的静态图像对,用于测试多模态模型预测链式反应结果的能力。实验表明,未获提示的前沿模型在关键决策步骤上准确率不足 72%,且无法自主计算决定结果的物理量;仅当提供具体计算和数值时,模型表现才显著提升。该基准旨在验证模型是否能在无提示下发现并计算决定性物理量,而非仅凭流畅描述场景。数据集与评估工具已开源。

    推荐理由:该基准揭示了多模态模型在仅凭静态图像进行定量物理预测时的失效,为具身智能与仿真到现实迁移提供了关键评估工具。

  30. arXiv · 机器人与计算机视觉57

    Signs of Wear:在合成恶劣条件下评估智能限速辅助系统

    本文提出 ISA-Wear 数据集,通过生成式图像编辑为真实街道场景中的限速标志添加雪、锈迹、植被等三种严重程度的磨损。研究发现在检测 - 读取管线中,磨损导致检测器漏检(仅识别出原始帧的 62%),而一旦给定边界框,分类器仍能读取 78% 的标志。

  31. arXiv · 机器人与计算机视觉46

    VisDrone-ReID:首个统一多类别目标重识别基准发布

    VisDrone-ReID 基于 VisDrone2019-MOT 数据集构建,涵盖行人等十类物体共 9,516 个身份与 15.01 万张图像。该基准通过留一法评估协议及 CNN、Transformer 架构基线实验,揭示了跨类别重识别的真实挑战。它为研究真实监控场景下的多类别目标重识别提供了统一的评测平台。

  32. arXiv · 机器人与计算机视觉75

    BlockAlign:一种用于轨迹蒸馏视频生成的偏好优化方法

    BlockAlign 提出了一种界面一致的偏好优化框架,解决了传统流匹配目标与轨迹蒸馏生成器(如 PDD、PTD)的有限区间块平均过渡接口不匹配问题。该方法通过在有效块边界构建状态并监督归一化后的跨步残差,支持 DPO、NFT 及 rollout 风格的目标函数,同时保留原生少步采样器。

  33. arXiv · 机器人与计算机视觉78

    Words Speak Louder? Exploring the Language Shortcut of LLM-Driven Incomplete Multimodal Learning

    论文发现多模态大模型在融合中常过度依赖文本而忽略视觉线索。作者构建 MR-Bench 基准,显示仅凭转录即可解决大部分本需视觉的任务。提出的 Counterfactual-View Reliability (CoVeR) 方法通过让单模态视图互相监督来抑制语言捷径,在不增加推理成本的情况下显著提升了模型对非语言证据的利用能力。

  34. arXiv · 机器人与计算机视觉78

    SPEED+ 基准下的方向鲁棒性:来自仿真器误设的不合理置信度

    针对轨道视觉导航系统必须依赖合成图像训练的现状,该研究利用 SPEED+ 基准(含 Mylar/铝材反射近似及辐射误差的仿真器)评估了合成到现实的差距。实验发现模型在真实域存在过度自信现象:校准至合成数据 90% 置信度的区域在真实硬件回环测试中仅覆盖 9-15% 的旋转误差。

    推荐理由:研究揭示了仿真器辐射误差导致模型在真实域过度自信,且骨干网络适配比数据增强更能有效缩小合成到现实的差距。

  35. arXiv · 机器人与计算机视觉78

    PoCoAttn:位置 - 内容协作稀疏注意力用于快速高保真视频生成

    针对视频扩散 Transformer 中全注意力机制计算成本高的问题,本文提出 PoCoAttn,一种免训练的稀疏注意力框架。该方法将注意力分解为输入稳定的位置先验和输入依赖的内容残差,离线校准位置键并在线自适应选择内容键,同时通过步长自适应预算分配优化去噪轨迹中的误差放大效应。

    推荐理由:提出免训练稀疏注意力框架,在保持高保真视频生成的同时显著降低推理延迟。