跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉72

    CiGS:基于高斯泼溅的室内温度场推断方法

    论文提出 CiGS 方法,利用配准的多视角可见光与热成像数据,将稳态热传导建模为拉普拉斯边值问题并通过离散化边界积分方程求解。该方法不构建表面或体积网格,而是从渲染深度采样共轭点并利用密度减法保证内部评估精度。实验在具有挑战性拓扑的合成及真实场景上验证了方法对狄利克雷和混合边界的适用性,结果显示其匹配解析解且精度优于有限元法(FEM)求解器。

  2. arXiv · 机器人与计算机视觉78

    SelfMark:一种用于多模态大模型的原生视觉推理能力

    该论文介绍了 SelfMark 方法,该方法允许多模态大模型在其原生的视觉特征空间中构建和使用视觉标记进行推理。通过 locate-mark-read 流程建立标记与图像的显式空间对应关系,并在空间规划、密集计数等任务上联合训练单一模型。实验显示该方法在六个基准测试中优于现有专用方法,且效果在不同骨干网络上保持一致。

    推荐理由:提出 SelfMark 方法,将视觉标记直接嵌入多模态大模型特征空间以增强推理能力。

  3. arXiv · 机器人与计算机视觉65

    EvoMem3D:面向多相机 3D 检测的自适应深度时序表示记忆方法

    针对现代多相机 3D 检测器依赖大型视觉 Transformer 编码器导致推理成本高的问题,本文提出 EvoMem3D 框架。该方法缓存最近的全深度外观表示作为只读锚点,结合当前帧的策略选择部分特征;通过轻量级预编码控制器在语义编码器出口间分配计算资源,对稳定帧使用浅层计算,视觉状态变化时使用深层计算。

  4. arXiv · 机器人与计算机视觉15

    Ocular Recognition:跨分辨率互操作性与光谱挑战研究

    针对受控采集限制导致的眼部识别在移动场景应用受限问题,研究提出基于 AdaFace 架构的三种方案以解决异构数据(40x40、80x80、160x160)处理难题。实验表明全池化训练策略使各分辨率性能更均匀且主要利好 160x160 路由,而路线特异性训练则呈现不同性能特征。该论文目前处于 IEEE 期刊修订过程中,代码与权重暂未开放。

  5. arXiv · 机器人与计算机视觉42

    AstroPIE-53:太空宇航员姿态估计失败模式分析

    AstroPIE-53 发布了一个包含 53 个标注视频的宇航员数据集,提供视频标识符、重建脚本及密集标注而非原始视频以遵守版权。研究在零样本条件下对主流检测与姿态估计模型进行了基准测试,首次系统揭示了遮挡、非常规体位、低对比度及微重力运动导致的性能下降。该工作发表于 SPAICE 2026 和 i-SAIRAS 2026,旨在量化太空环境下计算机视觉的鲁棒性局限。

  6. arXiv · 机器人与计算机视觉33

    Radar Panoptic Transformer:语义引导掩码查询实现动态场景理解

    Radar Panoptic Transformer(RPT)提出端到端点基网络,利用雷达自适应特征提取与语义引导掩码预测解决稀疏点云分割难题。该模型在 RadarScenes 数据集以 31Hz 实时推理速度达到 71.6% mIoU 和 82.2% PQ 的最优性能。此外,RPT 在 MAN TruckScenes 长程全周视雷达设置(探测距离达 230m)中超越所有评估基线。

  7. arXiv · 机器人与计算机视觉62

    GeoReVis:面向遥感分割的选择性修订与证据整合学习

    针对语言引导的遥感分割中存在的修订退化和证据碎片化问题,本文提出 GeoReVis 框架,通过执行反馈指导修订、候选选择及跨掩码证据整合来优化分割结果。研究构建了多轮分割轨迹数据管道以生成细粒度监督信号,并提出了 ReVis-Eval 基准协议用于评估多轮修订与证据整合的准确性。实验在 ReVis-Eval 及五个遥感推理与指代分割基准上验证了该方法的有效性。

  8. arXiv · 机器人与计算机视觉42

    边缘约束下空中人员检测:预留评估与边地验证

    研究在搜索无人机资源受限条件下,对比了热成像帧标识推断、全网络应用及 YOLO11n 等检测器性能。实验显示,无测试调优的 4.6 万参数对比门控模型召回率为 10.4%,而标准 YOLO11n 在 117 米高空对步行人员的帧级检出率高达 92%。通过地面大模型重评分,YOLO11n 在测试位置的召回率提升 8.8 个百分点,但静止土色目标覆盖度仍很低。

  9. arXiv · 机器人与计算机视觉38

    MambaVision 在胸部 X 光分类任务中通过替换第四阶段实现参数与精度权衡

    MambaVision 混合架构将大部分参数置于最宽第四阶段,研究将其替换为轻量级状态空间块以量化贡献。在 Tiny 和 Small 规模下,该操作减少 35.7% 参数量并提升 GPU 吞吐量 19.3%,但无蒸馏时 ChestMNIST 曲线下面积均值下降 0.004;知识蒸馏可缩小差距至 0.001-0.002。

  10. arXiv · 机器人与计算机视觉63

    Geo2Gcode:从三维几何到 CNC 程序的结构化加工原语转换

    针对将三维形状转为数控程序仍依赖人工的现状,该研究提出 Geo2Gcode 方法,通过结构化加工原语将目标网格直接编译为标准 G-code 代码。该方法利用体素库存模拟器训练轻量级选择器自动填充参数,在 ABC 零件仿真中达到与专家调优商业 CAM 相当的粗加工精度,且无需针对每个零件进行手动设置。生成的程序已在商业 G-code 模拟器运行,并成功在一台物理数控铣床上完成了一个零件的加工。

  11. arXiv · 机器人与计算机视觉78

    PointWM:一种用于点云视频预训练的无泄露潜在世界模型

    针对点云视频自监督学习中存在的几何位置与时间掩码导致的信息泄露问题,论文提出了 PointWM 方法。该方法通过仅使用目标最后一次出现的位置和时间戳进行查询,并学习无需标注的潜在动作来预测未来帧的特征与几何结构,从而将任务从补全转变为真正的因果预测。

    推荐理由:提出 PointWM 方法解决点云视频预训练中的信息泄露问题,在 HOI4D 任务上显著优于从头训练。

  12. arXiv · 机器人与计算机视觉46

    Cosmos4D:通过引力势与光度分层动力学,在四维上重建星系演化

    Cosmos4D 模型利用引力 4D Gaussian Splatting 和光度分层动力学,成功从多视角图像中恢复星系的四维演化。该方法在包含八条银河的宇宙学仿真数据集上,优于动态高斯基线的光度质量与物理准确性。研究展示了在 96 帧内重现星系 8 亿年生命周期的能力,解决了现有方法无法处理微弱恒星群体及重力约束的问题。

  13. arXiv · 机器人与计算机视觉72

    SGIP:学习场景 grounded 交互先验以进行场景感知的人体运动预测

    SGIP 是一种用于人体运动预测的新方法,旨在解决复杂场景中未来运动目标模糊的问题。该方法通过意图蒸馏技术,在训练阶段利用大语言模型结合几何特征对候选区域打分,使学生模型仅凭观测到的运动和三维场景信息即可学习场景 grounded 交互先验,从而在无需 gaze 或 intent 的情况下准确预测轨迹和全身姿态。实验表明,SGIP 在多个基准数据集上优于现有的场景感知基线,证明了该框架的有效性。

  14. arXiv · 机器人与计算机视觉72

    MARLIN:面向不平衡 SAR 船舶分类的多尺度方向稀疏表示学习

    该论文提出了 MARLIN 框架以解决合成孔径雷达(SAR)海洋监测中船舶分类面临的标签数据有限、类别不平衡及目标尺度与朝向变化等挑战。架构通过并行编码器分支构建互补表示,采用方向稀疏卷积捕捉长条状散射模式,并结合类频率感知目标优化嵌入空间,使少数类样本形成紧凑簇并增强类别对分离。

  15. arXiv · 机器人与计算机视觉3

    acuSimNet:多视角自遮挡感知颅颈针灸点可见性学习模型

    acuSimNet 提出高效分层多任务架构,实现颅颈区 174 个针灸点的多视角自遮挡可见性预测,验证集准确率高达 99.97%。该方法将训练效率从现有方法的 3000 轮提升至优化框架仅需 86 轮即达 99% 精度,有效解决高维分类与收敛难题。该工作旨在推动中医针灸点检测与可视化的自动化进程。

  16. arXiv · 机器人与计算机视觉72

    FastGRN:基于少步生成的图像精炼网络

    本文介绍 FastGRN,一种仅需少数步骤即可生成高保真图像的离散潜在变量精炼网络。作者通过在自身样本分布上进行训练、利用均匀状态扰动进行离散 token 匹配以及类 rectified flow 的噪声配对策略,将传统 GRN 所需的数十步 Markov 过程压缩至几步。

  17. arXiv · 机器人与计算机视觉82

    ReactBench-AD:驾驶 VLA 和世界动作模型能否对路径中的突发危险做出反应?

    该研究引入 ReactBench-AD 基准,基于 NAVSIM 和 PhysicalAI-Autonomous-Vehicles 构建像素级反事实场景(插入行人或车辆),评估四款 VLA 和两款 WAM 发现其对突发危险反应微弱。针对 ReCogDrive 进行少量编辑场景微调后,模型学会紧急制动且能泛化至未见物体及真实场景,同时保持常规驾驶性能。代码与数据将公开。

    推荐理由:该基准通过像素级编辑场景发现现有模型对突发危险反应微弱,并证明少量微调即可让 ReCogDrive 学会紧急制动且能泛化至真实场景。

  18. arXiv · 机器人与计算机视觉74

    跨模态对齐的关键因素:LightAlign 方法仅需少量配对数据实现医学影像与文本的高效对齐

    论文测试了零配对跨模态对齐的可行性,发现仅在自然图像数据集成功,而环境音频、胸部 X 光及 CT 等失败,分析表明需先定位共变子空间。为此提出 LightAlign 方法:利用少量配对数据通过岭回归同时确定映射位置与方向,并用文本分类器预测医学影像中的诊断结果。在 3D CT 任务上,该方法仅需约 200 对数据即可超越端到端训练的模型,且在未见过的医院数据集上也表现优异。

  19. arXiv · 机器人与计算机视觉78

    复杂环境下多类隧道缺陷的形态解耦分割方法

    针对隧道衬砌检测中裂纹等细长型与渗漏、脱落等面状型缺陷的几何差异,本文提出形态解耦分割(MDS)方法。该方法利用监督路由模块将特征分为线性流和面状流:线性流采用可变形条带注意力保持裂纹连续性,面状流结合金字塔池化捕捉区域上下文;两者通过门控跨形态注意力交互。

    推荐理由:提出形态解耦分割方法,通过线性与面状流处理不同缺陷几何特征,在隧道衬砌检测任务中取得优于基线模型的效果。

  20. arXiv · 机器人与计算机视觉58

    Two-Stage Prompt Learning:一种无需服装假设的行人重识别统一框架

    论文提出 Two-Stage Prompt Learning (TSPL) 框架,解决现有方法依赖固定指令且难以处理未知换衣场景的问题。第一阶段在冻结编码器下解耦服装与身份特征;第二阶段利用可学习上下文嵌入训练图像编码器,实现跨同衣、换衣及未知场景的鲁棒适应。实验显示该方法在 LTCC 和 VC-Clothes 基准上分别提升 mAP 9.2% 和 6.4%,代码将开源。

  21. arXiv · 机器人与计算机视觉42

    SAGE-VQA:一种无需训练、具备自进化能力的知识型视觉问答智能体框架

    SAGE-VQA 提出了一种无需微调的自主智能体框架,通过证据驱动的自适应推理策略解决视觉感知幻觉与泛化受限问题。该框架利用共验证视觉定位模块获取细粒度证据,并借助自进化分层记忆机制复用经验以支持跨任务稳健推理。实验表明其性能优于基于轻量开源及闭源视觉语言模型的现有方法,且可作为插件直接适配现有架构而不修改模型结构。

  22. arXiv · 机器人与计算机视觉48

    HEmIF-Bench:超越虚拟染色保真的 H&E-to-mIF 模型基准评测

    HEmIF-Bench 基准评测显示,MIPHEI-ViT 在五项病理任务中领先但内部特征优于生成输出,且未超越 UNI2。该基准解耦编码器与生成结果,涵盖分子至患者尺度八数据集,验证像素保真度不等于下游效用。研究指出当前配对数据规模下的生成模型尚未超越大规模纯 H&E 基础模型,需更大规模数据突破。

  23. arXiv · 机器人与计算机视觉74

    Remember, Replay, Adapt:基于过往经验的在线视觉语言导航学习

    现有基于反馈的在线视觉语言导航方法主要依赖当前回合结果,未充分利用既往反馈。受人类情景记忆启发,本文提出 R2A 框架,通过成功 - 失败记忆模块保留并检索历史经验,结合先验锚定适应机制强化成功轨迹、抑制失败路径以稳定策略更新。实验在 REVERIE、R2R 和 R2R-CE 三个基准及五个导航骨干网络上验证,在 REVERIE 未见测试集上显著提升了 DUET 模型的 SR 与 SPL 指标。

  24. arXiv · 机器人与计算机视觉44

    光谱波段归因的“可解释性幻觉”:卫星时序作物分类中的合理性检查

    GradientSHAP、Shapley 采样和遮挡法在基于 Sentinel-2 时序的 U-TAE 模型上均识别出符合领域知识的植被敏感区,但重训练实验显示这些归因排名无法可靠预测性能提升。重新使用最低排名波段训练的模型表现相当或更优,且独立模型得出的前五位波段子集能带来更好效果。研究揭示了光谱冗余输入空间中,看似可信的归因排名未必对应任务相关波段,警示了波段级特征归因在有效性验证上的局限。

  25. arXiv · 机器人与计算机视觉70

    PanDWM:一种基于全景带的 4D 驾驶世界模型方法

    论文 PanDWM 提出将六个针孔相机视图拼接为单一 360°全景带,使视角一致性转化为图像连续性约束。该方法采用因果学生网络分步生成全景窗口,并通过前馈解码器结合邻帧静态高斯构建 4D 场景。在 nuScenes 数据集上,PanDWM 在单视口评分下 FID 低于多相机基线,速度提升 8-46 倍,同时将 FVD 降低 22-25%。代码与网站链接已提供。

  26. arXiv · 机器人与计算机视觉72

    Passable for Whom?基于少样本的个人化人行道通行性感知校准研究

    该论文指出同一人行道场景对不同使用者(如不同助行者)的通行性判断存在差异,单标签标注方式不适用。作者提出 Few-Shot Personal Calibration 方法,通过冻结视觉语言模型获取场景内部状态,结合检测器预测障碍类型、严重程度等属性,利用少量新用户的回答拟合其解读风格与权重。

  27. arXiv · 机器人与计算机视觉78

    PRISM:基于原语集成与优先级视觉记忆队列的组合式零样本学习

    该论文提出了 PRISM 框架,通过分层知识积累模块和优先级视觉记忆队列,实现了组合式零样本学习的在线测试时自适应。实验表明,Full PRISM 在 UT-Zappos、MIT-States 和 C-GQA 三个基准上均取得了最佳的开放世界 AUC 和谐均值结果,而 Adaptive PRISM-Lite 版本则在保持较小精度损失的同时显著提升了效率。

    推荐理由:PRISM 框架将原型迁移扩展至测试时自适应,在三个基准上实现最佳开放世界性能。

  28. arXiv · 机器人与计算机视觉48

    复用层何时助益多模态嵌入?——MMEB-V2 基准上的循环 Transformer 研究

    该研究在 MMEB-V2 基准的 78 个数据集上验证,标准附加循环使检索分数下降 0.46 分,而中间生成阶段则提升 0.36 分。预训练引入循环的模型相比去环控制组增益 4.23 分,且在视觉问答与文本定位任务中受益于查询条件化的图像更新。研究区分了前向信息流保持查询独立性与双向注意力下的状态敏感性机制。

  29. arXiv · 机器人与计算机视觉42

    Pros4D:在潜在空间建模演化的 4D 世界以支持动态空间推理

    Pros4D 框架通过潜在空间统一观测动力学理解与未来动力学预测,解决现有视觉语言模型难以处理连续动态变化的局限。该方案利用几何 grounded 监督构建配对示例,将观测状态压缩并自回归推演至未来状态,同时通过 4D Latent Alignment 进行视觉语义与几何配准。实验在涵盖动态相机、物体及场景的八类空间任务基准上,均展现出优于强基线的一致性能提升。

  30. arXiv · 机器人与计算机视觉42

    TF-VSM:一种无阈值视觉语义匹配指标用于评估主体驱动图像生成的一致性

    TF-VSM 提出了一种无需人工调参的连续置信度加权评分机制,解决了现有 VSM 依赖固定阈值导致的不稳定问题。在包含真实修复预言家的 100 对基准测试中,该方法经重训练后皮尔逊相关系数达 0.638、斯皮尔曼等级相关系数为 0.674,显著优于 CLIP、DINO 及 VLMs 等基线。该研究通过消融实验证实平滑置信度加权机制的有效性,并确认无阈值设计对训练损失平衡具有不变性。

  31. arXiv · 机器人与计算机视觉78

    当后门可以被关闭:针对视觉语言动作模型的感知抑制后门攻击

    该论文研究了视觉语言动作(VLA)模型中的新型后门攻击,提出结合触发器激活与指令条件抑制的设计。研究通过三种变体(跨模态触发、自抑制触发和多触发)在 SmolVLA 和 OpenVLA 上进行了评估,结果显示此类攻击能显著降低检测率并维持高成功率,同时保持清洁任务的完美性能,确立了条件抑制作为评估 VLA 后门威胁的重要维度。

    推荐理由:该研究揭示了 VLA 模型中可被指令条件抑制的后门攻击机制,为评估此类安全威胁提供了新的维度。

  32. arXiv · 机器人与计算机视觉48

    SemLite-GS:面向无人机倾斜影像的轻量级建筑重建语义选择并行高斯泼溅框架

    SemLite-GS 提出一种针对大规模无人机倾斜影像的轻量化建筑重建框架,通过正射参考图建立全局一致身份并仅更新目标高斯以加速训练。该方法利用渲染深度与法线提取建筑平面引导有向距离场优化,在保持多边形预算相当时显著优于传统全场景重建及网格简化方法。源代码已公开于 GitHub 仓库。