跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉42

    时空极光粒子沉降的神经场重建方法获 WACV 2027 接收

    针对从地面相机图像反演高能电子沉降场的逆问题,该方法提出利用时序条件神经网络建模动态极光电子沉降场,通过每帧潜变量编码与共享解码器生成多波长体积发射率并渲染成像。在合成动态序列及真实多视角视频上的评估显示,该表示法能产生时间连贯的沉降重建结果且图像投影与观测一致。论文已获 IEEE/CVF WACV 2027 接收,为计算机视觉与空间物理交叉领域提供新工具。

  2. arXiv · 机器人与计算机视觉78

    输入空间与特征层条件化:鲁棒面部表情识别的受控比较

    面部表情识别在光照、曝光或分辨率偏离训练分布时性能急剧下降。本文在 RAF-DB 数据集上对输入空间条件化(使用四种确定性视图)和特征层条件化(FiLM/Conditional BatchNorm)进行了受控对比。

    推荐理由:该研究在 RAF-DB 数据集上系统对比了输入空间与特征层两种条件化策略,发现前者在六种骨干网络中均提升准确率且成本更低。

  3. arXiv · 机器人与计算机视觉48

    SEAT:一种用于多标签舌诊的符号类型证据审核框架

    SEAT 是一种基于冻结 DINOv2 特征的证据审核框架,通过掩码引导注意力、半松弛最优传输及共现感知正则化机制提升多标签舌诊一致性。在 TongueDx 基准测试中,该模型平均宏 F1 达 72.59(标准差 1.04),六模型集成版更以 74.15 的分数超越基线及专用视觉语言模型。代码已公开,研究聚焦于将预测路径与特定舌诊特征对齐以增强证据解释性。

  4. arXiv · 机器人与计算机视觉48

    事件相机在恶劣光照与运动下的目标检测:建筑工地的经验教训

    针对建筑工地夜间及隧道等低光场景,事件相机凭借微秒延迟和超 120 dB 动态范围,在低光测试集上以 27.2 AP 优于 RGB 的 21.3 AP。像素对齐 PEOD 数据集验证了无训练融合方案在所有光照下均达 33.3 AP 的最优性能。研究还发现高速运动是事件检测器的主要挑战,并提出了相机布设指导。

  5. arXiv · 机器人与计算机视觉72

    从云端到边缘:一种用于坑洞风险评估和驾驶员警告生成的完全本地化流程

    该研究提出了一种完全本地的视觉语言模型流程,用于将道路图像转化为几何感知的坑洞警告。系统重构了分割、严重程度分级和警告生成三个核心阶段,使其能在单张本地 GPU 上离线运行。实验显示,本地方案处理速度为每场景 1.27 秒,比原云端系统快 16 倍且无需按场景付费;在特定相机设置下,其风险分类性能接近云端模型,生成的警告在盲测中也被认为更安全且清晰度相当。

  6. arXiv · 机器人与计算机视觉78

    扩散驱动规划器的轨迹质量早期可读性研究

    该论文系统研究了三种预训练规划器(Alpamayo、ReCogDrive-IL 和 HDP),发现其内部状态在第一次去噪评估后已能支持有效的候选者选择,而后续去噪并不总能提升选择质量。基于此提出的早期选择方法仅对选定候选者完成去噪,相比对所有候选者完全去噪减少了计算量,并在所有三种规划器上提升了开环轨迹质量和闭环驾驶得分与进度。

    推荐理由:研究证实扩散规划器在第一次去噪后即可进行轨迹选择,该方法能显著降低计算量并提升 Alpamayo 等模型的闭环驾驶表现。

  7. arXiv · 机器人与计算机视觉35

    Learning Spatially Aware Audio-Visual Features from Videos with Mono Audio 提出新模型

    针对现有空间模型泛化差、语义模型缺失空间特征的问题,该研究引入能联合双耳音频与视觉进行时空推理的新模型。通过开发自动管线定位声源并渲染双耳音频以扩展 VGGSound 数据集规模,实现了在空间推理任务上的性能提升及更好的泛化能力。

  8. arXiv · 机器人与计算机视觉57

    EndoComparer:基于伪孪生视觉适配与感知 - 比较推理的手术视频对比问答研究

    论文提出 EndoComparer 模型用于手术视频对比问答,包含伪孪生视觉 LoRA(PSVL)和感知 - 比较思维链(PtC-CoT)两个组件。作者构建了 EndoDiffVQA 基准数据集,涵盖胆囊切除术和胃旁路手术的解剖、工具、动作和技能问题。实验显示该模型在检测视频差异方面优于通用及手术专用 VLM,且对视频交换干扰具有更强鲁棒性。

  9. arXiv · 机器人与计算机视觉35

    Consistency-Aware Map Generation at Multiple Zoom Levels Using Aerial Image:基于航拍图像的多级地图生成框架发布

    该研究提出一种利用航拍图像自动生成多级一致地图的新框架,包含感知层级与感知一致性两个生成器。团队构建了大规模高质量数据集 Multi-Level Map (MLM),实验表明该方法在综合定量指标和感知质量上均优于现有最先进方法。论文代码与数据处于预印本阶段,尚未正式开源或商用。

  10. arXiv · 机器人与计算机视觉58

    PALIN:基于像素对齐的 LiDAR-NIR 多模态 3D 物体检测基准

    PALIN 是一个大规模内在像素对齐的多模态数据集,包含约 8000 帧来自静态城市路口和多样化移动郊区场景的数据,联合捕捉几何与近红外强度信息。基于该数据集提出的 CMambaFusion 框架利用双向跨模态交互模块和门控拼接 Mamba 模块进行特征融合,实验表明其在纯 LiDAR 及代表性融合基线上实现了更优的精度效率权衡。

  11. arXiv · 机器人与计算机视觉78

    StyleJudge:一种经人工验证的、基于上下文学习的艺术风格迁移视觉语言评估器

    论文提出了 StyleJudge,这是一种紧凑的视觉语言评估器,通过少量源到风格化参考对进行条件校准以评估图像风格迁移质量。在包含 12 种艺术风格的 878 对人标注基准上,该模型在未见风格上与人工评分的 Spearman 相关系数达到 0.325,优于 Gram-matrix、CLIP 和 LPIPS 等现有指标。

    推荐理由:该工作提出了一种基于小样本参考对进行上下文学习的风格迁移评估模型,在未见风格上的人机相关性优于现有指标。

  12. arXiv · 机器人与计算机视觉36

    InvarOrd:一种用于跨物种高光谱鱼类新鲜度评估的自监督序数知识蒸馏方法

    InvarOrd 模型仅需每等级 5 个样本(共 30 个)即可在三种阶段内适应新鱼种,其 42.3K 参数学生网络比教师小 2.54 倍。该方法在鲑鱼与鳕鱼配对数据上实现 1.476 天平均绝对误差和 56.1% 一日内准确率,优于仅目标训练 0.29 天且推理延迟为每立方体 1.44ms。论文已被 IEEE TAFE 接收,代码与权重开放许可。

  13. arXiv · 机器人与计算机视觉78

    Few-Shot Visual Concept Extraction for Steering Diffusion Transformers

    该论文提出一种无需训练的新框架,直接从扩散 Transformer 的图像侧激活中提取视觉概念方向。该方法利用简单的均值差估计器,能在少样本提示对下识别出可复用的概念方向并注入推理过程以实现连续控制。定量结果显示,其方法优于文本编码器引导和免训练激活编辑基线,且能与专用编辑模型竞争,支持在同一图像中对多个概念进行精确的定向和组合式操控。

  14. arXiv · 机器人与计算机视觉59

    为开放词汇查询准备更轻更快:高斯泼溅的查询感知三维分割器

    论文提出一种无需训练的轻量级框架,用于高斯泼溅(Gaussian Splatting)上的查询驱动三维实例分割。该方法利用密集像素级 CLIP 特征保留细粒度语义信息,通过视频分割器在选定视角识别目标区域并跨视图传播,最后利用新颖的可见性投票策略将二维轨迹提升为三维高斯掩码。

  15. arXiv · 机器人与计算机视觉23

    多星协同边缘 AI 框架实现小目标空间检测与避撞评估

    针对近地空间拥堵风险,该研究提出多视角空间目标检测(SOD)协同边缘 AI 框架并系统评测深度学习模型。图像级融合在跨卫星链路带宽约束下,平均将通信与推理延迟降低约 30.13% 至 32.80%,且在高视角集下引入的延迟开销极小。该工作为未来协同卫星网络设计及空间态势感知提供了关键设计洞察。

  16. arXiv · 机器人与计算机视觉78

    多楼层建筑内长视界因果惯性里程计研究

    针对室内多层建筑中电梯或扶梯加速后进入长时间匀速巡航导致惯导退化、垂直位移低估的问题,论文提出 Local-Token Causal Attention 架构,将每秒惯性数据压缩为运动令牌并在有限缓存中维持初始状态。

    推荐理由:提出 LTCA 架构解决长时惯性里程计在电梯匀速阶段的漂移问题,并在 MSIO 基准上验证了优于短窗口基线的性能。

  17. arXiv · 机器人与计算机视觉58

    AcousticBEV:面向智能车辆的声学鸟瞰图目标定位

    现代自动驾驶系统主要依赖摄像头、雷达和激光雷达进行环境感知,但这些模态在光照或天气方面存在局限。本文设计了一种水平排列的麦克风阵列作为车辆的“耳朵”,实现了对附近移动车辆在鸟瞰图(BEV)表示下的定位,能够捕捉其相对方向和距离。

  18. arXiv · 机器人与计算机视觉82

    RETR:一种用于鲁棒 3D 车道检测的结构保持 RGB-事件 Transformer

    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。

  19. arXiv · 机器人与计算机视觉78

    思维块是条件而非计划:生成式模型中思维链的实证分析

    该研究通过替换实验发现,生成式模型中的思维链(think block)并非被执行的计划,而是对绘制内容的规格说明。内容无关的文本无价值;仅当指代明确时,命名主体能提升效果,否则无效或产生负效应。

    推荐理由:研究证实思维链文本仅作为绘图规格而非执行计划,且其价值高度依赖指代明确性。

  20. arXiv · 机器人与计算机视觉72

    SAR-TopoGuard:一种用于结构保持的 SAR 转光学的免训练拓扑验证方法

    针对 SAR 转光学翻译中过度合成细节的问题,本文提出 SAR-TopoGuard,这是一个无需训练的推理层,可冻结应用于现有生成器。该方法通过随机采样候选、斑点感知梯度相关性排名以及频率门控机制,仅在 SAR 边缘支持处引入高频细节。在 SEN1-2 等数据集上的评估显示,该方法显著提升了 Pix2Pix、CycleGAN 和 CUT 的 PSNR 与 SSIM 指标,且仅增加极低的推理延迟。

  21. arXiv · 机器人与计算机视觉58

    Generate, Align, and Restore: MLLM-Empowered Diffusion for Generalizable Low-light Image Enhancement

    针对真实世界夜间图像增强因缺乏严格配对的日 - 夜数据及复杂退化导致的泛化难题,论文提出 MrLIE 框架。该方法利用多模态大语言模型(MLLM)作为高保真参考合成器与诊断评论家,直接从退化的夜间观测中迭代生成、诊断并校正正常光照参考图。

  22. arXiv · 机器人与计算机视觉73

    LC-ISP 基准:基于实时流与采集流的先进 ISP 学习

    LC-ISP 是一个大规模基准,由相机实时预览流与离线采集流的内在差距构建而成,包含 53.9k 组空间对齐数据,覆盖昼夜、室内外及 HDR 场景。该基准提供用于模块化监督的采集流中间数据,并开发了一个在 2.5-GFLOP 预算下优于最强单帧基线(PSNR 提升超 2 dB)的两阶段轻量级基线模型。

  23. arXiv · 机器人与计算机视觉38

    dit.xpu:在移动 SoC 上驯服扩散 Transformer 稀疏推理

    dit.xpu 提出一种针对异构移动 SoC 的稀疏 DiT 推理框架,通过 Tile-aligned 稀疏注意力与锚点误差补偿机制优化数据流。该方案在两款骁龙手机上的五项 DiT 模型测试中,相比 Hexagon-NPU 后端实现高达 1.56 倍的端到端去噪加速,且生成质量接近稠密注意力模式。代码已开源,适用于移动端图像生成与编辑场景。

  24. arXiv · 机器人与计算机视觉83

    超越对齐:对 EEG 到图像重建的生成器进行监督

    本文提出一种名为 GDS(generation-derived supervision)的新方法,用于提升脑电图(EEG)信号到图像的解码质量。研究指出单纯优化跨模态对齐无法显著提升重建效果,因此引入基于图像条件的教师网络,将静态特征映射至扩散Transformer的内部表示空间以指导生成过程。

    推荐理由:提出生成衍生监督方法,解决 EEG 条件生成器难以跟随固定对齐目标的难题。

  25. arXiv · 机器人与计算机视觉38

    视觉语言模型通过任务子空间投影与动态 LoRA 实现增量学习

    针对预训练视觉语言模型在多域任务增量学习中面临的遗忘与适配难题,研究提出 TSP-DLoRA 方法。该方法利用任务子空间投影区分已知未知任务,并通过动态分配低秩适配器平衡性能与参数成本。在 11 个数据集上的三项指标实验验证了该方法的有效性,代码已开源。

  26. arXiv · 机器人与计算机视觉72

    无标签条件下自监督单目深度不确定性校准方法 MonoCal

    针对自监督单目深度网络预测的不确定性仅能排序误差大小而无法反映实际量级的问题,论文提出 MonoCal 方法进行校准。该方法首先利用立体图像对测量单一常数来修正不确定性的尺度,无需重新训练;随后通过重新训练网络使其预测网络与第二台自监督网络在深度上的分歧区域以修正形状分布。