跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉82

    Whole-Slice Misses Escape Round-Trip Filtering and Volumetric Dice in a Source-Free Flow-Matching Segmenter

    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。

  2. arXiv · 机器人与计算机视觉78

    TopSDF:用于从 3D Gaussian Splatting 提取高质量三角网格的拓扑符号距离场

    论文 TopSDF 针对 3D Gaussian Splatting 提取干净、水密显式表面网格的挑战,提出将符号距离状态建模为多元高斯随机场的框架。通过学习四面体顶点间的潜在拓扑协方差,该方法扩展了局部自由度并允许候选网格顶点沿四面体的双极边灵活放置,同时直接整合变分网格化能量与能量驱动的 Gaussian 稠密化策略以改善三角形质量。

    推荐理由:提出基于拓扑协方差的 SDF 场框架,解决 3DGS 网格提取中的梯度冲突与退化三角形问题。

  3. arXiv · 机器人与计算机视觉35

    多模态地标可见性预测:长周期网络中的不同时间尺度与信号层次分析

    研究基于富士山一年尺度的多模态档案,揭示景观可见性预测存在季节气候学、当日 webcam 影像(AUC 0.95)及数值预报的清晰时间尺度层级。在 6,575 个相机 - 天数据中证实,一旦拥有目标日数值预报,当前视觉摘要对一日增益无显著贡献,机会仅存于更短视界。

  4. arXiv · 机器人与计算机视觉36

    FujiView 长期环境视觉研究: gamification 提升参与度、标注噪声显著及标签预算缩放规律

    基于富士山周边 FujiView 网络,研究发现 gamification 机制能更有效地维持长期标注参与而非提升速度或一致性。在细粒度任务中,众包投票与单标注参考仅在 49.1% 的精确可见性类别上匹配,分组后提升至 90.2%。五轮重复实验显示,使用 25% 标签池的模型平均仅比全量池模型低 2.8 个百分点,为规划标注投入提供了实证依据。

  5. arXiv · 机器人与计算机视觉82

    硬负样本微调如何影响多模态大语言模型?来自组合基准的受控证据

    论文 CompHall 通过受控实验评估了硬负样本微调对多模态大语言模型组合推理能力的影响。研究发现,修正后的损失函数能显著提升空间关系问题的准确率,但该方法存在图像幻觉无关性、泛化能力有限以及引入肯定偏置等局限。

    推荐理由:该文通过受控实验揭示了硬负样本微调对多模态大模型组合推理能力的具体提升幅度与局限性,并指出了该方法引入的偏置问题。

  6. arXiv · 机器人与计算机视觉48

    处方阅读器在哪丢失药物?一项从 2.7B 语言模型到 2B 视觉语言模型的冻结重放研究

    针对手机端处方阅读管线,研究对比了 PaddleOCR 搭配 2.7B 参数语言模型与旋转裁剪配合 2B 参数视觉语言模型的效果。在 49 次合成处方捕获中,新方案将召回率从 8% 提升至 67%,手写识别由 0 增至 20/45 且消除不安全输出,但耗时增加至每张照片 61 秒、内存占用约 1.9GB。所有结果均基于单一作者与单台设备的样本内数据,未获外部验证。

  7. arXiv · 机器人与计算机视觉33

    ARC-VLN:基于自适应递归计算的视觉语言导航框架

    ARC-VLN 提出一种 token 类型感知的递归计算框架,在文本与动作 token 保留全深度计算的同时,为视觉 token 自适应选择退出深度以压缩序列。该模型在 OpenFly 的 Test-Seen 和 Test-Unseen 子集上实现了最低的导航误差、最高的成功率及路径加权成功率,并显著减少了决策步数、浮点运算量、推理时间和显存占用。

  8. arXiv · 机器人与计算机视觉78

    超越原始相似度:基于先验感知的分布外检测方法

    针对视觉语言模型在分布外(OOD)输入上过度自信的问题,本文提出多模态 Logit 融合(MM-Log)方法。该方法在不丢弃预训练几何结构的前提下,将零样本先验与任务适配分支的四个跨模态相似度通道融合为单一 OOD 分数,利用冻结 CLIP 对捷径攻击形成一致性校验。

    推荐理由:提出无需微调的零样本先验融合方法,通过冻结 CLIP 与任务分支的一致性检查提升分布外检测鲁棒性。

  9. arXiv · 机器人与计算机视觉23

    PACTHub:大规模三维光声计算机断层扫描结构化实验数据集发布

    PACTHub 是一个包含 1,464 个采集组和 99,810 次曝光的大规模三维光声计算机断层扫描(PACT)结构化实验数据集,涵盖动物、体模及人体测量。该数据集提供统一的 PAdata/JSON 表示法以关联声学信号与重建坐标,并公开了数值体积和最大强度投影等公共重建实现供复用。其保留的采集关系支持全景重建与区域信号分析,为开发评估三维 PACT 人工智能方法奠定实验基础。

  10. arXiv · 机器人与计算机视觉28

    Voxel Swin Transformer 与 ClinicalBERT 结合实现 3D 细胞形态学临床文本对比学习域自适应

    研究将 2D 对比学习方法扩展至 3D,利用 Allen Institute 数据集训练基于 MONAI SwinUNETR 的体素编码器与 ClinicalBERT。全量微调解决了冻结骨干导致的失效问题,使零样本结构准确率从 25.0% 提升至 48.6%,异常评分 ROC-AUC 达 0.628。该 MVP 验证了预训练假设对参数高效微调的重要性,但体素异常检测仍低于 0.70 基准线。

  11. arXiv · 机器人与计算机视觉58

    ThinkWise:基于视觉与难度感知的多模态推理大模型何时思考的学习方法

    该论文针对现有多模态推理大模型在视觉定位不确定时过度分配深层推理的问题,提出 ThinkWise 框架。该方法引入实例自适应的视觉感知建模机制以校准不确定性,并设计包含答案、感知与难度条件的结构化奖励公式来调节推理深度。实验表明,ThinkWise 在多个基准测试中显著提升了 3B 和 7B 模型的准确率与效率平衡。材料为预印本论文,未涉及真实机器人部署或产品发布。

  12. arXiv · 机器人与计算机视觉43

    TASN:扩散模型概念移除的时间自适应谱控制方法

    TASN 提出时间自适应谱零化方法,通过分解交叉注意力并仅在活跃概念方向追踪谱分量,解决了传统均匀干预在低能量步骤浪费资源的问题。该方法在五红队测试基准上使攻击成功率低于均匀谱零化(SN),同时恢复了大部分画质损失。消融实验证实增益源于时序针对性而非单纯降低抑制强度,且泛化于不同概念类别与架构。

  13. arXiv · 机器人与计算机视觉42

    SynPanZ:合成数据集提升黑猩猩多动物姿态估计性能

    SynPanZ 通过渲染带随机化光照与相机运动的 rigged 黑猩猩模型,生成含每实例 2D 关键点位的 RGB 视频以解决濒危大猿标注数据短缺问题。在 DeepWild 训练集上引入约三倍合成帧后,ChimpACT 测试集的实例覆盖率从 12.34% 升至 22.54%,[email protected] 精度维持在 49.71%-52.25%。

  14. arXiv · 机器人与计算机视觉72

    存在且有效:长观测间隔下存储 3D 几何的校准有效性研究

    针对重复机载激光雷达调查成本高且存储几何体易过时的难题,本文提出一种区分观测、存在性与几何有效性的概率滤波框架。该方法基于五种几何过渡(持久性、修改、生长、移除和替换)学习类特定的连续时间先验,结合形状残差与激光雷达自由空间证据,并引入功能锚点实现跨站点先验共享。

  15. arXiv · 机器人与计算机视觉42

    Spacetime Images for Computer Vision:一种新的视频表示方法研究论文

    该位置论文提出时空图像(STIs)作为计算机视觉的新输入表示,通过非帧采样切割视频体以消除静态背景冗余并支持运动分析。两项试点实验验证了该方法在 CDnet 2014 数据集上无需显式时序建模即可实现接近监督方法的背景分割,并能将相机平移速度估计转化为图像切面选择问题。研究主张切片视频体积是独立的设计变量,而非替代传统帧表示。

  16. arXiv · 机器人与计算机视觉45

    Evidence-Calibrated Selective Decoding 框架提升视觉问答可靠性

    该研究提出证据校准选择性解码框架,通过分离视觉证据支持度、分布修正强度及发布阈值三个决策,解决对比解码过度依赖语言先验或掩盖错误的问题。方法在 MSCOCO、A-OKVQA、GQA 等数据集上重新评估了现有基线,揭示了不同骨干网络与任务间的性能差异。目前该框架尚未进行模型级验证,其有效性仍为待证伪的假设而非既定实证结果。

  17. arXiv · 机器人与计算机视觉35

    LogicEye: Agent Driven Multimodal Dataset for Interpretable Ophthalmic Diagnosis

    LogicEye$^{Agent}$通过双池推理与验证智能体模拟临床思维,联合多模态大模型与专家对眼底和 OCT 图像进行质量把关。基于此构建的 LogicEye$^{Data}$包含 804,461 张配对结构化病理报告的影像,覆盖 38 种疾病及 29 个亚型。LogicEye$^{Bench}$引入类别约束损失以抑制诊断幻觉,为眼科可解释视觉语言建模奠定基础,代码已开源。

  18. arXiv · 机器人与计算机视觉70

    UMM-JEPA:基于掩码下一尺度表示预测的统一多模态模型的生成式预训练

    论文指出传统生成目标优化合成空间导致与视觉理解表征不匹配,提出 UMM-JEPA 将生成重构为从粗到细的连续视觉理解表征渐进预测。模型在预训练中解耦像素渲染,实验显示该表征预测目标使统一多模态模型的视觉基准平均分达到 51.71,优于仅用于理解的 Qwen-VL 基线(46.36),且文本均值同步提升。

  19. arXiv · 机器人与计算机视觉78

    Speaking-Clock Mamba:基于音素条件状态空间模型的视觉强制对齐

    该论文提出 Speaking-Clock Mamba 模型,旨在解决无声说话人脸视频中音素与单词边界的定位问题。现有方法在解码阶段强加转录顺序,导致编码器缺乏显式机制锚定时间表示,造成长序列下的对齐漂移。

    推荐理由:提出 Speaking-Clock Mamba,通过语音钟监督机制解决长序列对齐漂移问题。

  20. arXiv · 机器人与计算机视觉74

    ReMoVe:通过精炼视频模型自身的运动实现连贯的人体视频生成

    论文提出 ReMoVe 方法,针对现有视频生成模型在复杂运动中易出现形变和外观漂移的问题,将粗粒度输出视为运动假设而非最终结果进行自修正。该方法恢复并精炼底层运动,渲染为 3D 网格并将面部外观转移至其上,同时从同一场景推导深度与相机轨迹以增强空间一致性。实验表明 ReMoVe 在保持基生成器先验的同时,显著提升了人体结构稳定性、外观一致性和时序连贯性。

  21. Vision Systems Design12

    AimLock 如何借助 AI 与传感器融合变革自主目标识别系统

    AimLock CEO Bryan Bockmon 指出,得益于智能手机技术带来的算力提升及双用途技术复用,自主目标系统成本大幅降低且不再依赖专用硬件。多模态传感器融合(可见光、热成像等)通过机器学习整合数据流,显著提升了复杂环境下的检测与分类性能。公司坚持采用“辅助目标识别”而非全自动化决策,以适配美国军事政策术语并规避自主武器条约的政治争议。

11月16日周一
  1. 量子位77

    阿里巴巴发布Qwen4-Max基座大模型,智能体及编程能力进阶

    阿里巴巴于11月16日发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力和百万上下文支持。该模型采用基于稀疏注意力的MoE架构,激活参数仅71B,在CodeArena前端编程盲测中位居全球第六,在Agents' Last Exam等智能体评测中处于领先梯队。

    推荐理由:阿里发布Qwen4-Max,总参数2.4T且激活仅71B,在CodeArena等权威评测中表现领先,并支持持续交付与运筹建模。

  2. 盖世汽车 · 汽车资讯15

    Diodes 推出紧凑型霍尔效应电流传感器 AHC1724Q/AHC1725Q 以降低 EV 充电功率损耗并节省 PCB 空间

    Diodes 发布符合汽车行业的霍尔效应电流传感器 AHC1724Q 和 AHC1725Q,用于车载充电器及充电桩的 AC/DC 电流测量。器件一次侧导体电阻典型值仅 1.2mΩ,支持最高±50A 双向测量且集成低阻铜导电路径以承受高浪涌。紧凑设计结合线性霍尔传感器电路,能在空间受限场景下显著减少功率损耗并缩小 PCB 尺寸。

  3. arXiv · 机器人与计算机视觉83

    MeanFlowAdvantage:面向平均速度生成器的稳定奖励微调方法

    论文提出 MeanFlowAdvantage,解决平均速度表示与现有基于瞬时速度的奖励微调不匹配问题。该方法通过共享的分离均值流导数修正,将奖励目标表达在预测空间,同时使 rollout 和参考正则化成为对推理部署的平均速度网络的精确惩罚。

    推荐理由:提出针对平均速度生成器的奖励微调目标,在少步采样下提升 SD3.5-Medium 指标并支持 DNA 设计任务。

  4. arXiv · 机器人与计算机视觉28

    Fusion-Free Multimodal Classification with Heterogeneous Deep Ensembles 提出无需显式融合的模态分类方法

    该方法利用单模态神经网络深度集成替代晚期融合,在同等参数量下显著优于解决模态不平衡的最先进融合网络。研究通过合成框架与真实数据集验证了启发式选择模型数量的有效性,并基于双模态数据拟合缩放定律估算了集成的渐近性能表现。

  5. arXiv · 机器人与计算机视觉58

    基于不协调调整语义体积的多模态大语言模型不确定性量化方法

    针对多模态大语言模型可能产生看似合理但错误的输出问题,本文介绍 UMPIRE 框架,这是一种无需外部工具的训练自由不确定性量化方法。该方法利用模型内部特征计算经不协调调整的语义体积,结合语义嵌入离散度与响应二次熵来捕捉全局多样性与局部不协调性。

  6. arXiv · 机器人与计算机视觉52

    超越轨迹相似性:通过协议遵循度评估手术规划

    该论文指出当前手术规划评估过度依赖与单一观测执行轨迹的相似度,混淆了任务完成与协议遵循两个概念。作者引入基于专家定义规则的新框架,证明单纯追求轨迹相似会惩罚合规但偏离参考路径的计划,并揭示视频大模型在此类任务中存在不可靠的状态 grounding 和规划约束不足等失效模式。

  7. arXiv · 机器人与计算机视觉78

    Graph Your Own Prompt:一种基于模型预测图的自提示学习框架

    作者提出 Graph Consistency Regularization (GCR) 框架,通过引入参数无关的图一致性层,将模型自身的预测语义转化为全局类感知掩码预测图,并与批次级特征相似性图进行对齐。该机制利用自适应权重从图差异中学习各层重要性,优先保留语义可靠层并抑制噪声层,从而在不修改网络架构或训练流程的情况下提升特征质量与泛化能力。

    推荐理由:提出无需修改架构的图一致性正则化框架,利用模型自身预测构建类感知特征图以抑制噪声。

  8. arXiv · 机器人与计算机视觉72

    Mind the RefGAP:修正基于扩散模型的视觉编辑中的参考注意力偏差

    论文 Mind the RefGAP 指出当前参考引导的扩散编辑器(如 LoomVideo)在编辑区域对参考图的注意力分配严重不足,导致身份还原困难。作者提出一种无需训练的在线修正方法 RefGAP,通过测量前向传播过程中的参考注意力质量,动态计算各层的 logits 偏移量:对编辑区域施加正向偏移以增强参考利用,对保留区域施加负向偏移以限制非预期变化。

  9. arXiv · 机器人与计算机视觉68

    多模态大语言模型中的对齐幻觉:基于主角度差的诊断方法

    该研究挑战了层间视觉 - 文本相似性反映跨模态交互的假设,发现标量对齐分数无法稳定检测视觉流被噪声替换后的退化现象,将其称为“对齐幻觉”。作者提出主角度差(PA gap)指标来区分主导方向优势与结构化内容重叠,证明内部对齐更应视为语言模型内部的几何诊断而非直接的内容交互代理。材料为 NeurIPS 2026 接收的预印本论文,未报告真实机器人部署结果或具体产品发布。

  10. arXiv · 机器人与计算机视觉38

    UltraBench 2:面向超声影像基础模型的鲁棒性评测基准

    UltraBench 2 是一个涵盖广泛解剖结构与任务的综合基准,旨在解决超声基础模型评估碎片化问题并提升标准化与可复现性。分析显示,专用预训练在分类任务仍领先,而通用大模型在分割任务上已追平最先进水平。该工作已被 ML4H 2026 会议接收,相关代码与数据将支持社区对超声影像基础模型的公平比较。

  11. arXiv · 机器人与计算机视觉39

    AnaDiffusion:解剖学组合潜在扩散模型实现可控 3D 脑 MRI 生成

    AnaDiffusion 提出一种将生成过程分解为独立解剖区域并进行部件组装与全局优化的框架,解决了现有模型忽视局部结构的问题。在 ADNI 测试集上,该模型在所有评估区域均取得最低的 FID 分数,且在局部编辑任务中实现了比分割条件基线更高的目标转移率(MS-SSIM)。此预印本工作无需推理时密集分割图即可实现可控部件编辑,代码与权重尚未开放。