跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉58

    ERA:基于预测深度的抗错自主物体导航

    针对深度传感器缺失导致地图累积误差的问题,该研究提出了 ERA 系统,利用 RGB 图像和位姿预测深度,采用‘带着误差移动’范式,通过可修订的占据栅格和可达视点探索来修正地图并持续搜索。实验显示该方法在三个基准测试中达到免训练方法的最优性能,并将 VLFM 的成功率从 10.8% 提升至 61.7%,且已在真实机器人上部署验证。

  2. arXiv · 机器人与计算机视觉78

    Ego2Flow:基于真实城市地图蒸馏的自动驾驶交通系统影响基准

    该论文介绍 Ego2Flow 基准,用于评估自动驾驶在由真实世界城市数据蒸馏生成的地图上的交通系统级影响。作者开发了代理引导的地图蒸馏框架,结合现实地图与观测及地理信息,通过迭代反馈机制保留车道拓扑和关键几何特征,简化非必需细节并补全未观测区域。

    推荐理由:提出闭环基准 Ego2Flow,评估自动驾驶策略对从真实道路蒸馏出的地图的交通系统影响。

  3. arXiv · 机器人与计算机视觉78

    QCAP-VQA:面向医学视觉问答的问题条件化上限先验质量监督

    论文提出 QCAP-VQA 模型,利用排名分割提案构建问题条件的先验来监督交叉注意力头,并通过 capped prior-mass 目标函数限制先验内的注意力质量。

    推荐理由:提出基于问题条件的 capped prior-mass 监督方法,在无需专家掩码下实现空间监督并验证了自动先验的局限性。

  4. arXiv · 机器人与计算机视觉48

    RaFL:一种用于图像重建的随机滤波器损失实证研究

    RaFL 通过结合随机卷积、傅里叶特征和小波滤波器,在无需预训练特征或手动调参的情况下实现图像重建。该方法在五个任务中表现稳定且计算开销低,仅增加不到 2% 的前向 FLOPs,所需损失函数 FLOPs 比 VGG19 感知损失少 182 倍。研究证实该损失目标对 2D 和 3D 重建均有效,优于像素损失并匹配其在两个任务上的表现。

  5. arXiv · 机器人与计算机视觉82

    CLIP 嵌入中分层概念结构的可证明跨模态转移

    该论文形式化了 CLIP 嵌入中的层次角分离现象,分析了图像与文本嵌入在对比学习下的不对称性,推导了线性损失和 InfoNCE 损失的闭式解,并通过合成实验验证了理论。材料为 arXiv 预印本,未提及同行评审状态或具体部署结果。

    推荐理由:本文从理论上解释了 CLIP 嵌入中层次结构产生的几何机制,并给出了闭式解。

  6. arXiv · 机器人与计算机视觉58

    AI 引导的机器人原位制造曲率自适应无线生物电子器件

    针对复杂体表个性化生物电子设备的需求,本文提出一种结合 3D 视觉、六自由度机械臂和直接墨水写入的 AI 引导机器人原位打印平台。系统利用 AI 进行伤口分割以确定尺寸与局部曲率,并将重建的三维几何信息纳入接收线圈与叉指电极的电磁设计,以补偿由几何形状引起的谐振行为偏移。研究在人体组织等效前臂假人上演示了该工艺,将假人的介电特性融入 RF 优化,实现了接近目标频率(25 MHz)的谐振操作。

  7. arXiv · 机器人与计算机视觉45

    I-JEPA 在视网膜 OCT 中采用解剖引导的目标选择提升表征学习性能

    针对视网膜 OCT 仅部分包含视网膜组织的结构特征,该方法利用图像强度与预测分割进行解剖引导目标选择,替代了传统均匀掩码策略。实验显示,基于图像强度的矩形目标在 FairVision 数据集上的线性探测青光眼分类 AUC 最高,证实了解剖意义选择的有效性。该研究作为 NeurIPS 2026 GenAI for Health Workshop 海报被接受(非存档),代码与权重暂未开放。

  8. arXiv · 机器人与计算机视觉75

    重新思考文本到图像奖励建模中的视觉推理

    该论文发现现有奖励模型在视觉推理任务上表现不佳,且微调会削弱其能力。作者提出一种数据干预方法,通过翻转配对轴将现有视觉推理数据集转化为偏好对,与常规人类偏好数据混合训练。实验表明该方法实现了帕累托改进,在 GenEval 基准测试中,相比基于六倍更多偏好对训练的 HPSv3,模型在推理时最佳 n 选择和强化学习后训练任务上的表现分别提升了 4.0% 和 5.5%。

  9. arXiv · 机器人与计算机视觉48

    对抗跟踪:自动驾驶车辆图像传感器上的攻击研究

    该研究评估了针对 YOLOv3、YOLOv4 检测器配合 SORT 等系统的图像特定与图像无关攻击,发现 HOTA 指标在最强攻击下从约 56% 骤降至 17%,MOTA 甚至跌至 -772.60%。实验基于 CARLA 仿真平台进行,揭示了仅凭检测精度无法表征对下游轨迹估计的潜在影响。论文已上传至 arXiv,代码与权重暂未提及开放许可。

  10. arXiv · 机器人与计算机视觉58

    实时扩散重光照作为神经传感器:弥合机器人感知的低光照域差距

    针对低光照条件严重降低机器人感知性能且现有增强方法延迟过高的问题,本文提出一种将生成式神经传感器嵌入控制回路的方法,利用图像到图像的扩散模型进行语义恢复。系统采用实时感知架构,仅在检测置信度下降时激活背景线程中的大规模扩散模型,显著降低计算开销。

  11. arXiv · 机器人与计算机视觉72

    ParseBench-2:一种感知严重性的文档解析评测基准发布

    论文介绍了一种从严重性策略出发开发文档解析指标的方法,通过测试场景定义指标行为并利用代码智能体优化实现。作者构建了 ParseBench-2 基准,涵盖文本、格式、表格等六个维度及 4,317 页数据,结合内容恢复分数与严重性上限来评估模型。

11月14日周六
  1. Hugging Face Daily Papers82

    The Value of Thinking: Learning When to Reason in Hybrid Decision Models

    论文提出一种混合决策模型(HDM),利用冻结骨干网络配合轻量级自路由块,在单次前向传播中实现零思考或全思考两种模式切换。该方法通过校准的决策策略优化(CDPO)从回合级回报中学习何时进行推理,并在 MMLU-Pro、AGIEval 及 MiniWoB 等基准上验证了其在保持精度的同时显著降低延迟和 Token 成本的效果。

    推荐理由:提出零思考或全思考的混合决策模型,通过自路由块动态评估推理价值以平衡精度与延迟。

11月13日周五
  1. 量子位58

    openJiuwen发布RSI原生AgentOS,开放多环节扩展点以支持系统插件热插拔

    openJiuwen发布RSI原生AgentOS,为WorkSwarm等应用提供界面、网关与服务端的扩展入口,支持新功能热插拔与版本管理。材料展示了通过对话生成桌宠形态、Token用量监控及团队协作可视化等系统插件的实战流程,并提供了故障回退机制与企业接入适配方案。

  2. arXiv · 机器人与计算机视觉58

    统一去马赛克与去噪的结构引导方法

    针对现有统一恢复网络在边缘和纹理处易出现结构退化的问题,本文提出一种引入预训练结构知识的框架。模型接收包含原始马赛克、CFA 掩码及噪声图的五通道输入,利用 SwinIR 分支进行像素级重建,并行结构推理分支从稀疏伪 RGB 提取结构线索,并通过轻量适配器融合特征以缩小域差距。共享解码器联合预测恢复后的 RGB 图像和辅助清洁马赛克,在多种 CFA 模式和噪声水平下均优于最先进方法。

  3. arXiv · 机器人与计算机视觉42

    DACMC 损失函数提升医学图像分割精度与稳定性

    DACMC 损失函数将平均曲率嵌入 Chan-Vese 区域泛函,无需训练参数且推理零成本。在肝脏 CT、脾脏 MRI 及 ISIC 皮肤镜数据集上,该方法配合 U-Net 或 CE-Net 骨干网络,Dice 指标优于半数竞争基线,并将脾脏 MRI 的 HD95 降至 16.28 mm。实验显示其仅增加 4.8% 训练时间,通过五种子验证显著稳定训练并消除严重失效,适用于小目标分割场景。

  4. arXiv · 机器人与计算机视觉83

    DUNE:在不损失预测性能的前提下解耦多语义神经元

    针对深度神经网络中神经元响应多概念导致内部决策过程模糊的问题,现有稀疏自编码器等方法虽能提取单语义特征但会引入近似误差并损害下游性能。本文提出 DUNE 方法,通过将前层特定概念的贡献重路由到独立子单元且聚合时精确恢复原始激活值,实现了无误差的单语义分解。

    推荐理由:提出 DUNE 方法,在解耦神经元多语义特征的同时保持模型原有功能,推动单语义性与功能保真度的平衡。

  5. arXiv · 机器人与计算机视觉72

    Rethinking Floorplan Generation with Space Syntax: From Design Theory to Model Improvement

    针对生成式 AI 在平面图生成中缺乏设计目的性、难以直接评估的问题,本文引入空间句法理论构建中间表示(design container),提出 RPLAN-SSI 基准以量化公共空间的整合优势。研究发现生成模型存在功能布局差距,并通过 SSPT 后训练方法在五种扩散模型骨干上有效缩小该差距,同时保留原有机制。

  6. arXiv · 机器人与计算机视觉72

    扩展扩散模型在鲁棒分类器训练中的作用:利用其内部表征增强对抗训练

    论文提出将扩散模型的内部表征作为辅助学习信号融入对抗训练(AT),以超越单纯生成合成数据的角色。实验显示,这种联合策略在 CIFAR-10、CIFAR-100 和 ImageNet 上均提升了鲁棒性,并促使特征解耦。材料为预印本,未报告真实机器人部署结果或具体产品发布。

  7. arXiv · 机器人与计算机视觉74

    理解与学习扩散模型中的预测目标:k-Diff 框架

    本文针对扩散和流匹配模型中从噪声、速度到直接数据预测的目标转变提供理论解释,推导了数据几何与最优目标的解析关系。作者提出 k-Diff 框架,利用数据驱动方式直接学习最优参数 k,无需显式估计内在维度。实验表明该方法在不同架构和数据规模下均优于固定目标基线。

  8. arXiv · 机器人与计算机视觉35

    NB2E 编码使普通多层感知机无需先验知识即可成功外推四种周期性波形

    Normalized Base-2 Encoding (NB2E) 方法让普通多层感知机(MLP)在仅针对单一合成一维信号训练时,能成功外推四种周期性波形。相比固定傅里叶编码,NB2E 在非偶数倍周期处精度下降更平缓且保持更高准确性。该结论限于单架构模型及归一化域内的外推范围,未提出现象机制。

  9. arXiv · 机器人与计算机视觉68

    MVC-ZigAL:一种用于少步文本多视角扩散模型的强化学习微调框架

    该论文提出 MVC-ZigAL 框架,通过联合建模所有生成视图的 MDP 公式、利用自改进采样策略的优势学习以及拉格朗日对偶优化,解决少步文本多视角扩散模型在单图生成质量与跨视图一致性上的矛盾。代码已开源,论文被 CVPR 2026 接收。

  10. arXiv · 机器人与计算机视觉58

    DataCook:探索用于医疗数据使用的抗对抗指纹

    针对医疗数据稀缺、昂贵且受严格监管的问题,该研究提出了 DataCook 框架,这是一种基于抗对抗指纹的部署阶段使用控制机制。通过私有的‘烹饪’过程将原始样本转化为嵌入指纹的数据,使得在该数据上训练的模型在评估于同样处理过的输入时保持高效用,而在未处理的原始输入上性能显著降低。

  11. arXiv · 机器人与计算机视觉45

    图像何时决定答案?跨图表与场景的视觉可回答性基准评测

    该研究引入包含 PlotQA、CLEVR 和 GQA 共 3,000 组问题的基准,要求模型在证据充分时作答、不足时弃权。基于六种配置共 72,000 次响应测试显示,最佳配置在图表任务上完全问题成功率为 57.0%,个体图像正确决策率达 96.2%。评估揭示单纯按图决策准确率会掩盖需同时满足回答与弃权的整体失败风险。

  12. arXiv · 机器人与计算机视觉68

    CAT-Free:一种无需标定、标注及目标训练的跨视角 BEV 行人检测与跟踪方法

    论文提出 CAT-Free 方法,仅需同步 RGB 视频流即可完成相机位姿与地面平面估计,进而通过三角化实现多视角行人检测与跟踪。该方法利用几何滤波器剔除因相机误差导致的虚假位置,无需外部标定或特定场景训练,在 WildTrack、MultiviewX 和 GMVD 数据集上分别取得 89.2、84.1 和 76.1 的 MODA 分数,且对相机参数误差鲁棒性优于依赖已知参数的方法。

  13. arXiv · 机器人与计算机视觉28

    Geometry-Preserving Blind Watermarking for Raw 3D Point Clouds 提出基于八叉树架构的盲水印框架,在原始点云坐标上直接嵌入并恢复信息。该方法通过随机变换层与渐进姿态对齐提升鲁棒性,在物体级与场景级基准测试中实现低几何失真且视觉隐蔽性优于手工方案。

    Geometry-Preserving Blind Watermarking for Raw 3D Point Clouds 提出基于八叉树架构的盲水印框架,直接在原始点云坐标上嵌入信息并无需参考原图即可恢复消息。该方法通过随机变换层应对几何扰动、利用渐进姿态对齐增强鲁棒性,在物体级与场景级基准测试中实现低几何失真且视觉隐蔽性优于手工方案。

  14. arXiv · 机器人与计算机视觉48

    CT 投影分解框架实现胸部 X 光片骨骼抑制监督学习

    该研究提出基于数字重建放射图(DRR)的框架,利用 CT 数据生成成对监督信号以解决胸部 X 光片中骨骼遮挡异常及缺乏配对训练数据的难题。模型通过预测目标组件并减去其余部分实现骨骼或肺部成分抑制,在多个公开数据集上显著提升了骨重叠区域的异常检测效果。相比开源 DRR 引擎,未修改的 DRR 保持解剖结构真实性,而转换后的投影在 FID、肺野锐度及与源 CT 的一致性方面表现最佳。

  15. arXiv · 机器人与计算机视觉43

    RAIN:一种用于扩散模型语义水印提取的区域感知反演网络

    RAIN 提出了一种轻量级、无需提示词的扩散模型语义水印提取方法,通过区域感知反演网络将端点恢复分解为图像锚点和噪声残差。该方法仅需一步即可从生成过程恢复所有权信息,避免了迭代反演和重复评估 U-Net,其计算成本低于 OSI 和 FARI 两种现有基线。相关代码与论文已开源并作为口头报告被 BMVC 2026 Workshop 接收。

  16. arXiv · 机器人与计算机视觉68

    Bridging Modalities and Tasks: A Unified Hierarchical ViT for SAR-to-Optical Translation and Semantic Segmentation

    论文提出 BMT 模型,这是一个统一的分层 Vision Transformer,通过多尺度 one-hot 条件耦合 SAR 转光译码与语义分割任务。该架构利用共享编码器、门控 LocalViTBlock 和颜色校准生成头,在 WHU-OPT-SAR 数据集上实现了最佳的 SSIM 和 PSNR 指标,其生成的土地覆盖图性能接近 DeepLabV3+。

  17. arXiv · 机器人与计算机视觉3

    CARNIVAL 模型利用冷冻电镜前向模型的特权视图提升蛋白质注释性能

    CARNIVAL 模型通过整合冷冻电镜前向模型生成的特权视图与标签,在受限倾斜角及严重噪声的模拟数据上实现了域特定增强。该模型在未微调状态下于真实断层扫描数据集上的分类与检测任务中,优于仅使用对比目标训练的现有最先进模型。研究结果已接受至 NeurIPS 2026 Sim2Science 研讨会,代码与论文将在 arXiv 发布。