跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉45

    Flow Matching 模型实现 Sentinel-2 影像 4 倍超分辨率:CONUS 区域生成 1.58 万亿像素产品且分类准确率达 89.11%

    该研究引入流匹配模型,在单步采样下优于扩散与 Real-ESRGAN 实现 Sentinel-2 影像 4 倍超分辨率。基于 CONUS 区域生成的 2.5 米四波段产品涵盖超 1.58 万亿像素, Chesapeake Bay 流域土地覆盖分类整体准确率达 89.11%。该成果为地理空间应用提供了高效的高分辨率影像生成方案。

  2. arXiv · 机器人与计算机视觉42

    Grounding Video Reasoning in Physical Signals 基准发布:CVPR 2026 VidLLMs Workshop 接收版本

    Grounding Video Reasoning in Physical Signals 基准扩展 V-STaR 结构,涵盖 SSV2、YouCook2 等四源共 1,560 条视频及六物理领域。结果显示物理推理为最强范式,空间定位最弱,且扰动增益集中于原始弱案例。该基准建议报告物理锚定与提示感知的诊断指标,论文已接受于 CVPR 2026 VidLLMs Workshop。

  3. arXiv · 机器人与计算机视觉42

    CAM3DNet:多视角相机三维目标检测新框架

    CAM3DNet 提出稀疏查询框架,融合复合查询、自适应自注意力及多尺度混合采样模块以高效利用动态多尺度信息。在 nuScenes、Waymo 和 Argoverse 基准数据集上,该模型优于现有主流相机基线方法。论文已获 Machine Intelligence Research 录用,代码与权重开放于 arXiv。

  4. arXiv · 机器人与计算机视觉58

    自动驾驶交通标志识别:数据集、基准与实地实验

    针对自动驾驶中跨域差异、长尾类别和语义模糊等挑战,作者发布了 TS-1M 大规模全球多样化交通标志数据集(超百万张图像,454 个标准类别)及诊断性基准。研究对比了经典监督模型、自监督预训练模型和多模态视觉语言模型(VLMs),发现语义对齐是跨域泛化和稀有类别识别的关键因素,而纯视觉模型对外观变化和分布不平衡仍敏感。

  5. arXiv · 机器人与计算机视觉59

    ParallelVLM:基于视觉对齐感知的无损视频大模型加速方法

    针对视频大模型自回归解码效率受限于海量视频 token 的问题,本文提出了 ParallelVLM,一种无需训练的草案 - 验证推测解码框架。该方法通过并行化两个阶段最大化硬件利用率,并引入无偏验证器引导的剪枝策略以消除注意力引导剪枝中的位置偏差。

  6. arXiv · 机器人与计算机视觉5

    UniE2F:基于视频基础模型的统一事件到帧重建框架

    UniE2F 利用预训练视频扩散模型生成先验,通过引入事件基帧残差指导,实现了从稀疏事件数据到高保真视频帧的统一重建。该方法在真实与合成数据集上多数定量指标优于以往方法,并以零样本方式达到专用插值预测方法的竞争性能。代码将在公开平台发布,论文已被 IEEE TIP 接收。

  7. arXiv · 机器人与计算机视觉68

    面向无图轨迹预测的代理内运动与代理间关系学习

    该论文针对无图轨迹预测中缺乏道路拓扑先验的挑战,提出了以目标条件化专家路由 Transformer(GCERT)为核心的框架。方法首先通过中心化移动平均分解历史运动特征为平滑趋势与局部残差,随后利用双级专家路由机制生成交互特定消息并自适应变换节点状态。最终将多模态未来轨迹与回归、分类及目标预测目标联合优化。材料仅包含预印本摘要与技术细节,未涉及真实部署结果或同行评审状态。

  8. arXiv · 机器人与计算机视觉65

    TAR:一种基于时间锚点约束的视频时序定位推理框架

    该论文针对现有大视觉语言模型在视频时序定位任务中依赖结果监督导致的幻觉问题,提出 TAR 框架。该方法引入时间锚点作为透明可审计的检查机制,强制思维链过程持续对齐视觉证据并迭代校准预测,显著提升了推理的忠实度与最终准确率。研究还展示了利用标准 7B 模型自动采集高质量思维链数据的自举范式,实验表明其在视频时序定位任务上达到最先进水平且生成自主、渐进优化的推理痕迹。

  9. arXiv · 机器人与计算机视觉5

    自监督深度补全方法提出:仅需稀疏测量与单图训练

    该方法提出一种新型自监督深度补全范式,仅需稀疏深度测量及对应图像即可训练,无需密集标签或邻视点序列。通过利用深度分布特性设计新损失函数并融合视觉基础模型分割图,有效将观测点信息传播至未观测区域。实验证明该方法在静态或单帧场景下能有效恢复稠密深度,但论文已被作者撤回且无 PDF 可用。

  10. arXiv · 机器人与计算机视觉52

    评估与缓解皮肤癌分类中的肤色偏见:一种基于连续属性的方法

    该研究提出了一种将肤色表示为连续属性而非类别的方法,并为每个样本分配非线性权重以改善分类公平性。在两个皮肤病数据集上的评估显示,该方法比传统的类别重加权具有更稳定的公平性提升效果,同时保持了整体分类性能。材料仅提供了预印本摘要和链接,未包含完整的实验细节或真实世界部署结果。

  11. arXiv · 机器人与计算机视觉85

    RTime-QA:一种用于多模态大模型原子级时序事件理解的基准

    作者提出 RTime-QA 基准,利用时间反转的视频对和相同文本但答案不同的问题,检验多模态大模型是否真正感知事件在时间上的展开。该基准包含 8,420 个问题,涵盖快速评估、核心难例及连续事件等子集。

    推荐理由:该基准通过时间反转视频对,验证多模态大模型是否真正感知事件时序而非仅依赖单帧或语言先验。

  12. arXiv · 机器人与计算机视觉0

    arXiv 论文撤回:Nanorobot queue 癌症协同治疗模型因缺乏实验证据被作者撤稿

    该论文由 Xinyu Zhou 于 2026-11-18 正式撤回,未提供 PDF 及任何实验数据。文中提出的基于纳米机器人队列、成员通信与计算机视觉图像分类的癌症协同治疗理想模型,因缺乏理论保证和实证支持而被判定为高概念笔记而非有效研究。

  13. arXiv · 机器人与计算机视觉53

    面向黑盒生成模型的无失真语义水印算法

    作者提出了一种仅需黑盒采样和语义嵌入访问的无失真语义水印算法,形式化保证了水印不会降低生成输出质量。该方法克服了传统方法对模型白盒属性或特定扩散机制的依赖,通过训练专用图像编码器在内容保持变换下实现鲁棒检测与独立样本区分,并在开源及闭源模型上验证了有效性。

  14. arXiv · 机器人与计算机视觉45

    WoRD:基于扩散模型的在线目标识别方法

    WoRD 利用学习到的轨迹先验,通过变分推断从部分观测中恢复智能体意图。该方法在机器人、行人及车辆仿真设置下均能保持多模态信念校准,克服了传统滤波器与分类器在模糊轨迹前缀上的失效问题。论文已被 NeurIPS 2026 接收,代码与权重开放许可状态待确认。

  15. arXiv · 机器人与计算机视觉63

    Grounding Illusion:检索增强型视觉语言模型的 grounding 幻觉研究

    该研究提出 GIB-200K 基准,包含 20 万图文问答样本及噪声、模糊和图文冲突等压力条件,用于评估模型在证据失效时的模态组合行为。研究发现主流开源模型存在知识惯性或感官捕获偏差,部分正确回答会因检索文档错误而被放弃。所有实例输出、代码及审计工具已公开。

  16. arXiv · 机器人与计算机视觉53

    FrameRouter:面向长视频理解的帧预算路由方法

    针对长视频问答基准(如 Video-MME-v2)统一分配帧预算导致证据需求不匹配的问题,本文提出 FrameRouter 框架。该方法无需训练,结合证据需求路由器、预算约束分配规则及冻结的帧采样策略库,在保持平均视觉预算不变的情况下,为不同问题动态分配差异化的帧预算,从而更有效地利用计算资源提升长视频理解性能。代码已开源。

  17. arXiv · 机器人与计算机视觉48

    CodeReel:通过精确帧复用与阻塞感知调度加速代码生成视频智能体

    CodeReel 是一种无需训练的代理执行层,利用精确帧复用和阻塞感知调度将代码生成视频的等待时间较 Rebuild 基准降低 36.3%,较 Sequential 流程降低 57.9%。该方法在五个模型与两个框架上验证有效,使 Claude Code 和 Codex CLI 的构建中位等待时间分别降至原水平的 0.62 倍和 0.67 倍。

  18. arXiv · 机器人与计算机视觉23

    高维空间物理耦合算子实现三维湍流超分辨率

    针对硬件限制导致的低分辨率湍流数据,该研究提出一种架构无关的高维空间物理耦合算子,将标准卷积扩展至联合时空维度以显式捕捉变量间局部交互。实验表明该方法在极度稀疏条件下具备强重建性能与零样本泛化能力,为三维湍流建模提供了物理感知的归纳偏置。

  19. arXiv · 机器人与计算机视觉82

    MillBill:一种具备几何反馈的加工代理

    MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。

    推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。

  20. arXiv · 机器人与计算机视觉72

    CADMAGEDDON:基于本地推理的高保真 CAD 重建开源代理

    针对专有零件不愿外泄及小团队算力受限的问题,研究提出 CADMAGEDDON,这是一个可在单显卡或当前代笔记本本地运行的开源智能体。该方法将复杂任务拆解为关于构建与修正的简单视觉决策链,利用几何工具支持精确构造,使智能体专注于视觉推理。

  21. arXiv · 机器人与计算机视觉25

    个体判断差异的形状:共享轴、个人权重及共识跨越时刻

    该研究利用十个公开数据集(约 20,000 名评价者)提出三种嵌套生成模型,分析人脸、艺术品等判断中个体差异的形态。结果显示,人脸判断仅需重加权即可恢复,而艺术品判断中 28% 的评价者位于与群体相反的一侧。研究证实个体差异不仅存在大小之分,其形状还取决于领域和评价者样本。

  22. arXiv · 机器人与计算机视觉53

    视觉语言融合缩放定律:揭示早融合与晚融合的权衡机制

    该论文系统分析了视觉语言模型的预训练动力学,提出了一种统一的缩放定律来描述不同数据混合比例、训练步数和模型规模下的损失变化。研究发现,在固定数据预算下,早融合能保持文本性能而晚融合偏向视觉性能,且随着模型规模扩大,权衡趋势逐渐向早融合倾斜。实验证实该定律能有效预测多模态学习动态并指导融合决策选择。

  23. arXiv · 机器人与计算机视觉43

    Weight-Space Programming 在扩散模型概念编辑中的程序构建与分数引导优化研究

    该研究利用语言模型构建可执行的权重更新以进行扩散模型概念编辑,但在 Stable Diffusion 1.4 的 24 个预注册测试中未优于强基线。探索性对比显示,Astra 程序在需主体存在的全图目标匹配任务上,单步成功率较共享面板基线提升 10.0 分,而 CLIP 相对匹配无显著变化。结果证实程序构建与分数引导修订应作为 WSP 流水线中独立评估的阶段。

  24. arXiv · 机器人与计算机视觉48

    LoCaR:冻结视觉语言模型的局部画布检索框架

    LoCaR 是一个无需训练的框架,利用冻结的视觉语言模型与独立 SAM2 提案构建局部图像表示以优化小物体检索。研究引入基于 Visual Genome 的 LOCFG 基准进行评测,结果显示提升区域表征本身是主要增益来源。该工作涵盖零样本及局部检索任务,代码或权重开放许可情况未明确说明。

  25. arXiv · 机器人与计算机视觉45

    When Lower Harm Misleads:概念修正审计与乳腺超声诊断优化研究

    针对专家修正预测(如乳腺超声 BI-RADS 描述)时“降低伤害”指标可能误导的问题,研究者提出一种可复现的修正审计协议。该协议在三个乳腺超声数据源上验证发现,单纯追求低伤害会牺牲有用增益并推高负对数似然;仅在结合有用增益、绝对风险及起始预测共同解读时,“降低伤害”才真正代表更好的修正效果。

  26. arXiv · 机器人与计算机视觉45

    FM-Mamba:一种具有稳定性感知离散化的高效原生二维选择性状态空间模型

    FM-Mamba 提出了一种基于 Fornasini--Marchesini 模型的原生二维选择性状态空间架构,通过耦合递推沿双轴演化并自适应调整步长以抑制局部放大。该模型采用双对角波前扫描执行,无需将特征图展平或固定缩放因子,代码已开源。

  27. arXiv · 机器人与计算机视觉65

    PromptPack:无需训练即可增强扩散编辑器的意图对齐空间与语义控制

    论文介绍 PromptPack 方法,为扩散编辑器配备两种明确‘编辑指南’:像素级编辑角色分区(保持/允许/修改)和区域提示分配(将空间区域映射到文本提示)。该方法无需重训练,可将独立嵌入的区域提示注入固定长度文本序列,利用编辑指南在空间上掩蔽注意力、门控流更新并恢复受保护源像素。

  28. arXiv · 机器人与计算机视觉48

    VisHead-Spec:一种用于多模态推测解码的头路由视觉注意力机制

    VisHead-Spec 通过仅让 8 个 KV 头读取目标模型顶层图像特征,在 Qwen3-VL-8B 和 MMSpec 上实现了优于 DSpark 基线的推理加速。该方案将批处理量为 64 时的吞吐量增益提升至 16.0%,同时保持接受长度误差低于 0.3%。此预印本论文(arXiv:2611.21839)解决了高并发下多模态推测解码速度提升不足的问题。

  29. arXiv · 机器人与计算机视觉35

    EviSlide-MIL:多查询池化与共享预测用于类增量全切片图像分类

    EviSlide-MIL 提出一种结合每类多个可学习查询与共享预测模块的框架,解决全切片图像在引入新肿瘤亚型时的知识遗忘问题。该模型通过冻结历史查询、经验回放及知识蒸馏,在 TCGA 八种肿瘤亚型数据集上实现了优于竞品的性能并降低遗忘。代码与预训练模型将发布,适用于弱监督下的癌症诊断场景。

  30. arXiv · 机器人与计算机视觉58

    Learning Grounded Reasoning from Human Gaze

    arXiv:2611.23209 论文提出利用人类注视数据作为先验来引导 VLM 的视觉推理,在图表理解、视觉搜索和计数等任务中表现优于全序列监督。作者收集了 7,109 次人类注视试验并训练了 GGR(Gaze-Guided Reasoner)模型,该模型实现了更高的人类对齐度和更可靠的视觉定位,同时匹配或超越了领先的基线准确率。