跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉72

    ChessQueries:一种提升国际象棋棋盘识别的新方法

    作者提出 ChessQueries 方法,结合 ViT 编码器与 DETR 风格解码器来解决棋盘识别任务。在 ChessReD 基准上,该方法将准确率从 15.3% 提升至 99.2%,平均错误方格数降至 0.01(优于现有最先进方法的 3.4)。作者还展示了在分布外数据集上的强泛化能力,并开源了代码、模型权重及基于顶级赛事转播解析的新数据集。

  2. arXiv · 机器人与计算机视觉72

    CoEvoAD:一种用于零样本异常检测的协同进化提示词优化方法

    针对基于 CLIP 的零样本异常检测方法缺乏可解释性与可扩展性的问题,本文提出 CoEvoAD 框架。该方法在离散自然语言空间利用进化算法进行提示词搜索,保留语义的可组合性;同时引入跨类别迁移目标,将未使用的源类别作为代理以评估提示规则的泛化能力。实验表明,CoEvoAD 在多个异常检测数据集上达到最先进性能。代码已开源,论文已被 EMNLP 2026 主会接收。

  3. arXiv · 机器人与计算机视觉38

    MoTE:多任务视频理解中的任务专家混合架构

    VideoLLM-MoTE 提出将大语言模型前馈网络转化为特定任务的专家架构,在 COIN 基准测试中激活约 20 亿参数即实现高于近期基线的平均 Top-1 准确率。该设计通过样本级任务路由使计算独立于存储的专家数量,相比稠密全激活及学习到的稀疏路由均表现更优。论文已获 BMVC 2026 接收,包含补充材料并开源代码与数据。

  4. arXiv · 机器人与计算机视觉48

    WithEveryone:统一规划与身份 grounding 的群体图像生成框架

    WithEveryone 提出一种针对包含 5-10 个指定身份的群体图像生成的统一框架,通过注入地址化 token 和结构化布局计划实现身份绑定。该模型在身份相似度上达到 0.538(优于 GPT-Image-2.5 的 0.472),并将复制粘贴误差降至 0.149、身份覆盖率达 94.5%、碰撞率仅 9.6%,证明了显式布局 grounding 可扩展至大群体生成。

  5. arXiv · 机器人与计算机视觉58

    CamChoreo:首个时空 grounded 组合式相机运动理解基准与蒸馏方法

    本文介绍 CamChoreo,这是首个针对时空 grounded、组合式相机运动理解的基准,包含 4,229 个带有专家时间标注的多样化单镜头片段。研究提出 CamDistill 方法,将冻结 3D 基础模型的几何知识蒸馏为轻量级相机 token,在无需推理时运行昂贵 3D 模型的情况下,显著提升了视觉语言模型的性能。

  6. arXiv · 机器人与计算机视觉42

    Morph-ISR:一种用于病理图像的形态感知隐式超分辨率网络

    Morph-ISR 提出了一种针对数字病理图像的高分辨率重建框架,通过引入 IPKG 和 MFP 模块解决复杂组织下的纹理模糊与边界丢失问题。在 TCGA 和 SurGen 数据集上,该方法将 LPIPS 和 ST-LPIPS 指标较次优方法分别降低 38.37% 和 39.55%,同时保持高 PSNR 与 SSIM。紧凑的参数化与高通量特性支持边缘部署,代码与模型将在发表时公开。

  7. arXiv · 机器人与计算机视觉25

    PanDent:迈向牙科放射学中全面的牙齿级结构 - 语言一致性基准

    PanDent 是一个基于专家验证的牙齿级标注构建的大规模基准,包含 9,554 张全景牙片及由口腔颌面放射科医生进一步验证的结构化发现。该数据集支持报告级文本一致性与牙齿级临床一致性的互补评估,其中 9,049 例用于监督训练,另有 505 例作为独立内部基准。实验表明,在 PanDent 上进行监督微调可显著提升模型与专家牙科解读的对齐度及诊断准确率。

  8. arXiv · 机器人与计算机视觉38

    TextGaze:利用文本场景线索提示 gaze target estimation 的跨模态架构

    TextGaze 提出一种统一跨模态架构,利用冻结编码器提取视觉特征并借助大视觉语言模型获取 gaze-aligned 文本线索。该方法在四个主流数据集上评估,无需额外微调即展现出关键指标上的竞争力与鲁棒的跨数据集泛化能力。研究为传统设计提供了简化替代方案,突显了 LVLM 作为可访问辅助引导的潜力。

  9. arXiv · 机器人与计算机视觉52

    对抗诱饵:误导基于注意力的 ViT 防御机制

    针对 Vision Transformers 在测试时依赖高注意力分数抑制对抗补丁的防御漏洞,本文提出对抗诱饵方法。该方法将诱导错误预测与规避防御解耦,通过优化独立诱饵区域提升目标令牌注意力并压制非目标竞争令牌,从而在不牺牲攻击有效性的前提下误导基于注意力的防御机制。实验表明,该方法在多种架构和攻击形式下均能成功重定向高注意力分数,揭示了仅用注意力作为对抗相关性指标的根本局限。

  10. arXiv · 机器人与计算机视觉38

    DiffCVE:基于扩散模型的压缩视频增强方法

    DiffCVE 提出一种针对严重压缩视频的感知质量增强方法,通过编码先验双分支条件与压缩退化语义提示机制解决结构不一致幻觉问题。该方法将编码先序引导加权融合模块集成至 VAE 解码器,利用残差和运动矢量提供结构及运动指导。实验表明其在严重压缩设置下显著提升感知质量,项目页面与代码已公开。

  11. arXiv · 机器人与计算机视觉78

    GUSH3R:基于高斯的统一场景与人三维重建

    论文提出了 GUSH3R(Gaussian-Unified Scene Human 3D Reconstruction)框架,旨在解决从单目视频中联合建模场景几何、相机运动与非刚性人体动态并实现照片级渲染的挑战。

    推荐理由:该工作提出 GUSH3R 框架,利用单目视频一次性重建动态人物与场景为 3D 高斯泼溅,在保持几何一致性的同时显著提升推理效率。

  12. arXiv · 机器人与计算机视觉63

    SimpleSearch-VL:一种高效可靠的多模态智能体深度搜索配方

    该研究提出 SimpleSearch-VL 框架,旨在提升多模态智能体的搜索与验证过程效率及可靠性,而非依赖扩展数据或工具。其核心改进包括利用因子化自适应展开(FAR)优化采样效率以缓解长尾延迟,以及通过思维链进行证据验证推理以确保检索内容与上下文的相关性。

  13. arXiv · 机器人与计算机视觉68

    NEXUS:用于接触丰富 3D 物体动力学的神经能量场框架

    论文提出了 NEXUS 框架,利用结构图表示物体并构建动态接触图,通过标量能量和耗散项而非直接预测状态来建模运动,从而在变化机械属性和物理效应组合下提升长时序准确性。该框架为接触丰富的视频生成提供有效引导,改善物理合理性并保持视觉质量。材料为预印本,未报告真实机器人部署结果。

  14. arXiv · 机器人与计算机视觉72

    视觉指令微调通过抽象层对齐模态:一项关于多模态集成局部化现象的研究

    该研究探讨了视觉指令微调如何将预训练大语言模型适配为处理图像信息,揭示了视觉特征被嵌入 LLM 骨干网络中间语义层的机制。研究发现,这些中间层构成了视觉 - 语言处理的语义核心,对多项多模态基准的性能至关重要。

  15. arXiv · 机器人与计算机视觉78

    MARS:基于单源锚点的多源视觉推理优势归一化方法

    针对多源视觉输入(如红外与深度)融合时缺乏显式机制区分信息增益或干扰的问题,论文提出 MARS 框架。该方法将单源奖励作为动态锚点,在强化学习可验证奖励(RLVR)中明确纳入多源融合带来的信息增益至优势归一化过程,自适应地强调互促并抑制噪声冲突。

    推荐理由:提出 MARS 框架,通过单源奖励锚点解决多源视觉推理中的信息增益量化与模态冲突问题。

  16. arXiv · 机器人与计算机视觉67

    AVI-HT:面向戴手套手部的自适应视觉 -IMU 融合三维追踪方法

    论文提出 AVI-HT 方法,利用同步的多模态训练数据(穿戴式视觉与 6-DoF IMU)及跨传感器深度注意力机制,实现对重度遮挡下的高精度三维手部姿态追踪。在 DexGloveHOI 数据集上的实验表明,该方法相比基线将平均关键点误差降低 16.1%,腕部对齐变体降低 24.2%,并将手指与物体的接触丢失率减少 8.5%。该工作已接受发表于 NeurIPS 2026。

  17. arXiv · 机器人与计算机视觉68

    超越实例级自监督:3D 多模态医学成像中的跨实例拓扑一致性方法

    该论文针对医学影像中个体间解剖结构空间关系一致的特性,提出利用跨实例拓扑一致性作为新的自监督信号。方法包含两种对齐机制:在实例内利用像素对应保留局部邻域拓扑;在实例间无监督下推导伪对应以控制部分邻域对齐并防止拓扑坍塌。实验在 7 个下游多模态任务上验证,分割与分类任务平均提升分别为 1.1% 和 5.94%,且在测试时缺失模态的情况下表现出更强的鲁棒性。

  18. arXiv · 机器人与计算机视觉75

    Fill the GAP:多模态大语言模型的视觉推理颗粒度对齐范式

    论文 Fill the GAP 提出一种针对多模态大语言模型(MLLM)的视觉隐式推理新范式,旨在解决现有方法因特征空间失配导致的不稳定增益问题。该方法在数据、特征和模型三个层面进行对齐:利用可检查的辅助视觉监督锚定隐式目标;通过轻量级 PCA 对齐头将解码器输出映射为输入兼容的视觉潜变量;并选择性地将隐式监督分配给基础模型表现困难的样本。

  19. arXiv · 机器人与计算机视觉23

    基于扩散模型的逆问题优化器设计:OptDiff 简化调优与加速推理

    OptDiff 通过引入不变性重参数化,使同一超参数可跨多个图像重建、去模糊及超分辨率任务复用而无需重新调优。该方法结合 RED-diff 框架将后验采样转化为优化问题,利用凸优化工具显著加速推理并提升图像质量。实验表明该设计在保持 SOTA 性能的同时解决了长推理时间和繁琐调参的部署难题。

  20. arXiv · 机器人与计算机视觉43

    $\mathcal{B}^{3}$-Net:多任务稠密预测的受控后验桥学习框架

    $\mathcal{B}^{3}$-Net 提出受控后验桥学习框架,通过可靠性估计、后验桥构建及有界重分配解决多任务稠密预测中的负迁移问题。在 NYUD-v2、PASCAL-Context 和 Cityscapes 数据集上,该方法在 CNN、Transformer、扩散模型及 Mamba 等基线方法中取得竞争或更优的权衡效果。实验验证增益源于受控后验桥学习而非骨干容量或解码器规模。

  21. arXiv · 机器人与计算机视觉65

    通用主成分网络:面向域泛化的深度学习新框架

    该工作提出通用主成分网络(CPCNet)与投影追逐式通用主成分网络(PP-CPCNet),将迭代的主成分分析算法转化为端到端可微层,以在分布外偏移下学习共享的正交基。实验显示这两种方法在四个标准域泛化基准上具备具有竞争力的零样本泛化性能且计算效率良好。

  22. arXiv · 机器人与计算机视觉28

    Appear2Meaning:跨文化结构化元数据推理基准

    Appear2Meaning 是一个针对图像恢复文物标题、文化、时期等五类元数据的跨文化基准,涵盖 750 件博物馆藏品。在九款视觉语言模型测试中,字段级平均准确率为 36.16%–49.82%,仅含图像输入使文化、时期和原产地的参考兼容性比对照提升 12.6–32.2 个百分点。该基准通过区分字段级与完整记录兼容性并引入人工验证,旨在解决从图像恢复人类归因的技术挑战。

  23. arXiv · 机器人与计算机视觉18

    Open-Set Supervised 3D Anomaly Detection:工业缺陷检测新框架与数据集发布

    Hanzhe Liang 提出 Open3D-AD 方法,利用少量已知异常样本训练模型以识别未知工业缺陷。该方法基于包含 15 类、每类 5 种真实异常的 Open-Industry 数据集构建基准,在 Real3D-AD 和 Anomaly-ShapeNet 上验证了有效性。论文已撤回且未提供许可证,代码与权重暂未开放。

  24. arXiv · 机器人与计算机视觉78

    CanViT:迈向主动视觉基础模型

    论文介绍 Canvas Vision Transformer (CanViT),这是首个任务与策略无关的主动视觉基础模型 (AVFM)。该模型利用场景相对 RoPE 结合视网膜视觉骨干网络与时空图景全局潜在工作区,并通过 Canvas Attention 机制实现高效交互。

    推荐理由:提出首个任务与策略无关的主动视觉基础模型 CanViT,在低分辨率瞥视下实现优于现有模型的分割精度与推理效率。

  25. arXiv · 机器人与计算机视觉65

    AgroOmni:一个用于跨尺度多模态推理的大规模多视角农业数据集

    针对现有多模态大语言模型在农业感知任务中存在的严重地面视角偏差及尺度混淆问题,该工作发布了 AgroOmni 大规模多视角训练语料库。该数据集包含 268,119 个视觉问答对,覆盖 56 个专用任务类别和 14 种任务类型,涵盖从地面近距离摄影到无人机航拍再到卫星遥感影像的多种空间尺度。

  26. arXiv · 机器人与计算机视觉72

    ENIGMA-360:面向工业场景的人类行为理解的自他视角数据集

    ENIGMA-360 是一个在真实工业场景中采集的自他视角(ego-exo)数据集,包含 180 段第一人称和 180 段第三人称程序化视频,两者时间同步并提供互补信息。数据已标注时空注释,支持研究工业领域的人类行为。作者提供了四个基础任务的基线实验结果:时序动作分割、关键步识别、自他视角的人机交互检测以及基于视频的跨视图问答,展示了现有方法在该挑战场景下的局限性,并公开了数据集及注释供公众使用。

  27. arXiv · 机器人与计算机视觉35

    MarsRetrieval:面向火星地理空间发现的视觉语言模型基准评测

    MarsRetrieval 是一个针对火星地理空间发现设计的检索基准,涵盖成对图文检索、地貌检索及全球地理定位三项任务。评估显示即便强基础模型也难以捕捉特定地貌差异,证实了领域微调在行星环境下实现泛化地理空间发现的关键作用。代码已公开,适用于计算机视觉与天体物理仪器方法研究。

  28. arXiv · 机器人与计算机视觉62

    MMEarth-Bench:通过多模态测试时训练实现全球模型自适应

    针对地球观测数据预训练模型在下游任务中地理泛化能力不足的问题,作者构建了包含 12 种模态的 MMEarth-Bench 基准数据集。研究提出了一种与模型无关的测试时训练方法(TTT-MMR),利用测试时的所有可用模态作为辅助任务进行重建,显著提升了各类预训练模型在随机和地理划分测试集上的性能。

  29. arXiv · 机器人与计算机视觉73

    MM-SCALE:基于证据的道德判断评估基准

    作者提出 MM-SCALE 基准,包含 8,444 个图像上下文和 21,977 个行动场景,要求模型在共享视觉背景下比较不同行动的道德评分并 grounding 理由。结果显示当前 VLM 的 NDCG@5 虚高而内部排序准确率低,且常忽视视觉证据的关键性,揭示了现有模型的证据 grounding 失效问题。

  30. arXiv · 机器人与计算机视觉72

    遥感基础模型的冗余性与可压缩性:我们需要多大的模型?

    该论文系统检验了计算机视觉缩放定律在遥感领域的适用性,发现遥感基础模型在远小于通用视觉模型的规模下即进入过参数化区域,任务相关信息存在显著冗余。研究对十种最先进模型进行后训练剪枝测试,显示在激进宽度缩减下平均保留 85% 以上分类准确率,而基于自然图像预训练的掩码自编码器性能则急剧下降。

  31. arXiv · 机器人与计算机视觉70

    VMonarch:一种用于视频扩散 Transformer 的高效结构化注意力机制

    针对视频扩散 Transformer(Video DiTs)中注意力机制二次复杂度限制上下文扩展性的问题,本文提出 VMonarch 新机制。该方法利用 Monarch 矩阵表示稀疏时空注意力模式,通过时空因子化显式捕捉帧内与帧间相关性,引入重计算策略缓解交替最小化带来的伪影,并融合在线熵算法实现长序列的快速更新。

  32. arXiv · 机器人与计算机视觉42

    ReflFlow:学习几何引导的光线追踪以实现动态高光重建

    ReflFlow 框架通过残差材质增强高斯泼溅表示及混合渲染管线,解决了动态高光场景中的反射方向估计与物理建模难题。在动态场景基准测试中,该方法定量定性均优于先前方法,生成了更清晰逼真的复杂环境高光反射。该成果作为 ICML 2026 预印本发布,包含代码、权重与数据,共 16 页含 5 张表格。