跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉68

    SpotDiff:一种用于遥感影像零样本变化检测的即插即用框架

    SpotDiff 是一个无需训练的即插即用框架,旨在解决传统遥感变化检测依赖大量标注数据的可扩展性问题。该方法组合了 DINOv3、AnyUp 和 SAM 3 等视觉基础模型,利用多尺度推理策略在感兴趣区域比较重建特征以测量变化,不包含可学习组件或微调。

  2. arXiv · 机器人与计算机视觉51

    HiVE-VQA:基于体素嵌入的层级交互用于视频质量评估

    针对用户生成内容带来的无参考视频质量评估挑战,该研究提出 HiVE-VQA 框架,首次将 JEPA 架构的视频编码器应用于此任务。该方法从预训练的 V-JEPA 2.1 编码器中提取多深度 token 网格并堆叠为层级时空体积,利用紧凑的 3D 卷积头融合各层特征与语义上下文,且保持编码器冻结仅训练头部。

  3. arXiv · 机器人与计算机视觉38

    SALT:面向遥感影像的单时相跨数据集结构定位新方法

    SALT 框架通过冻结 DINOv3 骨干网络并引入状态对齐低秩迁移,解决了单时相遥感影像变化检测中源域过拟合问题。在 LEVIR-CD 与 WHU 航空建筑数据集双向迁移实验中,该方法仅用 0.068M 可训练参数和 40.2ms/张的推理延迟,像素级 AP 提升最高达 9.45 点且优于四大基线。相关源代码已公开以支持复现与进一步研究。

  4. arXiv · 机器人与计算机视觉78

    超越问答:学习先说话再行动的流式视频大模型

    论文介绍 AURA 2.0,这是一个流式视频大语言模型,具备模型发起对话、流式工具调用和交互式视觉定位等核心升级能力。作者构建了专用数据集并采用三阶段训练方案整合新行为,引入长视界交互记忆以维持上下文连续性。公开基准测试显示其在开源流式模型中表现领先,相关权重与推理代码已开源。

    推荐理由:该预印本提出 AURA 2.0,通过模型发起对话、流式工具调用及交互式视觉定位等升级,在开源流式视频大模型中表现领先。

  5. arXiv · 机器人与计算机视觉25

    基于眼底图像的 AMD 疾病特异性视网膜衰老生物标志物 FAA 提升晚期年龄相关性黄斑变性进展预测精度

    针对传统按生理年龄评估不足的问题,研究提出并验证了基于眼底的 AMD 年龄(FAA)指标以量化疾病特异性视网膜衰老。该模型在 AREDS 数据集上使 C-index 从 0.836 提升至 0.888,并将 5 年 Brier 评分从 0.050 降至 0.046;AREDS2 数据集中 C-index 也从 0.715 升至 0.756。

  6. arXiv · 机器人与计算机视觉78

    第 8 届 LSVOS 挑战赛:移动统一多模态理解报告

    本报告总结了与 ECCV 2026 联合举办的第 8 届大规模视频目标分割(LSVOS)挑战赛中,关于移动统一多模态理解(MUMU)轨道的评测结果。该任务要求单一模型在 0.5B 参数和 8 GB 推理显存预算下,同时完成质量/场景/事件词汇的多概念图像标签、开放词汇目标检测和简洁图像描述。

    推荐理由:报告总结了 ECCV 2026 LSVOS 挑战赛中 MUMU 轨道的评测结果,展示了在 0.5B 参数预算下基于 Florence-2-base 的统一多模态理解方案。

  7. arXiv · 机器人与计算机视觉42

    CT-SGAL-LIO:因果连续时间离散激光雷达惯性里程计优化

    CT-SGAL-LIO 提出一种无需修改估计器即可平滑离散 SGal(3) 后验位姿流的连续时间细化模块。该方法在 GRAND-TOUR、MCD 和 GEODE 三个基准的 17 个序列上,将相对轨迹误差(RTE)提升最高 70%,并在 R-Campus 场景中使后验跳变减少 85.4%。作者计划开源代码与结果以支持社区验证及复现。

  8. arXiv · 机器人与计算机视觉72

    Raysemble:基于单张 X 光片的度量三维骨骼重建

    Raysemble 通过分离形状与位置,利用共享解码器预测归一化骨骼形状,并结合深度与相机几何将形状重采样至毫米级公共网格。该方法在无需刚性对齐 CT 的情况下,在 23 名受试者的 43 个 CT 扫描生成的模拟正位 X 光片上评估,平均 Dice 为 65.24%,HD95 为 9.09 mm,ASSD 为 3.32 mm,优于 VolumeNeRF 等 15 种方法。

  9. arXiv · 机器人与计算机视觉72

    Visual Cipher Bench:评估大语言模型智能体的长程视觉推理能力

    作者发布 Visual Cipher Bench 基准,包含 40 个仅需黑白线稿和最少指令的视觉谜题,涵盖空间操作、逻辑约束等四类任务。实验显示,在八种前沿模型中,最强模型 GPT-6 Astra (max) 准确率仅 26.7%,多数低于 1%;而提供单一非剧透提示后,十项子任务的准确率从 7.8% 提升至 55.6%。

  10. arXiv · 机器人与计算机视觉82

    Kosmo-GFM:一种生产就绪的几何基础模型

    该预印本提出 Kosmo-GFM,这是一个集成了几何基础模型、位姿优化引擎及来自 KosmoWorld 的重建监督的场景重建系统。GFM 可从图像和视频预测相机参数、深度、跨视图对应关系及动态 3D 点;PoseEngine 结合这些预测与几何优化恢复场景级位姿和几何结构,用于下游 3D 和 4D Gaussian Splatting。

    推荐理由:该预印本提出 Kosmo-GFM 系统,在 SpatialBench 上实现最低深度误差与最高位姿 AUC,PoseEngine 运行时间约为 GLUEMAP 的 20%,支持将学习到的几何先验集成到重建流程中。

  11. arXiv · 机器人与计算机视觉42

    EG360:通过自适应全景 - 视角蒸馏与球体跨层级特征融合实现高效通用深度估计

    EG360 是一种针对全景深度估计的高效通用模型,利用场景几何引导的自适应全景 - 视角蒸馏策略及球体跨层级特征融合模块。该模型重参数化后仅含 6.593M 参数,在 Jetson Orin NX 16GB(MAXN 模式)上实现 35 FPS 推理速度,远超 ViT-small 模型的不足 2 FPS。代码将公开以支持未来研究。

  12. arXiv · 机器人与计算机视觉48

    DashBench 评测视频大模型对自动驾驶长尾场景的理解能力

    DashBench 基准测试了 25 个视频大语言模型在涵盖碰撞及非碰撞类共 1709 条精心筛选的驾驶视频上的表现。结果显示所有被评估模型均远低于安全关键应用所需阈值,常误判危险事件或产生幻觉。该基准结合严格评测工具与详细诊断报告,旨在推动更安全、可解释的自动驾驶系统发展。代码和数据将在指定链接共享。

  13. arXiv · 机器人与计算机视觉58

    ORCA:用于多视图聚类的正交残差共识对齐方法

    针对深度多视图聚类融合过程中信息冗余及跨表示层无差别对齐的问题,本文提出正交残差共识对齐(ORCA)方法。该方法通过语义增量循环融合模块提取跨视图正交残差作为非冗余增量,并利用发散引导门控自适应加权循环状态;同时采用共识校准的分层对比对齐模块,利用全局共识对视图级、成对及循环表示的对比对齐进行加权。

  14. arXiv · 机器人与计算机视觉82

    从基础 VLM 到多功能驾驶 VLM:一种三元组增量训练方法

    针对将通用视觉语言模型(VLM)适配自动驾驶需大量空间先验或架构重构的难题,本文提出非侵入式的三元组增量训练框架。该方法利用自动构建的图像、深度和问答三元组,通过统一三流训练管线注入 3D 几何感知:主 VLM 流适应驾驶任务,辅助深度流引导视觉骨干网想象场景几何,冻结的双生 VLM 流防止语义漂移。

    推荐理由:提出非侵入式三元组增量训练框架,在保留通用 VLM 能力的同时通过辅助深度流注入几何感知,部署时无推理开销。

  15. arXiv · 机器人与计算机视觉45

    热红外无人机检测瓶颈分析:跨数据集基准评测揭示数据构成主导性能

    针对公开热红外无人机数据集的相机系统与标注差异,研究建立了涵盖光学效应与图像增强的缺陷分类法。实验表明检测性能主要由训练数据构成决定而非 YOLO 模型容量,最佳配置仍漏检超 40% 目标且存在显著跨域不对称性。该预印本论文揭示了现有数据集在复杂背景下的局限性,为提升连续监控能力提供关键改进方向。

  16. arXiv · 机器人与计算机视觉48

    MuViRL:通过校准视图聚合实现多模态视图不变视觉语音表征学习

    MuViRL 是一种自监督框架,结合同步 3D 高斯视图合成与多模态自监督,利用决策模型校准分数指导信息聚合并蒸馏至单分支。实验在真实与合成多视角数据上验证了该方法能提升跨视图的多模态表征一致性及视觉语音识别性能。该研究共 30 页含 7 张图,属于计算机视觉领域的预印本论文。

  17. arXiv · 机器人与计算机视觉45

    Learning the Missing Derivative:神经多重散射算子用于逆体积渲染

    该方法通过神经网络预测多重散射场并在逆渲染中对其求导,利用蒙特卡洛监督微调以解决优化漂移问题。在独立测试的光学厚云层上,同等耗时下其重光照效果优于冻结源层析成像,且大幅节省时间即可超越可微路径追踪基线。论文包含 21 页、11 张图和 18 个表格,已上传至 arXiv 供下载。

  18. arXiv · 机器人与计算机视觉48

    OverReal 揭示文生图模型普遍存在“过度实现”缺陷,传统指标反而奖励该错误

    研究构建 OverReal-Gen 与 OverReal-Det 评估工具,发现八款主流文生图系统在否定、想象等四种情境下均出现提示未要求的物体生成。现有 CLIPScore 等传统指标不仅无法惩罚此失败,甚至可能奖励该缺陷,且仅靠提示词扩展难以完全缓解问题。

  19. arXiv · 机器人与计算机视觉18

    Improved CNN-Transformer Network for Neutron Image Super-Resolution 提出新模型

    针对中子图像斑点噪声与细节缺失问题,该研究提出结合 CNN 与 Transformer 的超分辨率网络。通过利用预训练模型增强真实中子图像作为高质量参考,并引入混合先导引导通道融合等模块优化纹理重建。仿真结果显示,相比双三次插值、SRCNN 及 SRGAN-VGG 等方法,新模型在 PSNR、SSIM 等全参考指标及 AGM、SMD 无参考指标上均表现更优。

  20. arXiv · 机器人与计算机视觉53

    面向低数据医疗图像分类的 CPU 可训练 ZACH-ViT 及其几何变体

    针对资源受限环境下的医疗图像分类任务,该研究评估了四种 ZACH-ViT 变体(线性、欧几里得原型、庞加莱和球面头)与两个紧凑多实例学习基线模型。所有模型均在 MedMNIST+ 七个数据集及三个外部基准上从头训练,参数量少于 260,000。

  21. arXiv · 机器人与计算机视觉48

    ReFineR:单图像素级稠密点云配准与点溅射优化框架

    ReFineR 是一个离线框架,利用可微分点溅射光栅化和平滑梯度方向度量(GOM),通过分析与合成优化迭代微调相机姿态以解决图像到点云的精细配准。该方法在手动校准的异构数据集上评估了性能,并证明可在优化前自动估计点云缩放因子,从而在多种场景下实现尺度不变鲁棒性。

  22. arXiv · 机器人与计算机视觉38

    Qwen3.5 在 JRDB-Social 数据集上验证了从个人动作到群体意图的单向迁移机制

    研究者在 Qwen3.5 4B/9B 及 Qwen3-VL 4B 模型上测试发现,将个人动作作为输入提示词可使群体意图宏观 F1 提升至 31.2,且该增益依赖图像 grounded 的动作。实验表明意图跟随书面动作而非相反,空列表或借用其他组动作均会降低效果,相关代码与数据处于预印本状态。

  23. arXiv · 机器人与计算机视觉48

    Pl@ntNet API 开启机器对机器植物识别服务,实现大规模生物多样性监测自动化

    Pl@ntNet 推出机器对机器 AI 植物识别服务,覆盖全球 8.5 万物种,物种预测准确率达 0.89。该服务处理速度比人工流程快 666 倍,自上线以来已处理超 8400 万次请求(2025 年单年超 4000 万次)。系统支持昆虫图像植物重建、社交媒体地理定位分析等自动化生态工作流,在标准笔记本上 30 分钟内可处理 2424 张图像生成数据集。

  24. arXiv · 机器人与计算机视觉56

    PiLLVD:一个用于动态场景的低光照视频数据集

    针对现有低光照增强方法多基于静态图像且缺乏真实世界配对视频数据的问题,作者发布了 PiLLVD 数据集。该数据集使用树莓派多相机系统采集了室内外动态场景的成对低光照与正常光照视频序列,重点覆盖丰富运动下的帧间稳定性挑战。研究在零样本设置下对主流预训练增强方法进行了基准测试,结果显示现有方法泛化性不足,验证了新数据集对于推动算法发展的价值。

  25. arXiv · 机器人与计算机视觉17

    RGB-D SLAM on the Edge:Raspberry Pi 5 上 RTAB-Map 与 ORB-SLAM3 基准评测

    研究在 Raspberry Pi 5 上对 RTAB-Map 和 ORB-SLAM3 进行六序列基准测试,发现全分辨率下前者耗时 150-462ms、后者为 26-62ms。RTAB-Map 因无界内存优化位姿图导致成本高,而 ORB-SLAM3 局部束调整在并行线程中运行。四分之一分辨率时两者多数序列丢失跟踪,轨迹误差波动达 27%,精度差异尚无定论且未发生热节流。

  26. arXiv · 机器人与计算机视觉73

    HIFC-IQA:基于双过程认知的免训练跨域图像质量评估

    该论文提出了 HIFC 框架,旨在解决无参考图像质量评估中的跨域挑战。该方法无需重新训练,通过不对称感知分解分离语义内容与失真表征,并融合记忆共识分支与直觉分支以生成最终评分。实验表明其在多个基准测试中达到最先进性能,特别是在合成到真实的跨域设置下展现出显著的鲁棒性和泛化能力。

  27. arXiv · 机器人与计算机视觉65

    DesignTaste:AI 生成设计作品与获奖作品的基准评测

    本文介绍 DesignTaste 基准,利用 Beste Plakate 2025 和 ADC 2026 的获奖作品及背景信息构建 403 个设计简报。六款主流商业文生图模型针对同一简报生成图像,并由单一模型裁判在五个维度独立评分。结果显示仅 ArtArk 的平均总分高于获奖作品,所有模型在创意原创性维度得分均低于获奖作品,表明生成美观图像不等于具备优秀设计方案能力。

  28. arXiv · 机器人与计算机视觉38

    RICapBench:遥感领域视觉语言模型的细粒度理解基准数据集发布

    针对现有基准难以评估无目标文本提示下的端到端实例定位与描述问题,RICapBench 发布了包含 245,466 个实例级标注和 498,005 个空间关系元组的遥感数据集。研究提出 RelCap-F1 指标并结合定位性能构建复合评分 RICScore,评估发现 LocateAnything 以 31.68 分获最高综合得分但空间描述较弱。代码与数据已公开,旨在推动遥感图像细粒度理解发展。

  29. arXiv · 机器人与计算机视觉54

    Gravity and Flight:一种用于遥感场景专业化的少监督框架

    论文提出 Gravity and Flight (G&F) 框架,旨在解决视觉语言模型在复杂遥感场景中推理粗糙且缺乏任务相关视觉证据支撑的问题。该框架结合 Evidence-of-Thought 微调与关系转移策略优化,通过基于评分标准的验证机制(Gravity 检查视觉保真度,Flight 评估证据使用)来耦合策略更新。