跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉82

    TraceKV:一种用于推理视觉语言模型的策略保持低秩 KV Cache 压缩方法

    针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。

    推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。

  2. arXiv · 机器人与计算机视觉5

    MAGIC:基于模态感知基尼系数的 LMMs 临床幻觉检测新方法

    MAGIC 将大多模态模型(LMMs)的幻觉检测定义为生成答案 token 时视觉与语言模态注意力权重的分布失衡问题。该方法利用各层各头的基尼系数量化注意力集中度,训练逻辑回归分类器并在三种医学影像模态上评估了两个 LMMs。实验显示,MAGIC 在检测临床不可验证输出方面表现优于或等同于当代基线方法。

  3. arXiv · 机器人与计算机视觉53

    SCR-Mamba:一种用于高效三维人体姿态估计的骨骼条件 Mamba 模型

    该论文提出了 SCR-Mamba 方法,旨在解决基于 Mamba 的视频三维人体姿态估计中缺乏直接利用骨骼关系及全分辨率计算开销高的问题。核心创新包括骨骼条件状态建模(SCSM),通过骨连接和左右对称性生成骨架上下文以指导状态信息的读写传播;以及跨尺度增量细化(CSIR),通过内容自适应聚合构建多尺度运动表示,并利用粗粒度建模产生的增量逐步细化保留的单帧特征。

  4. arXiv · 机器人与计算机视觉48

    FloCOS:通过条件流匹配预测周围车辆紧凑前向占用集

    FloCOS 提出一种基于条件流匹配的框架,将前向占用集表示为随时间变化的半空间凸多边形并集,以解决现有方法覆盖不足或过于保守的问题。在 Waymo Open Motion Dataset 上的评估显示,该方法生成了高覆盖率且更紧凑的集合,交互完成率优于基线。真实车辆实验进一步证实了其在交互式场景中支持无碰撞规划的能力。

  5. arXiv · 机器人与计算机视觉42

    WaveFlow-UIE:一种用于水下图像恢复的单管道小波域流模型

    WaveFlow-UIE 提出了一种单管道小波域流模型,直接学习将退化水下小波表示转化为清晰图像。该方法在 UIEB、LSUI、UFO-120 和 EUVP 数据集上实现了质量与效率的平衡,相比强基线显著降低推理成本。实验显示,将推理步数从五步减至单步可在保持恢复质量的同时提升约 4 倍速度。

  6. arXiv · 机器人与计算机视觉74

    语义一致性视角下的多模态大语言模型:一种视觉中心的方法

    针对多模态大语言模型在视觉中心任务中的表现,研究定义了视觉 token 的语义一致性与不一致性。通过移除实验发现模型高度依赖语义一致的 token。提出的语义引导训练方法结合语言建模与语义一致性最小化目标,在保持文本对齐的同时提升视觉任务性能,并在多项基准测试中达到平均最优效果。

  7. arXiv · 机器人与计算机视觉58

    SteinPnP:一种用于透视 -N-点问题的非参数不确定性量化方法

    论文提出了 SteinPnP,这是一种概率性的透视-N-点(PnP)求解器,利用非参数姿态粒子集对相机位姿后验进行建模。该方法结合 Stein 变分推断的优势,旨在解决传统方法在捕捉多模态不确定性时的不足。实验表明,SteinPnP 能在合成与真实世界基准上准确捕获复杂的多模态不确定性并保持竞争力。

  8. arXiv · 机器人与计算机视觉72

    Verifier Choice is a Benchmark Design Variable:文本到图像模型的结构计数评测审计

    该研究指出自动评测分数是生成器、提示分布、验证器及评分规则的共同属性而非仅由生成器决定。作者在结构计数任务上构建了验证器中心审计套件,涵盖手机、椅子等物体及三叶草叶片等子结构,在 Qwen-Image-2512 和 FLUX.2-dev 生成的 6,240 张图像上进行测试。

  9. arXiv · 机器人与计算机视觉72

    Learning Motion-Appearance Coupling Priors for Solving Video Inverse Problems

    arXiv 预印本论文提出一种学习运动与帧外观耦合先验的方法,将其作为生成式先验用于视频逆问题重建。该方法通过条件扩散模型学习由运动引起的外观残差分布,以此正则化基于扩散模型的图像重建过程,同时兼容现有的外观正则化技术。实验表明,在动态视频逆问题上,该方法优于光流一致性和噪声变形基线,并成功迁移至心脏 MRI 重建任务。

  10. arXiv · 机器人与计算机视觉35

    ChartGalaxy++:面向图表理解与生成的丰富标注数据集发布

    ChartGalaxy++是一个包含 217,195 张信息图的新数据集,核心采用场景图表示法以编码视觉元素的层级与空间关系。该数据集支持图像到场景图的预测、增强型问答及生成中的场景图保持评估三项应用。其预印本已上传至 arXiv,旨在推动图表理解与生成的前沿研究。

  11. arXiv · 机器人与计算机视觉53

    Arbor:当标签未被随机粗化时的处理方案

    论文 Arbor 针对合并不同层级标签数据集后出现的细粒度缺失问题,提出一种在分类器中直接建模标签粗化过程的虚拟类别与逻辑门控方法。该方法将新类视为违反假设的实体,通过训练逻辑门分配概率,证明其在群体最优时等同于 Elkan-Noto 修正,且优于事后应用该修正。

  12. arXiv · 机器人与计算机视觉57

    超越显性:短视频隐性危害基准与检测

    针对短视频中隐性且碎片化的有害内容难以被现有方法有效检测的问题,本文构建了包含7110个样本的DeepHarm-7K数据集,并提出了集成视觉、音频及跨模态推理的DeepHarm-VL多模态检测框架。该框架采用两轮推理策略以逐步识别表面证据并推断潜在危害,实验结果显示其在多个开源视频语言模型上均优于强基线方法。

  13. arXiv · 机器人与计算机视觉44

    DroneDiffusion:感知引导的扩散路径规划器用于无人机导航

    DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。

  14. arXiv · 机器人与计算机视觉78

    ReTime-Compose:让驱动世界模型移动场景而非仅移动相机

    Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。

    推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。

  15. arXiv · 机器人与计算机视觉78

    无需训练的个人化图像分割框架:解决多图实例召回瓶颈

    该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。

    推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。

  16. arXiv · 机器人与计算机视觉59

    一种面向视觉语言嵌入的通用概念分解方法

    针对视觉语言模型表示是否对齐人类自然描述尚不明确的问题,本文提出 GRACE 方法,在特征空间层面学习概念分解结构。该方法通过新颖的训练目标保持概念空间的几何关系,实现语义与通用概念分解。实验表明,GRACE 在多个图像和视频基准上均能产生与人类感知一致的概念分解,且以最小开销提升现有视觉语言模型的可解释性并保留大部分原始性能。

  17. arXiv · 机器人与计算机视觉15

    对话评估中的标签泄露效应:同一演示对不同子群产生相反影响

    基于 SGD、STAR 和 AMI 语料库的实验表明,训练集中包含测试对话的前驱行会提升词汇分类器的延续得分却降低转换得分。该现象在两个 7B 指令微调模型及 TF-IDF 检索演示的八种组合中均呈现相反模式,而自然权重准确率仅波动 -0.05 至 +0.04。研究通过排除测试对话验证了泄露频率依赖检索管线且无需重新训练即可诊断,所有暴露均为诱导产生而非重评已发布系统。

  18. arXiv · 机器人与计算机视觉52

    OT-BLS:面向跨域少样本分割的 DINOv3 骨干层选择新方法

    针对跨域少样本分割中传统方法未显式评估查询与支撑标签一致性的问题,本文提出基于最优传输对应关系的骨干层选择准则 OT-BLS。该方法通过估计最优传输计划并聚合传输质量来生成评分,从而反映预测前景与背景同支撑数据的匹配程度。

  19. arXiv · 机器人与计算机视觉12

    GingivitisSeg:口腔图像牙龈炎分割公开数据集与基准评测

    GingivitisSeg 发布包含 961 张标注图像的公开基准,涵盖训练、验证和测试集划分。UPerNet 配合 ResNet50 骨干网络在标准条件下取得最高 mIoU 76.49% 及牙龈炎 IoU 54.91%,但经 Holm 校正后与 DeepLabV3+ 等基线差异无统计学显著性。数据集、基准划分及源代码已公开,目前为预印本状态并正在期刊审稿中。

  20. arXiv · 机器人与计算机视觉43

    MAST:多模态大模型视觉定位的中介锚定子空间引导方法

    MAST 提出一种免训练、输入自适应的激活引导框架,通过任务聚类与低秩局部方向聚合解决全局均值导致的跨任务干扰问题。在此基础上,MAST-PR 利用轻量级探针重加权专用方向家族,在基准上平均提升 8.09 分。该工作为多模态大模型的视觉定位提供了新的无训练优化路径。

  21. arXiv · 机器人与计算机视觉45

    Bridging Update Coordination and Flatness in Federated Learning 提出统一框架提升联邦学习泛化能力

    针对数据异构导致的更新冲突问题,该研究提出统一联邦学习框架,通过独立累积下降信号与平坦度修正并融合输出,实现优化机制灵活组合。实验表明,相比仅使用更新协调策略,所评估的组合方案在平均及最差客户端准确率上均有所提升,验证了结合互补优化机制的有效性。

  22. arXiv · 机器人与计算机视觉48

    V-JEPA Features 用于多视角三维重建的预印本研究

    该研究利用视频预训练特征结合相机估计与场景聚合,在 CO3D 数据集上对比了全局与空间相机回归配置。结果显示空间相机配置虽降低轨迹误差但深度表现不及恒值中位数深度,联合相对目标优化改善了归一化内参误差却增加了原始 Chamfer 距离。研究强调需分离组件比较以区分表征适应、对齐形状与原始重建效果,代码已开源。

  23. arXiv · 机器人与计算机视觉78

    SAVE:少即是多——代理式视频推理的简单框架优于复杂管线

    针对现有代理式视频推理框架评估标准不一、计算成本高且效果提升有限的问题,该研究提出了 SAVE(Simple Agentic Video Explorer)基线及扩展方法。

    推荐理由:该研究通过受控评估发现,在长视频场景下,简单的主动探索框架比复杂代理更有效且成本更低。