跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉42

    DiFiT:面向多模态大模型的分布保真视觉 Token 剪枝技术

    DiFiT 通过双视图蒸馏与可微 Top-K 机制,在保留模型推理概率分布的同时降低多模态大模型推理成本。该方法在 Qwen2.5-VL-7B 上相比 FastV 将采样导致的负向翻转减少 30.3%,并在 10% 和 30% 的保留率下分别维持了基准性能的对应表现,有效解决了剪枝引发的概率漂移问题。

  2. arXiv · 机器人与计算机视觉53

    MiniPose:基于微型模型的 6D 姿态估计真实数据采集方法

    针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。

  3. arXiv · 机器人与计算机视觉45

    Test-Time Selective Adaptation for Cross-Modal UAV Object Tracking with Token Shift 提出 TSAT 方法

    TSAT 通过无标签测试序列进行在线优化,利用可控 token shift 辅助任务生成空间适配信号并抑制不可靠样本干扰。在 CM-UOT 数据集上,该方法在频繁模态切换和严重空间位移下表现优于现有测试时自适应技术,验证了其在跨模态无人机目标跟踪中的鲁棒性与泛化能力。

  4. arXiv · 机器人与计算机视觉48

    Estimating Image Creativity 框架如何自动评估图像新颖性、惊喜度与唤醒度以预测人类创意评分

    该研究提出 Estimating Image Creativity 框架,通过监督机器学习模型预测图像的新颖性、惊喜度和唤醒度三个维度并合成最终创意分。基于 Amazon Mechanical Turk 收集的受控实验数据显示,其估算分数在统计学上与人类对测试图像的创意评级等效。该方法验证了心理学维度的有效性,为计算机视觉与人工智能领域的图像评估提供了自动化工具。

  5. arXiv · 机器人与计算机视觉73

    Back to the Question: Tracing Visual Distraction Through Text Tokens

    该论文针对视觉语言模型在存在干扰图像时的准确性下降问题,通过注意力分析与消融实验发现中层干扰图到文本的连接是主要路径。研究提出一种答案一致性正则化方法,在不直接约束注意力的情况下减少干扰影响,使五个基准测试的循环准确率平均提升 16 个百分点,同时保持单图性能。材料为预印本论文,未涉及真实机器人部署或产品发布。

  6. arXiv · 机器人与计算机视觉28

    Federated Class Incremental Learning: A Pseudo Feature Based Approach Without Exemplars

    FCLPF 方法通过原型生成伪特征解决联邦增量学习中的灾难性遗忘问题,无需历史数据且避免使用 GANs。在 CIFAR-100 数据集上,该方法平均准确率达 51.87%、遗忘度仅 9.62%,显著优于基线的 47.72% 和 20.46%;在 TinyImageNet 上表现同样领先,分别实现 37.56% 准确率与 3.14% 遗忘度。

  7. arXiv · 机器人与计算机视觉78

    EM-ViT:通过视差细化与机器人自运动在线适配单目深度估计

    针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。

    推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。

  8. arXiv · 机器人与计算机视觉78

    RSLiveBench-UAV:一种用于空中空间智能的持续进化视觉语言基准

    该论文介绍了 RSLiveBench-UAV,这是一个基于真实无人机图像持续采集、采用几何辅助关联实体身份并延迟披露答案的视觉语言基准。研究在十个场景下评估了 30 个通用、遥感及具身模型,涵盖 17 项任务,发现所有测试的具身模型均优于选定的遥感对比器,但细粒度车辆识别仍具挑战且性能随高度和相机俯仰角变化。

    推荐理由:引入持续进化的无人机视觉语言基准,通过几何辅助关联实体与延迟披露答案来支持对空域智能模型的持续评估。

  9. arXiv · 机器人与计算机视觉82

    Reality Perception Gap:AI 操纵视频检测器是否准备好应对现实世界?

    该论文引入 Reality Perception Gap (RPG) 基准,包含 10,000 个经过跨平台重传压缩及带有相机光学伪影的视频,涵盖犯罪与战争等高风险内容。测试显示,在 1% 误报率下,现有 18 种检测器无一能捕获超过 15% 的伪造视频。研究通过正对照和重编码扫描发现,生成器与内容的偏移导致性能下降,而重传压缩则抹去了基于伪迹的检测所依赖的低级痕迹,表明被动检测可能已达极限。

    推荐理由:该研究揭示了现有 AI 视频检测器在真实部署环境下的失效机制,指出被动检测已达极限并建议结合多模态证据。

  10. arXiv · 机器人与计算机视觉7

    Lines Are Ideas:双曲空间视觉创造力评估方法

    该方法将创造力重构为配对草图间的结构化语义偏差,利用双曲距离量化新颖性并通过自适应约束评估恰当性。在 AuDrA-Drawings 数据集上,其对齐专家判断效果达到最先进水平且对评分者变化具有强鲁棒性。框架揭示了可解释的径向组织模式,为自动创造力评估提供了几何基础。

  11. arXiv · 机器人与计算机视觉72

    从像素到提示:用于 AI 生成图像检测的物理引导语言增强

    针对现有 AIGC 检测器依赖生成器特定伪影且泛化性差的问题,本文提出一种无需外部文本提示的检测框架。作者首先分析了超过 20 个生成模型的 15 种手工物理描述符,通过 FSDVA 评估选出拉普拉斯方差、Sobel 统计量和残差噪声方差等五个核心特征。

  12. arXiv · 机器人与计算机视觉48

    HeadIO:面向头戴设备的神经惯性里程计身体帧航向分解方法

    HeadIO 提出结合身体帧航向分解与双向 Mamba 骨干网络的方法,在仅用 IMU 的头戴设备(如 AR 眼镜)上实现无相机头部追踪。该方法在 Nymeria 基准数据集上将 RTE-5s 误差从 0.260m 降至 0.239m,FLOPs 约为现有全管线方法的三分之一、参数少 8 倍。论文已提交至 ICRA 2027,代码与权重暂未开放。

  13. arXiv · 机器人与计算机视觉63

    跨域深度伪造检测的诚实融合评估:泄露审计与尾部鲁棒性

    论文指出跨域视频深度伪造检测中,表达性路由和特征融合的增益多为评估泄露所致。通过 2x2 折叠审计发现,在诚实家庭保留下所有显著增益消失;但在尾部硬样本上,全局校准融合(InvB)将多专家误分类视频比例从 15.2% 降至 2.3%,且在最坏家族 AUC、选择性风险和低假阳性召回率上稳定优于单一专家。建议从业者进行全局校准与组合,并保留完整数据集家族进行评估。

  14. arXiv · 机器人与计算机视觉78

    Sophon:一种用于检验视觉语言模型空间推理能力的程序化诊断工具

    本文介绍并开源了 Sophon,这是一种基于成对彩色点云刺激的程序化诊断工具,涵盖一维线性、二维笛卡尔和极坐标三种坐标系及四种问题类型。研究发现在剥离先验知识后,主流开源 VLM 在空间基准测试上表现接近随机猜测,而前沿模型和人类则能保持较高准确率。

    推荐理由:该工作开源了针对 VLM 空间推理能力的程序化诊断工具,并揭示模型存在路由瓶颈而非能力缺失。

  15. arXiv · 机器人与计算机视觉4

    科学粒子数据神经压缩:学习如何助力的视角

    针对宇宙学、分子动力学及等离子体物理中的科学粒子数据,现有基于八叉树的神经点云压缩方法因无法适配其非局部平面结构而效果有限。在 G-PCC 基线之上,当前神经编解码器仅实现边际比特率降低,显示出显著性能差距。该研究为未来利用学习技术突破科学数据压缩瓶颈提供了关键视角与方向。

  16. arXiv · 机器人与计算机视觉62

    RECALL:基于学习 OEM 锚点残差的多相机阵列实时重校准

    论文提出 RECALL 方法,通过前馈网络结合 OEM 标定锚点和已知物体观测,预测多相机阵列的当前内参和外参。该方法利用可合成真值在飞数据上训练,无需采集数据集。在合成基准和真实数据(TotalCapture、CMU Panoptic)测试中,RECALL 在旋转精度和焦距准确性上优于传统束调整及强基线模型,且运行速度快四个到五个数量级。代码与论文已公开于 arXiv。

  17. arXiv · 机器人与计算机视觉20

    SyntheIce:冰川层重建的雷达图标注基准与算法验证

    SyntheIce 数据集包含 600 张涵盖多复杂度及真实噪声条件的合成雷达图,其中 150 张大图被划分为四块相邻瓦片以测试边界连续性。研究提出的斜率感知贪婪片段链接算法在专家标注的真实数据上实现了高精确度、召回率和 F1 分数。该成果已接受 IEEE BigData 2026 会议,证明了轨迹链接在处理碎片化空间特征时优于外观匹配方法。

  18. arXiv · 机器人与计算机视觉78

    基于熵的视图选择存在盲区:对 VLM 测试时适应的审计

    该论文审计了视觉语言模型在测试时适应中的视图选择机制,发现依赖预测熵的方法无法有效识别正确视图,仅能恢复约五分之一由理想方法获得的准确率。研究提出利用裁剪保留比例作为新信号,在 15 个基准数据集中优于现有最强评分函数。该工作已获 NeurIPS 2026 研讨会接收。

    推荐理由:研究发现熵值无法区分正确与错误视图,利用裁剪保留比例作为新信号可显著提升测试时适应的准确率。

  19. arXiv · 机器人与计算机视觉43

    FreeDeshadow:支持多模态提示的指定物体阴影去除框架

    FreeDeshadow 提出统一可控阴影去除框架,通过对象感知生成器与阴影感知局部细化器,仅移除用户指定物体的投射阴影并保留其他内容。该方法构建包含 154,571 组四元组的 PCSRD+ 数据集,支持点、线、掩码及属性描述等六类视觉与文本提示。实验表明其在去除目标物体阴影的同时有效保护非目标区域,性能优于现有方法。

  20. Hugging Face Daily Papers74

    PhysLoop:利用 LLM 的物理感知实现视频生成模型的自我改进

    PhysLoop 是一个统一框架,旨在通过大语言模型(LLM)的物理知识来改善视频生成模型的物理动态和因果一致性。该框架在视频生成、选择和修正过程中指导并约束 LLM,将其物理知识蒸馏到物理一致的视频中,支持可控训练数据构建和推理时的视频修复。

  21. Hugging Face Daily Papers73

    UniSpark:探索混合注意力的多模态理解与生成

    UniSpark-9B 是一个基于混合注意力机制的统一多模态模型,结合了全注意力与 GatedDeltaNet 线性注意力以支持视觉问答、文生图及指令编辑等任务。该模型在 MME-S 基准上得分为 2470.3,GenEval 得分为 0.83。材料为 arXiv 预印本技术报告,展示了其在多模态生成与理解方面的能力。

  22. Hugging Face Daily Papers72

    WorldDraft:若代码构建世界,视频模型能否仅负责渲染?

    论文提出 WorldDraft 基准,包含 432 个严格配对的测试用例,覆盖 48 个可执行 4D 世界家族及六类动态挑战。评估显示世界保持与视觉实现存在操作张力,丰富草稿虽锚定结构却损害外观保真度,冲突源线索导致高达 64% 的源泄漏。为此提出 WorldDraft-Primer 插件式视觉提示策略,在冻结视频渲染器上同时提升两项目标,为连接程序化 4D 仿真与视频生成奠定基础。

11月12日周四
  1. 量子位60

    MiniMax开源SOTA生图模型H3-Image,原生4K且支持CAD拆解与高数解题

    MiniMax开源了旗舰图像生成模型H3-Image,该模型原生支持16MP(4096×4096)分辨率,推理速度约10-20秒。其核心能力包括去AI味的高保真人脸细节、最多16张参考图输入以维持角色一致性,以及独特的世界理解能力:可自动生成正交三视图和机械爆炸图,甚至能生成包含正确解题步骤的微积分试卷。材料指出该模型已开源且API调用价格仅为竞品50%至70%,首周16MP请求享五折优惠。

  2. 盖世汽车 · 汽车资讯35

    首尔国立大学开发 TACToC 与 mzCache 工具降低 AI 通信开销及响应延迟

    韩国首尔国立大学开发出 TACToC 和 mzCache 两项新技术,分别通过仅传输任务所需信息减少通信成本、缩短智能手机 AI 响应时间。TACToC 将通信成本降低高达 14.5 倍且准确性损失控制在 3 个百分点以内;mzCache 在多应用环境中使 AI 首次响应时间缩短高达 5.5 倍,有效解决传统视频压缩传输冗余信息的问题。

  3. Luxonis DepthAI · Releases12

    Luxonis DepthAI v3.12.1 发布:修复 OAK4-FFC 单目驱动与多设备同步故障,ToF 相机健康检查改用 ToF 节点

    Luxonis DepthAI v3.12.1 修复了 OAK4-FFC 单目模块误用彩色驱动的问题,并解决多设备管道因不支持外部帧同步而启动失败及固件崩溃等缺陷。在特定条件下,ToF 场景处理帧率从 12.34 FPS 提升至 30.06 FPS(+144%),同时优化了 macOS 退出时的遥测数据保留机制。该版本已集成测试 Luxonis OS 1.48.0,旧版系统行为保持不变。

11月11日周三
  1. Hugging Face Daily Papers42

    TorchCurves:可微参数曲线 PyTorch 库发布

    TorchCurves 是 Alex Shtoff 开发的 PyTorch 库,将向量值参数曲线作为可学习原语处理。该库支持 B-spline 或 Legendre 多项式基表示,允许对输入和系数进行联合优化,涵盖从连续特征嵌入到 Kolmogorov-Arnold 网络的应用。GitHub 仓库已开放下载,但代码与权重暂无商用许可说明。

  2. Vision Systems Design1

    VSD 发布每周视觉词汇游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周度文字游戏,玩家需在六次尝试内猜测与机器视觉、工程或系统集成相关的五字母单词。游戏界面模拟设计布局,通过绿黄灰颜色反馈提示正确位置、存在但错位及无关字母,并支持查看用户排名。

  3. arXiv · 机器人与计算机视觉57

    CoMet:一种用于多模态大模型的不确定性估计新方法

    针对多模态大语言模型难以准确评估自身不确定性的问题,论文提出 CoMet 方法,将不确定性分解为反映任务歧义的上下文项和反映合理答案数量的多重性项。该方法训练一个轻量级后处理模块来估算这两项指标,无需自回归生成或重复采样即可实现高效的不确定性估计。实验在多个开放多模态基准、幻觉检测及视觉问答任务上验证了 CoMet 相比现有基线的有效性。代码与论文预印本已公开。