跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉68

    3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology

    论文介绍 HoloTea,一种基于流匹配的三维感知框架,用于从连续组织切片和 H&E 图像推断未检测切片的基因表达。方法利用相邻切片的注册位置信息通过轻量 ControlNet 提供跨切片上下文,确保预测沿解剖结构连续;采用学习到的零膨胀负二项分布先验处理计数数据的离散性;引入全局注意力块以线性成本整合全片上下文。

  2. arXiv · 机器人与计算机视觉35

    A Generative Data Framework with Reliable Supervision for Underwater Image Restoration and Enhancement 提出生成式数据框架

    针对水下图像恢复依赖高质量配对数据的难题,该框架利用自然照片构建 UWNature 数据集并合成输入以保留清晰参考源。实验在 6 种恢复架构和 3 个测试集上验证了其在客观指标、人类感知评估及合成退化与学习行为对应关系上的有效性。研究证实合成数据的空间合理性并非性能提升的必要条件,为构建可靠配对监督提供了可扩展方案。

  3. arXiv · 机器人与计算机视觉28

    Filter-Enhanced Smartphone Hyperspectral Imaging 提出利用多摄系统与光谱滤光片调制提升手机高光谱重建精度的新方法

    该方法通过精心选择的光谱滤光片调制智能手机多摄系统的响应函数,结合新数据集 Doomer 训练神经网络,实现比传统单图方法更准确的高光谱重建。实验在三部物理手机上评估,其中两部为训练未见设备,且利用 DNG 元数据适配无需目标设备实拍图像。

  4. arXiv · 机器人与计算机视觉53

    机械可解释性需要推理逻辑:从内部观测到机制解释的递归框架

    该论文提出机械可解释性(MI)需建立严谨的推理逻辑以支持科学发现。作者通过对比神经科学与 MI 进展,识别出从复杂神经网络中推断机制时的瓶颈,并提出了五项原则构成的递归逻辑框架。该框架旨在将局部可解释性结果转化为模型内部的累积机制知识,并使这些机制足够精确以生成关于模型外部领域的可测试假设。材料强调仅凭 MI 证据不足以确立模型机制对世界的揭示,需要额外证据支持。

  5. arXiv · 机器人与计算机视觉78

    一种保留已习得正确答案的多模态拒答方法

    针对多模态模型在任务适配后加入拒答机制可能丢失正确答案的问题,本文提出了 ReFrain(无回归拒答)方法。该方法结合首 token 对数概率线性探测、图像簇阈值校准及确定性否决机制,在替换被拒绝输出为“以上都不是”选项的同时保留所有其他响应。

    推荐理由:提出 ReFrain 方法,在保持微调增益的同时显著提升不可回答问题的正确拒绝率。

  6. arXiv · 机器人与计算机视觉66

    GARD:面向多模态对比学习模型后门的梯度引导对抗表征防御

    论文 GARD 针对 CLIP 等多模态对比学习模型易受后门攻击的问题,提出一种目标与触发器无关的后处理防御方法。该方法利用有损编码器对全局和局部扰动的敏感性差异,优化互补的对抗探针以最大化位移干净图像表征,随后将扰动后的表征与解耦的干净锚点重新对齐并保留图文对齐能力。

  7. arXiv · 机器人与计算机视觉36

    Visual Similarity in Adult Word Extension and Artificial Word Learning 研究视觉相似性对词汇扩展的影响

    该研究重新分析了 Lewis & Frank(2018)的成人词扩展数据,发现基于 DINOv2 编码器的图像距离与词汇扩展呈显著关联。实验显示,当示例为上位词时,成人将新词扩展到上位项目的比例达 77.5%,远高于下位词示例的 1.1%。在人工学习系统中,类别间视觉距离越远,命名准确率越低(近/中/远距离对分别为 84.7%/65.4%/53.0%),表明视觉相似性仅部分解释泛化机制。

  8. arXiv · 机器人与计算机视觉51

    基于 Fisher 几何的结构化置信度扰动用于对抗训练

    针对对抗训练中伪攻击导致损失增加却无法改变模型置信度结构的问题,论文提出两种互补方法:一是结合交叉熵和 KL 散度的混合目标以同时破坏预测精度与分布一致性;二是通过最大化置信流形上的分布距离进行几何重构。理论分析表明最优扰动方向对齐 Fisher 信息矩阵的主特征向量,并提出了避免高维矩阵计算的算法。实验显示该方法在多个数据集和架构上优于现有方法,尤其在置信度区域的结构化扰动方面表现突出。

  9. arXiv · 机器人与计算机视觉42

    TransGHOST:眼科显微手术中仪器遮挡区域的实时无合成重建方法

    TransGHOST 提出一种因果参考引导的重建管线,其非生成式安全模式通过仅对可见区域拟合几何变换进行重采样,实现眼科显微手术的实时操作。该系统在犬白内障手术数据集上达到 31.89 dB 掩膜 PSNR 和 51.7 ms 中位延迟,并在验证集上比 LaMa 基线提升 3.45 dB。该方法提供逐像素置信度与溯源标记,将不支持区域标记为弃权,确保视觉来源可靠性。

  10. arXiv · 机器人与计算机视觉58

    Vision-Language 医学图像分割中的标注衍生提示词范围泄露反事实分析

    针对文本引导的医学图像分割模型过度依赖提示词中病灶范围信息的现象,该研究通过反事实实验发现,仅保留大小或位置描述即可恢复大部分性能提升,且部分模型从训练数据习得了命名诊断的习惯。论文提出了一种无需训练新模型即可量化提示词泄露程度的评测协议,并报告了在不使用测试掩码的情况下,基于图像估计病灶范围的最佳方法在结肠镜任务上达到 74.59 Dice,略低于已发表的 77.23。

  11. arXiv · 机器人与计算机视觉72

    RB-LDC:一种用于抗噪扩散潜变量的冗余平衡编码方法

    该论文提出了 RB-LDC(Redundancy-Balanced Latent Coding)方法,旨在解决潜在扩散模型解码器对扰动的敏感性不均问题。研究构建了一个编码器与扩散过程之间的可逆线性层,利用基于雅可比矩阵的敏感度估计,在能量预算约束下最小化加权后的 LMMSE 风险,从而优化潜空间各方向的噪声分配策略。

  12. arXiv · 机器人与计算机视觉38

    深度神经网络机械可解释性方法、框架与展望综述

    针对图像、音频及语言处理中深层网络内部机制难解的问题,该文章概述了通过识别因果激活组件来解析网络行为的方法进展。内容涵盖机器学习、人工智能及计算机视觉领域的最新研究视角,旨在揭示神经元间复杂依赖关系背后的运作机理。

  13. arXiv · 机器人与计算机视觉35

    Word-Level Alignment of OCR and Ground Truth under Zoning and Reading-Order Errors 论文提交至 IJDAR

    该研究针对分区与阅读顺序错误下的 OCR 文本对齐问题,通过合成噪声、历史报纸及几何推导金标准进行了严格评测。实验显示,在测试的多种方法中,2019 年提出的位置感知对齐器在合成基准页面上取得了最高的 F1 分数。尽管多区域版本存在二次方扩展成本且局部跟踪对大位移仍显脆弱,但该方法在处理锚点稀缺情况下的恢复能力优于基线。

  14. arXiv · 机器人与计算机视觉35

    MouldIt:注塑工艺多任务时序表征学习的数据效率研究

    MouldIt 是一款基于时序卷积与注意力机制的变分自编码器,用于重构模内信号并分类合格件或合成故障模式。该模型在单模态设置下仅需 4000 个周期、多模态设置下仅需 2000 个周期即超越经典机器学习基线。其在单模态与多模态下的零件分拣损失分别为 6.0±0.7% 和 1.0±0.3%,在所有基准方法中排名第一。

  15. arXiv · 机器人与计算机视觉83

    迈向可靠的 VLM 裁判:状态条件不变性与呈现感知诊断

    论文提出状态条件不变性(SCI)原则,要求视觉语言模型在保持语义不变的呈现变化下保持稳定,同时能响应改变任务结果的因果干预。作者构建了 GridWM-Judge 基准,利用确定性 MiniGrid 轨迹生成全量、证据移除及反事实变体,结合呈现与表征探测进行诊断评估。

    推荐理由:提出状态条件不变性原则,构建基于确定性轨迹的仿真基准以诊断多模态模型作为裁判时的感知与因果敏感性。

  16. arXiv · 机器人与计算机视觉45

    Robust Flow Matching under Target Corruption and Label Noise 论文被 NeurIPS 2026 接收

    针对流匹配(FM)在目标数据与标签受污染时的脆弱性,研究提出将特定残差分数映射为样本权重以增强鲁棒性。提出的时序残差分数(TRS)和比较条件分数(CCS)分别在中间至晚期时间步及同类轨迹间比较残差,有效提升了抗噪能力。实验表明该方法在受控腐蚀设置与真实世界噪声标签下均优于标准 FM 及鲁棒训练基线。

  17. arXiv · 机器人与计算机视觉78

    一种解释早期视觉皮层动态的视觉分割概率模型

    该研究提出一种生物学合理的概率模型,假设特征推断与组织成有意义部分的推断(即分割)相互耦合。模型通过递推和反馈在自然图像输入下迭代推断特征与分割,诱导神经表征中的动态变化。

    推荐理由:提出概率模型解释早期视觉皮层动态,预测增益与变异性衰减,为迭代计算推理成本提供理论视角。

  18. arXiv · 机器人与计算机视觉51

    结构化核代理模型用于多模态归因

    该论文提出了结构化核代理模型(SKS),旨在解决跨样本多模态归因问题,即衡量一个样本中的某一模态如何影响其他多模态样本的学习结果。作者设计了基于结构组合核的核岭回归算法及梯度估计方法,在包含卫星图像、路网、文本等多种模态的两个基准数据集上进行了评估。

  19. arXiv · 机器人与计算机视觉58

    当胸部 X 光基础模型可用时,CNN-Transformer 集成是否值得?

    针对 NIH ChestX-ray14 数据集的官方患者不重叠测试集,研究对比了五种 ImageNet 预训练骨干网络与 EVA-X-S 基础模型的集成效果。结果显示,EVA-X-S 单独测试宏 AUROC 为 0.828,而五模型集成仅为 0.814,且计算延迟和参数量分别增加约 7.8 倍和 10 倍。

  20. arXiv · 机器人与计算机视觉45

    EarthRecord:多模态智能体跨越四十年卫星影像进行土地变化分析的基准评测

    EarthRecord 基准基于 56 个站点四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始数据,提出 238 个涵盖十类任务的土地变化问题。评估显示十二个多模态智能体虽能完成端到端分析,但在需从影像映射变化时表现不佳;当单一卫星数据被篡改且地面实况不变时,半数正确答案随之改变。该基准旨在衡量并推动智能体从像素理解到真实地表变化的能力演进。

  21. arXiv · 机器人与计算机视觉42

    DecompRL 强化学习框架实现 CAD 分解以达成全六面体网格生成

    DecompRL 提出拓扑感知内部分割动作与几何奖励机制,解决复杂 CAD 模型特征错位导致的六面体网格生成难题。在 ABC、Fusion360、NIST 及 DeepCAD 基准测试中,该方法在三者上取得最高成功率,其中 Fusion360 达 59.6%,运行时间较 LMFF 快两个数量级。该预印本论文已在 arXiv 发布,代码与权重暂未提及开放许可。

  22. arXiv · 机器人与计算机视觉16

    Large-area Spatially Aligned Anchors 解决 XR 大范围空间追踪漂移问题

    该方法利用外部无漂移追踪作为真值,在准备阶段同步采集头显与外部的三维锚点以建立对应关系。运行阶段通过云配准对齐两种追踪方法,结合头显内置能力实现独立功能并扩展精准追踪范围。实证评估显示系统能有效对齐虚拟内容与现实世界,适用于制造、建筑及教育娱乐等场景。

  23. arXiv · 机器人与计算机视觉42

    FlyNet 模型在连接组约束下能效提升但鲁棒性不及 CTRNN,揭示生物视觉与对抗攻击的共性脆弱机制

    FlyNet 模型在碰撞检测任务中仅用 RAFT 的五分之一算力却对常见视频腐蚀更稳健,但面对对抗纹理仍易失效。研究证实连接组约束通过降低边数提升效率而非鲁棒性,且反向 phi 错觉与对抗攻击共享同一底层运动统计脆弱点。该工作已接受 NeurIPS 2026,为理解生物感知漏洞提供了可验证假设。

  24. arXiv · 机器人与计算机视觉43

    RS-JEPA:基于 Vision Mamba 与扫描路径视图的遥感跨传感器图像检索架构

    RS-JEPA 提出一种仅含 3.88M 参数的紧凑联合嵌入预测框架,在 BEN-14K、CBRSIR-VS 和 DSRSID 基准上实现最高 F1@5(分别为 72.92%、80.35% 和 94.43%)。该方法利用 Vision Mamba 编码器共享及对抗视图耦合机制,在无需人工标签的情况下实现了 SAR-光学与 PAN-多光谱图像的高效跨模态检索。

  25. arXiv · 机器人与计算机视觉42

    BoviShift:跨越六年的牛只视觉表型多属性审计数据集发布

    BoviShift 是一个由 2021 至 2026 年连续六个年度群体构成的牛只视觉数据集,包含 2,657 头牛、10,610 张静态图像及 2,566 段视频。研究基于固定 ResNet-50 基线评估了体重、年龄等五项属性在跨年份部署中的表现差异。该资源是目前已知跨度最长的结合连续年度群体与物理视觉属性的牛只视觉数据,旨在解决相关图像帧导致的可靠评估难题。

  26. arXiv · 机器人与计算机视觉74

    C$^2$-Routing:面向高效视觉语言推理的互补裁剪与压缩路由方法

    针对视觉问答任务中视觉 - 语言模型的高计算开销问题,提出 C$^2$-Routing 方法,自适应选择裁剪或压缩策略以平衡局部细节与全局上下文。该方法引入安全门控机制利用联合正确率分布指导回退,在 RTX 3090 上验证显示相比单纯截断视觉 Token,平均减少端到端 FLOPs 36.53%、视觉 Token 42.36%,任务得分仅下降 0.77%。

  27. arXiv · 机器人与计算机视觉5

    轻量级可微分皮肤渲染与数字化方法

    该方法通过直接估计次表面散射参数,填补了离线路径追踪与实时游戏引擎着色器间的差距。系统采用低成本单光单视采集方案,在 Monk Skin Tone Scale 的 45 人真实数据集及合成数据上验证了泛化性与角度一致性。最终生成的混合轮廓图可直接适配标准实时渲染管线,无需额外硬件支持即可实现生产级应用。

  28. arXiv · 机器人与计算机视觉59

    UGG:统一生成几何模型

    UGG 是一个针对 4D 场景理解的统一框架,将 RGB 视频与深度、相机位姿等几何表示联合建模。通过为不同模态和时间分配噪声水平,该框架在单一生成模型中将视觉合成与几何预测表述为条件补全任务,从而能从具有不同几何和视觉标注子集的异构数据集中学习。

  29. arXiv · 机器人与计算机视觉48

    多模态模型在人类 -AI 协作计数任务中的关键因素研究

    该研究基于涵盖生物显微、野生动物及城市航拍等 12 项任务的框架,发现现代多模态模型可作为免训练起点,而微调检测器在较大标注预算下更优。利用模型预测优先选择人工标注单元可提升效率,且仅需审查中位数 3.2% 的图像即可满足空中叉角羚调查±5% 的误差容忍度。

  30. arXiv · 机器人与计算机视觉59

    TaoMate-R1:面向流式多参考视频生成的时间角色专业化方法

    论文介绍 TaoMate-R1 模型,该模型通过为场景建立与延续分配独立的低秩适配器(冻结主干),利用自梯度强制联合训练角色。在 32 个多参考案例及约十分钟的流式测试中,相比操作基线,TaoMate-R1 将边界亮度跳变均值从 1.96 降至 0.613,并提升了 CLIP 和 DINO 时序相似度。代码与模型已开源。

  31. arXiv · 机器人与计算机视觉47

    UniFlow-RS:统一生成预测解决遥感异构任务

    UniFlow-RS 提出单一潜在流匹配预测器,通过结构化视觉目标与任务模态自适应时间步采样(TMAS),在六个任务和十三个数据集上超越现有专用方法。该模型无需针对特定目标适配,即可实现跨未见数据集、任务设置及遮挡条件的零样本迁移,并在近红外假彩色影像中表现稳健。

  32. arXiv · 机器人与计算机视觉63

    AutoThreshold:面向自适应掩膜二值化的联合混淆谱学习

    针对密集分数分布偏移导致单一验证调优阈值脆弱的问题,本文提出 AutoThreshold,一种无需重训模型头部的后处理策略。该方法预测正负像素在分数分箱上的联合质量,直接参数化阈值索引的混淆计数,避免独立估计流行率和类条件率的乘积问题;结合 Softmax 归一化与累积解码生成连贯单调的混淆谱,并通过插件式解码器为任意 F_beta 目标选择最优阈值。

  33. arXiv · 机器人与计算机视觉58

    位置即关键:针对扩散个性化的人脸隐私稀疏潜在方差攻击

    论文提出稀疏编码器攻击潜在方差(SEAL)框架,通过可微 top-k 掩码联合优化扰动位置与值,并引入显著性引导的分散惩罚以保护人脸视觉质量。实验表明该方法在 CelebA-HQ 和 VGGFace2 数据集上 PSNR 超过 41 dB、SSIM 达 0.97,同时将扩散个性化后的身份相似度降至 0.15 以下。代码与数据已公开。

  34. arXiv · 机器人与计算机视觉42

    ViGA-FLAME:对齐潜在视觉与几何表征以鲁棒估计三维头部表情

    ViGA-FLAME 提出两阶段框架,通过参数化 - 几何变分自编码器统一头部表面与 FLAME 参数表征。其次,可训练视觉 - 几何适配器将预训练语义特征映射至该潜在空间,在不改变原始视觉流的情况下实现鲁棒三维头部表情估计。该方法在严重面部形变和大视角下表现优于现有前馈方法,代码与权重待 arXiv 注册后开放。