跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉38

    CJRR-Net:MPI-INF-3DHP 八相机场景下未来视角选择的候选关节重投影排序网络

    CJRR-Net 提出一种候选 - 关节重投影排序方法,在 MPI-INF-3DHP 数据集的八相机固定设置中实现未来视角选择。该模型结合当前姿态观测与几何特征,将选视角 2D MPJPE 降至 105.18 像素,优于共享输入 MLP(114.64 像素)及适配 PoseErrNet(117.56 像素)。研究在各类遮挡组中均取得最低平均误差,并支持单视角选择的候选特定几何特性。

  2. arXiv · 机器人与计算机视觉58

    NIF-VIO:跨越惯性与非惯性参考系的视觉 - 惯性里程计

    论文提出 NIF-VIO 方法以解决传统视觉 - 惯性里程计在加速或旋转载体下因参考系假设失效导致融合误差的问题。该方法基于测量一致性适配融合策略,结合早期约束隔离与局部重优化限制误差传播,并在非惯性条件下引入紧凑模型保留惯性信息。实验表明其在惯性与非惯性条件下均能实现定位性能提升。

  3. arXiv · 机器人与计算机视觉73

    EgoHMP:通过第一人称线索实现三维场景中精确的人体动作预测

    论文提出 EgoHMP 框架,利用第一人称视角和头部运动作为交互意图的鲁棒载体,解决 gaze 信号模糊及硬件依赖问题。该方法包含视觉 - 运动对齐编码器、模态感知调制机制的意图预测器以及接触感知的运动解码器,通过全局轨迹自提示和多阶段去噪优化生成物理合理且语义一致的动作。

  4. arXiv · 机器人与计算机视觉20

    picoEmergencyNet:用于应急监控航拍图像分类的注意力增强超轻量深度学习模型

    picoEmergencyNet 是一款拥有 23k 参数和 7M FLOPs 的卷积神经网络,专为资源受限无人机平台设计。该模型在 AIDER 数据集上达到最高 96.1% 准确率,在 NVIDIA Jetson AGX Orin 上 GPU 推理达 258 FPS、CPU 为 46 FPS,且激活内存占用仅为竞品的七分之一。研究证明通过架构专业化而非规模扩展即可实现高效准确的实时灾害识别。

  5. arXiv · 机器人与计算机视觉11

    KAILOS 系统扩展架构利用 IoT 设备实现跨平台室内定位服务

    KAIST 提出的 KAILOS 系统扩展架构引入 IoT 设备,旨在消除基于移动应用定位的操作系统限制并提供跨平台服务。研究设计了包含软硬件的专用 IoT 装置,证明该方案能有效拓宽室内定位服务的适用范围。论文为 arXiv 预印本(arXiv:2611.13634),涉及机器人领域(cs.RO)。

  6. arXiv · 机器人与计算机视觉68

    DepthGS:一种用于高质量表面重建的深度引导高斯泼溅框架

    针对 3D 高斯泼溅在表面重建中深度信息与误差关系探索不足的问题,作者提出 DepthGS 框架。该工作推导了单目与多目设置下深度差异与重建误差的理论关系及上界,据此设计了自适应正则化策略:单目优化采用基于局部深度差异几何可靠性的法向约束调节,多目优化引入跨视图深度一致性正则化以增强相邻视图深度图的一致性。

  7. arXiv · 机器人与计算机视觉72

    FlashMotion:超快速长周期三维动作生成框架

    FlashMotion 是一个针对严格推理预算下的高质量长周期三维动作生成的协同设计框架,涵盖文生动作、音律舞蹈和语音手势任务。该方法通过引入带运动学与动力学一致性约束的三维动作空间 MeanFlow 公式实现少步生成,并采用自适应软掩码机制保证时序连贯;同时设计了轻量级非自回归 BiMamba 架构以优化单步效率。实验表明其在质量与效率上均达到最先进水平。代码已开源。

  8. arXiv · 机器人与计算机视觉45

    PUMA:概率约束序列交互用于取证定位

    PUMA 模型结合空间受限不平衡最优传输与位置凸选择,在 COVERAGE 和 NIST16 数据集上取得优于现有方法的定位分数。该方法保留归一化前的有符号传输质量残差,验证了局部匹配状态对跨源定位及后处理条件的效用。论文为 arXiv 预印本(arXiv:2611.13621),含 4 幅图与 1 张表,属计算机视觉领域实验性研究。

  9. arXiv · 机器人与计算机视觉78

    生成式视频压缩中的自适应去噪入口方法 ADE-GVC

    论文提出 ADE-GVC 框架,通过轻量级预测器从压缩潜变量估计自适应的去噪起始时间点,并注入时间适配器以提取压缩感知条件。该方法将去噪起点选择建模为几何优化问题,在极低码率约束下显著提升了重建真实度与感知质量,相比最新开源基线 GLC-Video 平均节省 40.99% 的比特率(DISTS 指标)并提升 95.24% 的 PSNR。

    推荐理由:提出首个感知压缩潜变量的自适应去噪起始点预测框架,在极低码率下实现优于现有开源基线的感知质量与重建真实度。

  10. arXiv · 机器人与计算机视觉18

    AstroSeg-vEM 轻量框架实现星形胶质细胞三维重建

    AstroSeg-vEM 结合 Transformer 与后处理,在保持高分辨率下完成体积电子显微镜数据的星形胶质细胞分割、三维重建及定量分析。该框架在四种小鼠海马数据集上平均 Dice 达 0.92、加权 Dice 为 0.95,且可在消费级硬件高效运行。论文已被 npj Imaging 接收,代码与数据即将开放。

  11. arXiv · 机器人与计算机视觉68

    UniWeaver:利用统一多模态模型实现图文交错生成

    该论文提出了 UniWeaver 框架,旨在通过整合多模态规划、生成和视觉反馈来解决统一多模态模型缺乏原生协调能力的问题。作者构建了包含 10,000 个任务的 UniWeaver-10K 数据集及评估基准 UniWeaver-Bench。实验表明该方案在多个统一多模态模型骨干上实现了图文交错生成的最先进性能。

  12. arXiv · 机器人与计算机视觉78

    GEMOR-GS:一种用于 3D 高斯泼溅 SLAM 的全局外参校准优化映射与在线重定位方法

    该论文提出 GEMOR-GS 框架,旨在为连续运行的机器人提供逼真且度量一致的 LiDAR-惯性 - 视觉 SLAM 世界表示。该方法首先通过专用校准段利用直接法对齐离线估计相机与激光雷达的外参,并在标定几何下交替优化关键帧位姿与高斯参数;最终重建全局地图时解除所有限制以提升外观质量。

    推荐理由:提出 GEMOR-GS 方法,通过离线外参校准与在线重定位实现高几何精度与可重入性的 3DGS SLAM。

  13. arXiv · 机器人与计算机视觉72

    Seeing the Small:用于视网膜病灶分割的可变形对偶 Mamba

    针对糖尿病视网膜病变中形状多变且微动脉瘤仅占几像素的难点,本文提出 D^2Mamba 模型,耦合非因果状态空间对偶与可变形扫描以建模病灶区域的空间组织。在 DDR 数据集的五折交叉验证中,该模型整体 mIoU 达 33.87%,比最强基线高 2.99 个百分点;其中微动脉瘤的 Dice 提升 10.06 个百分点。代码与预训练权重已公开。

  14. arXiv · 机器人与计算机视觉20

    机器视觉模型在遥感影像中的分布偏移检测研究

    针对无人机采集的遥感影像部署机器学习模型时面临的分布差异挑战,本研究对比评估了 Alibi-Detect、NannyML 和 PyTorch-OOD 三款开源工具。实验结果显示各方法在检测效果与计算延迟上存在显著权衡,为资源受限系统提供了轻量化监控机制参考。该工作已作为短文被 WACV 2027 地球观测计算机视觉研讨会接收。

  15. arXiv · 机器人与计算机视觉45

    EquivFlow:一种无需修改 VAE 的曝光等变编码,用于 SDR-to-HDR 视频重建

    EquivFlow 是一种紧凑的可逆曝光等变编码方案,在不修改预训练 VAE 的前提下解决 SDR-to-HDR 视频重建中的暗部坍塌问题。该编码将曝光变化映射为加法偏移并保留尺度无关的色度分量,在多种预训练图像和视频 VAE 上验证了深暗色度传输的有效性。集成后,该方法在测试设置中实现了稳定的色度保真度增益并保持具有竞争力的重建质量。

  16. arXiv · 机器人与计算机视觉44

    Reconstruction Helps Event-Camera Person Triggers:E2VID 与 Qwen3-VL-4B 在 DSEC 数据上的触发性能对比

    研究对比了直接灰度累积、两种时间编码及两种强度重建器在事件相机人形触发任务中的表现。基于仅用开发集校准阈值的 E2VID,在 DSEC 192 个窗口中实现 52 人中检出 40 例且背景误报 140 帧中仅 12 例;Qwen3-VL-4B 配合 E2VID 检出 33 人、背景误报 2 帧。实验表明受控输入历史下的重建能提升检测收益,并区分了其与连续触发带来的成本及假启动差异。

  17. arXiv · 机器人与计算机视觉75

    基于统一框架的手物接触过渡检测与 ContactTransition 数据集

    本文针对第一人称视频中手物接触过渡的检测任务,提出了一个联合建模交互手部与物体的统一框架,直接学习物体感知特征以精确定位接触建立与释放的时刻,无需推理时依赖外部检测器。作者构建了包含 4,021 个视频、共 16,575 次标注的 ContactTransition 数据集,实验表明该方法在两类过渡时刻定位上均优于强基线,且检测结果可作为下游手物推理的有效时间锚点。

  18. arXiv · 机器人与计算机视觉78

    Camera3R:面向异构相机模型的无约束多视图图像前馈三维重建

    针对现有三维重建模型难以泛化到非透视相机的局限,本文提出 Camera3R 低秩适配框架,仅需 0.5% 额外参数和不到一天的训练即可将透视预训练网络扩展至任意其他相机模型,同时保持原有性能。材料为 NeurIPS 2026 会议投稿的 arXiv 预印本,代码已开源。

    推荐理由:提出低秩适配框架,以极少参数将透视预训练模型扩展至非透视相机。

  19. arXiv · 机器人与计算机视觉45

    研究揭示双曲视觉语言模型在实践中近似欧氏空间

    针对 MERU、HyCoCLIP 等四种双曲 VLM,研究发现其指数映射操作在推理中近乎恒等变换,移除该映射后评估分数不变。基于此,团队从零训练的欧氏模型在 CC3M 数据集上最终阶段统计特征与双曲版本无差异且评分一致。结论表明当前层级视觉语言学习无需依赖双曲几何,相关代码已开源。

  20. arXiv · 机器人与计算机视觉43

    Uni-Loc:通过空间 grounded 视觉语言分类实现弱监督 3D CT 病理定位

    Uni-Loc 框架利用扫描级监督统一了病理分类与三维定位,无需额外的体素级标注。在包含 355 个标注 CT 的五项任务中,其宏观平均体素级 AUROC/AUPR 达 96.1%/34.5%,优于相关性传播和梯度显著性基线。该成果证明了在无特定病理体素监督下实现有效三维定位的可行性。

  21. arXiv · 机器人与计算机视觉42

    ABRR:利用 Wasserstein 自适应细化与精度排序提升时序句子定位性能

    ABRR 框架通过高斯核平滑、最优传输边界细化和质量驱动重排序,在不重新训练的前提下显著提升 Charades-STA、ActivityNet Captions 及 QVHighlights 数据集在 IoU=0.7 等严苛阈值下的时序句子定位精度。该方法有效修正了时间下采样导致的量化误差与语义匹配排名次优问题,具备计算高效且兼容现有模型的特性,适用于视频检索与交互等真实场景。

  22. arXiv · 机器人与计算机视觉58

    DUO:扩散模型的双重读出用于分布外检测

    该论文针对扩散模型重建误差在分布外检测中的不可靠性,提出了 DUO 方法,通过结合重建误差与中间去噪特征的敏感度谱来互补提升检测效果。该方法无需监督且训练免费,平均 AUROC 较最强基线提升约 6 个百分点,并在近分布外和高分辨率基准上达到最先进水平。

  23. arXiv · 机器人与计算机视觉58

    RetinexGS:一种面向低光照 RAW 图像重建的 Retinex 启发式高斯泼溅框架

    论文提出了 RetinexGS 框架,旨在解决标准 3D 高斯泼溅(3DGS)在处理严重欠曝光图像时产生的颜色不稳定、伪影及暗区重建不完整问题。该方法在 RAW 域结合 Retinex 外观建模与传感器感知优化进行低光照新视角合成,通过将高斯颜色分解为视图无关的基础颜色和共享的调制场来约束学习,并利用 DNG 噪声元数据加权损失函数以处理信号相关噪声。

  24. arXiv · 机器人与计算机视觉78

    RaMOD:基于自车运动估计的毫米波雷达原始立方体移动目标检测

    论文提出 RaMOD 框架,旨在从车载单芯片毫米波雷达获取的原始范围 - 方位角 - 多普勒(RAD)立方体中实现实时移动物体检测与速度估计。该方法显式估计帧间自车运动,利用预测的多普勒区域抑制静态结构回波,并将剩余数据编码为多尺度特征以预测目标框及类别。

    推荐理由:提出 RaMOD 框架,从车载毫米波雷达原始数据中实现实时移动目标检测与速度估计,在 BRIDGE-Liv 数据集上显著优于现有基线。

  25. arXiv · 机器人与计算机视觉45

    ARQ-VAE 自适应残差量化实现时序动作分割的高效存储

    ARQ-VAE 提出一种无标签的离散残差量化机制,将 Breakfast 数据集 I3D 特征库存储从 28 GB 压缩至 10 MB。结合 ASFormer 模型,该方法在监督设置下取得 71.5 Edit 和 51.2 F1@50 性能,且无需帧级标注即可支持增量与无监督分割任务。该预印本论文展示了其在长视频存储 - 性能权衡上的显著优势及代码开源潜力。

  26. arXiv · 机器人与计算机视觉18

    DMSNet 重新思考视频胶囊内镜评估:验证协议、源视频多样性与跨数据集偏移

    DMSNet 在 Kvasir-Capsule 数据集上以随机帧级和源视频不重叠验证协议评测,完整测试集 MCC 为 0.442±0.020。研究指出模型排名高度依赖评估协议、训练源多样性及跨数据集偏移,外部 CV2024 数据集表现显著下降。该工作强调需采用源感知验证与严格的跨数据集评估以提升视频胶囊内镜分类系统的可靠性。

  27. arXiv · 机器人与计算机视觉15

    PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准

    PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准。基准测试显示,最佳方法误差约为四分之一,仅微调的合成数据模型(Molmo2-4B)与前沿模型 GPT-6.1-sol 水平相当且均低于非专家标注员(37%)。研究结论表明,单张照片无法证明满足±5% 的工业公差,跨重拍的一致性才是关键指标。

  28. arXiv · 机器人与计算机视觉62

    基于跨模态图注意力的多模态道路封闭映射:首个联合分类与归因基准

    论文介绍了一种统一的 multimodal multitask 框架,能在单一架构内同时完成道路封闭分类(无、部分、完全)和受影响路段关联。模型整合了结构化地图数据、融合街景检测的卫星影像及街景图像,利用模态特定编码器和跨模态 Transformer 注意力机制进行显式推理。

  29. arXiv · 机器人与计算机视觉4

    nnUnet 在地理性萎缩分割任务中表现最优

    nnUnet 在基于 Cirrus 与 Spectralis 设备 OCT 图像的地理性萎缩分割任务中,以 0.8882±0.0033 的 Dice 系数超越其他四款深度学习架构及阈值基线。该研究通过归一化与修复预处理提升图像质量,证实 nnUnet 在数据受限条件下兼具高精度、稳定性与效率。论文已上传 arXiv,提供完整代码与权重下载许可。

  30. arXiv · 机器人与计算机视觉74

    GroundCascade:用于 GUI 定位的选择性二次意见方法

    论文介绍 GroundCascade,一种无需训练即可通过全屏与局部视图预测一致性来决定是否咨询互补模型的控制器。该方法在 ScreenSpot-Pro、OSWorld-G-Refined 和 UI-Vision 等基准上实现了比独立两阶段定位器更高的准确率,并在匹配模型调用预算下显著优于分层随机采样策略。材料为预印本,提供了具体的性能提升数据和 API 链接。

  31. arXiv · 机器人与计算机视觉78

    通过几何 Token 编码实现文生图连续角度控制

    该文针对文生图扩散模型无法精确控制时钟显示时间或圆形物体特定比例的问题,提出了一种基于几何 Token 编码的框架。该方法将角度参数化为周期性正弦余弦特征并注入提示词,引入随机定位松弛(SLR)技术以在无需推理端定位输入的情况下实现空间对齐,同时针对时钟任务设计了防手位互换的目标函数。实验显示,该方法在时钟生成任务上6度内准确率提升至63-78%,圆形物体分割准确率达89.5%,显著优于基线模型。

    推荐理由:提出几何 Token 编码与随机定位松弛方法,将文本生成时钟的时针分针角度控制准确率从不足1%提升至63-78%,并验证了在圆形物体分割任务上的泛化能力。

  32. arXiv · 机器人与计算机视觉51

    VIGOR:评估多模态大语言模型视觉推理正确性的基准

    本文介绍 VIGOR 基准,用于评估多模态大语言模型(MLLMs)的视觉推理正确性。该基准将视觉推理表示为与像素级定位配对的显式概念,涵盖从低级属性到高级运动关系的多层抽象。作者开发了自动标注框架以构建大规模数据,并通过对比模型生成的视觉证据与真实标注,发现当前 MLLMs 在视觉推理正确性上存在局限及不同层级下的定位失败现象。代码已开源。