跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉64

    Any2Building:通过共享空间查询统一点云与图像进行建筑重建

    该论文提出 Any2Building 模型,旨在从部分点云、俯视图或两者结合中重建 LoD2 精度建筑。核心采用基于占据的共享空间查询表示法,在公共三维网格内对齐几何与视觉线索,并通过体素条件表面生成及低多边形重网格化管线输出紧凑模型。

  2. arXiv · 机器人与计算机视觉67

    少说错得少?诊断并修复偏好优化视觉语言模型的物体覆盖不足

    该研究发现偏好优化(PO)在降低大视觉语言模型物体幻觉的同时,也显著降低了物体命名数量。研究证明,通过调整序列结束概率即可复现大部分召回率增益,而无需训练。作者提出一种基座引导的物体类别恢复方法,在不增加幻觉的前提下将 PO 模型的召回率提升至接近基座模型水平。

  3. arXiv · 机器人与计算机视觉57

    D\'ej\`a View:一种用于视觉任务的共享工作记忆模型

    arXiv 预印本介绍了一种结合动态活动与特征临时关联的图像工作记忆模型。该模型在五个任务上接受训练,包括样本记忆、分类干扰项以及判断图像新旧。同一模型由明确提示引导完成不同任务,结果显示延迟对样本记忆影响小,但看到更多图像会增加误报率;在多问任务中正确回答概率随问题数量增加而下降。材料为预印本,未提及同行评审状态或真实机器人部署结果。

  4. arXiv · 机器人与计算机视觉42

    Attribution Through the Decoder:结构化输出的预测空间解释方法

    该方法通过解码器微分进行归因,解决传统方法在角度、注视方向等预测中因固定解码器丢弃坐标变化而导致的错误归因问题。实验显示,在 MPIIGaze 数据上其 Tangent Grad-CAM 使像素删除后的预测位移提升 44%,PASCAL3D+ 任务下平均删除位移分别优于基线 14.1 度和 13.8 度。该研究区分了径向污染与标量化损失两种失效来源,并指出不变性归因仍需结合删除性能检查。

  5. arXiv · 机器人与计算机视觉42

    TextSphere:通过共享超球面对齐实现高效文本生成图像

    TextSphere 是一种将语言条件与跨模态对齐引入 Sphere Encoder 的高效文生图框架。该方法利用预训练 CLIP 嵌入引导生成,并通过 SSAU 目标优化超球面上的语义对齐与表示均匀性。在 CUB-200-2011、MS-COCO-2014 和 Flickr30k 数据集上,仅需 4 至 6 步采样即可将 gFID 降至基线以下且 rFID 低于 1.0。

  6. arXiv · 机器人与计算机视觉43

    GameRealm:基于游戏原生监督的视觉基础模型大规模数据集发布

    GameRealm 是一个包含超 1.2 亿 RGB 帧和 1000 小时游戏录像的大规模数据集,提供深度、相机参数及音频等多模态同步监督。该资源涵盖单目至全景等多种视图配置,旨在解决训练数据碎片化问题并增强视觉生成与几何学习能力。其统一采集管线结合人工交互与智能体探索,为物理智能发展提供了可复用的基础数据支撑。

  7. arXiv · 机器人与计算机视觉42

    Pressure Drop:利用分布式气压传感器阵列直接观测重力矢量方向

    Pressure Drop 提出利用高度计测量直接观测重力矢量方向,理论评估了估计噪声并验证了传感器间距的影响。实验显示该系统在半静态场景下倾斜估计中位误差为 $0.87^\circ$,在动态场景及加速度计饱和情况下性能媲美甚至优于惯性测量单元(IMU)基线方法。该方法已集成至迭代最近点(ICP)算法,展示了在机器人系统中的潜在应用价值。

  8. arXiv · 机器人与计算机视觉48

    Nunchi:语音线索辅助眼神追踪解决多人对话歧义

    Nunchi 框架通过结合转录文本与说话人模型输出,利用视觉语言模型权衡几何视线与对话线索以精准识别多人场景中的注视对象。在包含 3,340 个样本的 SORBET 基准测试中,该方法比最强现有方法准确率提升 4.8 个百分点,且增益在三种 VLM 及自动转录条件下均成立。

  9. arXiv · 机器人与计算机视觉42

    FMT:固定步数并行无损图像压缩格式发布

    FMT(Fixed-step Multiscale Tree)是一种将解码顺序与熵编码器协同设计的无损图像格式,确保任意尺寸图像均在固定数量的串行步骤内完成解码。该格式在无需网络时即超越 NVIDIA HTJ2K 的体积与速度;配合大型网络,在相同 A100 GPU 上将 Kodak 照片解码速度提升 9 至 61 倍,且优于同类学习型编码器。

  10. arXiv · 机器人与计算机视觉35

    RVT-T 事件相机模型在海上无人机搜救中实现实时人员检测

    RVT-T 模型基于 v2e 模拟器生成的合成事件数据,在 Jetson Orin Nano 平台上以约 136 ms 延迟和 2.02 J/样本能耗实现海上人员实时检测。该模型在 843 个测试样本上达到 15.63% AP50:95,显著优于 YOLOv8n(6.89%)和 RT-DETR-R18(9.44%)。研究已接受于 WACV 2027 海事计算机视觉研讨会,代码与数据待开放许可。

  11. arXiv · 机器人与计算机视觉45

    UnrealEvent:基于虚幻引擎 5.5 的事件相机合成数据集生成与标注工具

    UnrealEvent 是一款运行于 Unreal Engine 5.5 的合成数据集生成管线,通过 V2E 事件帧生成器与 EasySynth 语义渲染将场景序列转化为配对事件表示及 YOLO 格式标注。该工具在 eTraM 基准上评估显示 YOLOv8 检测器具备强域内性能但存在显著的仿真到现实差距,尤其是行人目标;微调少量真实数据可提升实域表现,凸显资产多样性与传感器校准的重要性。

  12. arXiv · 机器人与计算机视觉63

    RFW-S:具备独立仿真验证的日常可变形物体数据集

    论文介绍 RFW-S 数据集,包含 83,365 个经过独立仿真验证的变形物体资产,覆盖 485 类日常物品及五种结构家族。作者开发了结合参考引导生成、结构感知物理建模与 LLM 参数校准的自动化管线,并通过独立于校准过程的交互行为评估确保物理可靠性。

  13. arXiv · 机器人与计算机视觉68

    ReTouchGS:超轻量无渲染美学色彩增强与转移框架

    论文介绍 ReTouchGS,这是据称首个针对预训练 3D Gaussian Splatting 模型的免参考图像美学色彩增强框架。该方法通过模型及其相机参数预测场景级查找表(LUT),并利用共享的混合感知色彩细化网络(仅 4.47 万参数)实现无需渲染的色彩映射与几何保持。

  14. arXiv · 机器人与计算机视觉71

    当锚点偏移目标:用于扩散强化学习的优势门控适应

    论文指出前向过程强化学习在利用移动策略副本作为锚点进行稳定训练时,会因负优势导致凹性更新干扰正反馈教学。作者形式化这一冲突为锚点耦合问题,并提出优势门控适应方法,通过参数无关的门控函数区分处理正样本的目标拟合与负样本的局部排斥方向,同时利用冻结预训练参考保留长程行为。实验表明该方法在组合生成、文本渲染和偏好对齐任务中提升了奖励与质量的权衡效果。

  15. arXiv · 机器人与计算机视觉48

    无标注合成水下垃圾检测数据生成方法对比:DALL-E 提升四领域性能

    针对水下目标检测因浑浊、光照及传感器差异导致的数据稀缺问题,研究提出无需人工标注的自动化零标注流水线。该流程在 SeaClear 数据集上比较了复制粘贴、Stable Diffusion 修复及 DALL-E 三种生成策略,结果显示 DALL-E 方法在五个领域中提升了四个领域的检测性能,相对基线最高增益达 96%。

  16. arXiv · 机器人与计算机视觉83

    M3OPD-Reasoner:一种基于多教师同策略蒸馏的视觉语言模型后训练开放配方

    论文提出 M3OPD-Reasoner 这一完全开放的视觉语言模型(VLM)后训练方案,涵盖图像 STEM、图像感知和视频三个推理领域。研究构建了包含 1.35M 样本的监督微调数据集和 19.3K 样本的强化学习数据集,并在去污染后的 21 个基准测试上验证了多教师同策略蒸馏(MOPD)结合组序列策略优化(GSPO)及混合强化学习的最佳组合效果。

    推荐理由:作者提出 M3OPD-Reasoner 开源配方,通过多教师同策略蒸馏与强化学习结合,在图像 STEM、感知及视频推理任务上实现性能提升。

  17. arXiv · 机器人与计算机视觉71

    当更大的引导尺度能修复文生视频失败以及何时不能:一项测量研究

    该文针对文生视频扩散模型忽略提示词部分的常见修复手段(提升分类器自由引导尺度)进行了测量研究。研究发现,该手段仅在提示词不含否定词、无特定时间绑定事件且'需求分'足够高时才有效;对于否定句或晚期事件失败,重新生成反而更有效。作者提供了基于提示词和首阶段去噪分数的事前判断规则及三种失败类型的修正方案。

  18. arXiv · 机器人与计算机视觉38

    Rescaling OLS-Merged Adapters 提升个性化图像生成效果

    Rescaling OLS-Merged Adapters 方法通过重缩放合并更新量,解决了普通最小二乘法(OLS)在激活分布重叠时削弱任务特定信号的问题。在多主体个性化场景下,该方法将合并适配器数量扩展至 30 个,显著提升了主体保真度并优于未缩放基线。此外,该技术在风格迁移、概念擦除及图像分类等任务上也取得了改进效果。

  19. arXiv · 机器人与计算机视觉84

    无需训练的建筑变化检测方法:基于示例诱导的判别式特征

    建筑变化检测通常依赖昂贵的大规模密集标注。本文提出 Linear INduced Discriminants (LIND),一种无需训练的框架,将区域特征对比转化为可复用的线性分类器。

    推荐理由:提出无需训练的线性判别框架,利用少量标注实现跨数据集的建筑变化检测。

  20. arXiv · 机器人与计算机视觉38

    Fiberpose:基于距离变换神经网络的纤维形态测量与实例分割最先进框架

    Fiberpose 将纤维分析重构为平滑距离变换场的直接回归,通过几何算法在统一工作流中实现直径与方向测量。该独立 Python 桌面应用及 Web 工具在 SEM 图像数据集上,实例分割精度优于 SAM2 和 Cellpose-SAM,直径测量更准于 DiameterJ、Fibar 和 GIFT,且在弱边界密集区域有效并具备跨显微模态的定性泛化能力。

  21. arXiv · 机器人与计算机视觉43

    SWIR-cGAN:利用 CBERS 和 AMAZONIA-1 VNIR 影像合成短波红外波段

    该研究提出一种带注意力增强的 U-net 生成器与多损失目标的条件对抗网络(cGAN),旨在解决跨卫星泛化难题。模型在 CBERS 及 AMAZONIA-1 数据上训练,针对 SWIR-2 波段实现 SSIM 0.917、PSNR 33.35 dB,显著优于基线。代码与权重已公开于指定 URL,验证了从 VNIR 合成短波红外影像的可行性。

  22. arXiv · 机器人与计算机视觉53

    BRepA:面向统一 CAD 理解与生成的基于图的边界表示预训练

    论文介绍 BRepA,这是一个通过图建模显式重建 CAD 模型几何与拓扑的统一自监督预训练框架。在仅有 1% 标注样本的分割任务中,相比从头训练提升 mIoU 32.52%;在生成任务中,对齐扩散模型表示可加速收敛近 2 倍并改善生成质量。作者将开源代码以支持未来研究。

  23. arXiv · 机器人与计算机视觉35

    SPS-GS:利用亚像素位移帧实现遥感图像任意尺度超分辨率

    SPS-GS 提出一种“仅编码一次”框架,通过相位相干混叠解调与高斯投影对齐技术,从单张高分辨率图像合成多阶段低分辨率观测以学习超分辨率。该方法无需真实多帧训练序列即可整合多帧信息,在五个遥感数据集上优于单图及多帧基线并保持推理效率。代码将公开发布。

  24. arXiv · 机器人与计算机视觉38

    MOSAIC:无需校准的稀疏惯性运动捕捉框架

    MOSAIC 框架通过在线传感器设置估计,从普通运动中恢复传感器解剖身份与安装朝向,无需标定姿态。该方法利用身体姿态连续变化而传感器设置持久的特性,将模糊动作转化为互补证据,使预训练姿态估计器在随机化设置的真实惯性记录上实现接近校准的姿态精度。该成果为可互换传感器与预训练模型之间提供了可复用的接口,支持跨姿态网络的设置恢复。

  25. arXiv · 机器人与计算机视觉42

    RoadAnnoter v1.0:开源桌面工具助力道路场景语义分割标注

    RoadAnnoter v1.0 是一款集成六种人机协同模式的开源桌面应用,支持手动绘制、SAM 提示及 SegFormer 预训练建议等。该工具利用 Cityscapes 训练的 SegFormer 和 TinySegNet 生成标注建议,并导出 YOLO 格式数据。研究已将其用于孟加拉国事故地点的 Google Street View 图像标注,定性评估显示其在多样几何特征上具有互补适用性。

  26. arXiv · 机器人与计算机视觉82

    SlideJev:面向全切片病理的组织 grounded 且顺序稳定的 Jev 决策

    针对当前视觉语言模型在病理全切片问答中过度依赖语言先验、对候选答案顺序敏感及存在捷径的问题,该研究提出了 SlideJev 框架。该方法通过并行计算支持度与拒绝度的对数似然差来评分候选答案,并利用组织证据引导解码器层的视觉 token 更新,从而将判断 grounded 于病理图像本身。

    推荐理由:该工作提出 SlideJev 框架,通过组织稳定的候选答案验证机制解决病理全切片视觉问答中的语言先验依赖问题。

  27. arXiv · 机器人与计算机视觉83

    利用图像扩散先验实现照片级真实感的视频恢复

    针对现有视频恢复方法在提升时间一致性时牺牲视觉保真度的问题,本文提出一种生成式视频恢复方法,通过结合噪声能量重平衡、运动对齐噪声变形、自监督去噪编码器及解耦时间注意力机制,实现了从图像生成先验到视频细节合成的跨越。实验表明该方法在视觉质量、细节丰富度和时间稳定性上均优于现有方案。材料为 NeurIPS 2026 会议投稿的预印本版本。

    推荐理由:该文提出利用图像扩散先验解决视频恢复中细节丰富度与时间一致性的矛盾,方法包含噪声能量重平衡与时空对齐等模块。

  28. arXiv · 机器人与计算机视觉80

    LOCUS:一种用于自回归图像生成的因果支持窗口属性控制方法

    针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。

    推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。