跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉58

    SpatialSR:一种面向任意尺度遥感图像超分辨率的空间分辨率中心流水线

    针对现有遥感图像超分辨率方法过度依赖相对缩放因子而忽视绝对空间分辨率先验的问题,论文提出 SpatialSR 方法。该方法利用预训练的扩散模型提取特定空间分辨率的纹理风格代码,并通过空间分辨率估计模块动态确定缩放比例及分辨率感知风格一致性约束。实验表明,SpatialSR 在常用遥感图像超分辨率数据集及下游分类、分割任务上均达到最先进水平(SOTA)。

  2. arXiv · 机器人与计算机视觉23

    MICRO 数据集与 OFS2Reg 框架:眼科手术多模态视网膜图像刚性配准基准及一步法学习

    针对眼科手术各阶段缺乏公开多模态视网膜图像刚性配准数据的问题,MICRO 数据集提供了涵盖术前、术中及术后的 1,365 对跨模态图像及标准化标注。提出的 OFS2Reg 框架摒弃传统两步骤分割后检测模式,利用频率引导的结构保持描述子构建关键点拓扑约束,实现像素级跨模态血管结构精准对齐。该研究旨在解决现有深度方法因依赖分割质量而受限的难题,为眼科手术提供关键引导。

  3. arXiv · 机器人与计算机视觉45

    AncBench 基准与 AncRestore 网络用于古籍图像修复

    AncBench 包含 100K 对齐的清洁 - 退化图像对,模拟老化、纹理变化及水致几何畸变等复合退化。AncRestore 利用视觉先验路由网络动态整合专家策略,在抑制复杂退化的同时保留文字结构。实验显示该方法优于其他方法,适用于文化遗产保护中的智能古籍修复。

  4. arXiv · 机器人与计算机视觉45

    Instance-preserving graded semantic reporting for surgical action triplets

    该方法提出实例保留的分级语义报告机制,将实例选择与语义细节分离,利用 DELTA 规则权衡效用增益与错误成本。在八段手术视频共 5,641 帧测试中,DELTA 使被基线拒绝的正确部分报告保留率达 80.0%,每百帧加权正确报告产出提升 19.13 至 23.13。该研究通过固定预测与评分对比三种决策规则,明确展示了在手术动作三元组识别中效用与完整性的显式权衡。

  5. arXiv · 机器人与计算机视觉43

    GSTAR:基于分组缩放令牌容量的深度压缩自回归生成模型

    GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。

  6. arXiv · 机器人与计算机视觉73

    PhysMoE:基于单 Token 坐标表示的模态解耦视觉语言模型空间定位方法

    该论文提出 PhysMoE 框架以解决具身视觉语言模型(VLM)在坐标预测任务中的离散化延迟与多接触适配难题。其核心贡献包括共享底层多模态上下文、利用视觉编码器位置嵌入将每个坐标编码为单 Token 以注入空间先验,以及采用可微符号距离场(SDF)监督来适应不规则几何形状。

  7. arXiv · 机器人与计算机视觉55

    TIB:超越对齐假设的多模态归因的样本级调节信息瓶颈

    该论文针对多模态归因任务中依赖成对模态作为代理监督、隐含语义对齐假设的问题,指出在存在部分语义不对齐和不可靠跨模态对应时,传统基于全局充分性压缩的信息瓶颈目标会导致后验过度收缩。作者提出 TIB 框架,通过样本级调节根据跨模态可靠性自适应调整归因强度,无需假设语义对齐。实验在受控基准和大规模数据集上验证了该方法的有效性及其对识别出的失效模式的纠正能力。

  8. arXiv · 机器人与计算机视觉5

    DCLDs-EIR 框架实现弥散性囊性肺病诊断的证据驱动迭代推理

    DCLDs-EIR 框架通过耦合假设细化与多模态证据获取,解决弥散性囊性肺病影像表现重叠及标注数据受限难题。该方案利用肺部渲染初始化鉴别诊断,结合临床上下文检索疾病知识图谱,形成证据采集与验证的反馈闭环。多中心评估显示其诊断准确率持续优于基线,并通过显式链接实现可追溯的鉴别诊断。

  9. arXiv · 机器人与计算机视觉35

    Supervised Scoring 提升手术动作中心定位增益:arXiv 预印本

    该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。

  10. arXiv · 机器人与计算机视觉75

    PR-OVD:一种保留新类别能力的开放词汇目标检测方法

    针对开放词汇目标检测中模型偏向基础类别导致新类别语义坍塌的问题,论文提出了 PR-OVD 框架。该方法首先进行粗粒度分区以隔离背景与类别特征,随后在各类别内进行细化以提升决策边界清晰度,并设计了受认知启发的结构提示(Structure Prompt)为新型类别提供视觉锚点。实验显示,PR-OVD 在两个基准测试中使新类别检测性能平均提升 6.5%,同时提升了分割和分类等任务效果。

  11. arXiv · 机器人与计算机视觉35

    AptM-GCD 通过属性证据学习与多模态提示实现广义类别发现

    AptM-GCD 提出属性证据学习机制,将属性视为局部视觉证据而非全局描述符,结合多模态提示推理提升细粒度与通用基准表现。该方法在六个数据集上达到最先进水平,且在单模态及类别不平衡设置下展现强泛化能力。论文已提交至 TPAMI,arXiv 版本为 v1,代码与数据许可状态待定。

  12. arXiv · 机器人与计算机视觉18

    历史脚本分类评估协议:手稿级数据泄露的成本与软标签作用

    研究在 VML-HP-ext 数据集上发现,测试时若使用训练手稿的其他页面会导致准确率虚高,从页级 97% 骤降至手稿级 54%,且模型置信度严重过拟合。针对此问题,论文提出评估协议建议并验证了软标签能显著降低与专家评估的偏差,相关代码将随论文发布。

  13. arXiv · 机器人与计算机视觉48

    OKS-mAP 评估协议存在盲区:提出统一遮挡、关节角与时间稳定性评测方案

    针对 OKS-mAP 无法区分可见/遮挡关键点及忽略关节角误差的盲区,研究者在 COCO、CrowdPose 等四数据集上验证了新协议。实验显示聚合 mAP 高估遮挡场景性能(Delta_occ 为负),且 OneEuro 平滑可将跳变率降低 9-10%。该开源工具包补充而非替代现有指标,代码与权重已开放许可。

  14. Hugging Face Daily Papers68

    Few-Step Streaming Video Generation via Condition Shifting

    该论文提出 APEX 方法,利用条件移位技术在生成器内部估计分布速度场,从而移除对独立假分数网络的依赖并保留冻结参考教师等机制。在 180 秒视频评估中,APEX 在渐进式轨道的指令遵循得分(3.856)和视觉美学评分上均优于 S2-Avatar,人类评测显示其指令遵循净偏好提升 30%。相比 DMD 方法,APEX 每 GPU 峰值显存降低 4.4%,平均迭代时间缩短 9.2%。

11月10日周二
  1. arXiv · 机器人与计算机视觉65

    带符号校正流:负性控制生成

    作者引入带符号校正流(Signed RF),这是一种针对带符号测度的一般化方法,旨在通过理论框架将负面信息与排除约束纳入生成建模。该方法在 ImageNet 上改善了保真度与多样性的权衡,并在反记忆化实验中降低了最近邻相似度;同时在使用 Stable Diffusion 3.5 时减少了对抗性提示诱导的裸露内容,且保留了 CLIP 和美学评分。

  2. arXiv · 机器人与计算机视觉72

    Precise:面向流匹配模型强化学习后训练的 SDE 一致随机采样方法

    论文提出 Precise 方法,通过冻结干净潜在后验均值实现 SDE 一致性,解决现有采样器在强化学习中离散化噪声过大或收敛不足的问题。实验显示该方法在保持最佳域内性能的同时,将训练时间减少 13.1% 至 53.2%,并达到 PickScore、HPSv2.1 等最先进的对齐分数。材料为 NeurIPS 2026 接收的预印本版本。

  3. arXiv · 机器人与计算机视觉8

    MARR:模块自适应残差重建的低比特后训练量化方法

    MARR 提出一种针对低比特(≤4-bit)后训练量化的残差调节策略,通过为每个模块分配特定缩放系数以平衡累积误差修正与 Hessian-近似偏差。该方法在大型语言模型和视觉 Transformer 上实验,相比残差重建基线实现了高达 20.2% 的困惑度降低和 4.6% 的准确率提升。代码将在论文被接收后公开。

  4. arXiv · 机器人与计算机视觉65

    Consistency Regularised Gradient Flows for Inverse Problems

    针对现有基于 LDM 的反问题求解器需要大量神经函数评估和反向传播导致成本高、质量下降的问题,本文提出一种统一的欧几里得 - 瓦森斯坦梯度流框架。该方法在潜在空间联合执行后验采样与提示优化,结合少步潜在文本到图像模型,实现了无需通过自编码器的低 NFE 推理。实验表明,该方法在多个经典成像反问题中达到了最先进的性能且显著降低了计算成本。论文已接受至 NeurIPS 2026。

  5. arXiv · 机器人与计算机视觉42

    从基线到运输测地线:基于最优生成流的公理化归因方法

    针对特征归因中路径选择模糊的问题,研究提出通过分布级运输过程而非手工插值来定义解释路径。该方法证明固定路径下 Aumann-Shapley 线积分是唯一符合公理的规则,并最小化动能作用导出运输测地线归因原理。实验表明 Reflow 提升了跨种子稳定性,学习到的传输路径在空间一致性上表现优异且删除忠实度具有竞争力。代码已开源。

  6. arXiv · 机器人与计算机视觉68

    CORP:一种基于闭式解的单次表示保留结构化剪枝方法

    论文提出 CORP 方法,将结构化剪枝建模为表示恢复问题,利用无标签校准数据通过闭式岭回归推导补偿权重,无需梯度或微调即可移除 MLP 维度和注意力子结构。实验显示在 ImageNet 上 DeiT-Huge 模型剪枝 50% 后 Top-1 准确率仍达 83.24%,揭示了表示冗余并支持高效部署。

  7. arXiv · 机器人与计算机视觉28

    Visual Affect Analysis:用 VLMs 预测图像观看者情绪的研究

    研究在零样本设置下,对 IAPS、Nencki 及 LAI-GAI 三个数据集的 16 个专有与开源视觉语言模型进行了基准测试。最佳模型在六类情绪任务上分类准确率达 60%--80%,连续评分相关系数大于 0.75,但存在唤醒度预测较弱等偏差。该工作已接受发表于 ACII 2026,代码与权重开放许可情况需查阅原文。

  8. arXiv · 机器人与计算机视觉4

    JND-Guided Light-Weight Neural Pre-Filter 提出 FJNDF-Pytorch 基准与轻量化 CNN,在 ISCAS2027 投稿中实现 SOTA 压缩效率且仅用 7.15 GFLOPs 处理 1080p 图像

    JND-Guided Light-Weight Neural Pre-Filter 提出 FJNDF-Pytorch 基准与轻量化 CNN,在 ISCAS2027 投稿中实现 SOTA 压缩效率且仅用 7.15 GFLOPs 处理 1080p 图像。该方法计算成本仅为近期轻量级网络的 14.1%,在多数据集和编码器上持续优于竞品。开源代码与复现平台已提供,论文提交至 ISCAS2027。

  9. arXiv · 机器人与计算机视觉15

    X-SiT:首个基于可解释皮层特征的痴呆症诊断表面视觉 Transformer

    X-SiT 是首个提供人类可读预测的 inherently interpretable neural network,利用空间对应的皮层原型进行病例推理。该模型在阿尔茨海默病和额颞叶痴呆检测中达到 state-of-the-art 性能,并揭示分类错误以对齐已知疾病模式。代码与论文已作为 MICCAI 2025 预印本公开提交。

  10. arXiv · 机器人与计算机视觉5

    U-WNO:一种用于胎儿头部分割的 U-Net 增强小波神经算子模型(已撤稿)

    U-WNO 是一种结合小波分解、算子学习与编码器 - 解码器机制的新型模型,旨在通过时空域模式跟踪实现区域分割。该工作仅在二维超声图像上针对不同孕晚期进行了演示,但作者因不再积极 pursue 当前形式而主动撤回了预印本。

  11. arXiv · 机器人与计算机视觉38

    Deep Tensor Network:基于张量收缩的序列算子家族与精确评估方法

    Deep Tensor Network 是一类由查询、键和值收缩构建的序列算子,利用结合律在不生成 n×n 令牌矩阵的情况下精确计算 Gram 算子。该方法在查询/键宽度为 d 时仅需 O(d²+ddᵥ) 的工作量及因果令牌的摘要状态,并推导了前缀递推关系与迹、对角及行归一化条件。研究还给出了 Hadamard 变体与矩阵指数变体的精确评估及成本分析。

  12. arXiv · 机器人与计算机视觉70

    ReGFLoW:首个弱监督扩散编辑图像虚假区域定位框架

    针对现有方法依赖像素级监督且难以扩展的问题,本文提出 ReGFLoW 框架,仅需图像级真假标签,利用扩散重建误差作为密集空间引导注入特征与分数空间。该方法通过以伪影为中心的多实例学习,在不依赖语义亲和性或边界先验的情况下实现虚假区域定位。

  13. arXiv · 机器人与计算机视觉52

    从像素生成到拓扑推断:用于可信跨物理域骨小梁形态学习的结构双重超分辨率

    针对临床 CT 与同步辐射微 CT 间存在的 32 倍分辨率差距及物理差异,本文提出一种从像素生成转向拓扑推断的新范式。该方法通过结构双重超分辨率(SDN),耦合正向物理退化与逆向结构推断约束,在低分辨率输入上确定性预测不变微观结构。模型在测试集上实现了与高分辨率参考一致的六种形态参数指标,SSIM 达 0.8,并验证了跨数据源的泛化能力,确保学习到的表征捕捉真实三维拓扑而非二维像素统计。

  14. arXiv · 机器人与计算机视觉65

    CitySTAR:面向开放词汇城市 3D 定位的结构化与拓扑感知推理方法

    论文提出 CitySTAR,这是一个无需训练的框架,旨在解决复杂场景中从自然语言到城市级点云的 3D 定位问题。该方法将描述语义组织为跨模态约束,利用 CodeLLM 工具生成多模态证据构建场景图,并通过双超图建模目标上下文拓扑及双向验证实现结构消歧。

  15. arXiv · 机器人与计算机视觉82

    3D 点溅射用于毫米波雷达新视角合成

    论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。

    推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。

  16. arXiv · 机器人与计算机视觉45

    AAMBERS-UAV:面向无人机杂草水稻分割的感知 aware 多模态骨干网评估与排名

    针对无人机图像集空间时间关联被常规分割基准割裂导致评估偏差的问题,研究基于 WeedyRice-RGBMS-DB 数据集,在固定 124 张目标采集测试集下对比了“目标保留”与“目标暴露”两种协议。实验显示 RGB+MS 模态在目标暴露后 IoU 达 0.7822±0.0269,优于完整保留时的 0.7317±0.0201,且早期融合对光谱位移更敏感。代码与支撑材料将在论文被接收后公开。

  17. arXiv · 机器人与计算机视觉16

    Dual-Part MLBNet 用于心血管导管造影术中的多类别分割

    Dual-Part MLBNet 架构通过多侧编码器块与多头解码器分支,实现了心血管导管造影术中导丝、导管、血管及背景的高概率分离。模型在体模、合成人造主动脉及动物模型的造影数据上训练评估,有效区分主导背景类与前景结构并具备高整体准确率。该研究针对现有二元分割局限,满足了同时分割导管场景多种结构的快速、准确且可解释性需求。

  18. arXiv · 机器人与计算机视觉58

    WireSeg-32K:一个用于线缆实例分割的物理 grounded 合成数据集

    针对线缆等可变形细长物体分割难、标注贵的痛点,作者构建了包含 3.2 万张图像的 WireSeg-32K 合成数据集及配套的实世界测试集。该数据集通过耦合 Cosserat 杆动力学与 Isaac Sim 渲染的 DeformX 共仿真管线生成,确保线缆形状具备物理合理性与接触一致性。