跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉78

    何时切片推理有效?分辨率、分块与稠密融合对小目标检测的影响

    论文重新审视切片推理(如 SAHI)在小目标检测中的收益,发现高分辨率单通训练优于盒融合策略。作者提出 SCAHI 方法,通过加权累积所有通道的密集输出并优化峰值网格分辨率,在 VisDrone 和 DOTA 数据集上显著超越盒融合方案,尤其在 DOTA 高分辨率图像上表现更佳。

    推荐理由:研究证实高分辨率单通优于切片融合,并提出 SCAHI 方法在 VisDrone 和 DOTA 数据集上提升小目标检测精度。

  2. arXiv · 机器人与计算机视觉42

    视频重建与识别碎片化遮挡物体研究

    该工作提出一种基于单相机灰度图像序列的重建框架,通过联合配准优化平均对比度生成集成图像以解决高密度遮挡问题。实验在合成及真实视频上验证了该方法在超过 90% 遮挡密度下的可行性,其效果可与需复杂校准的合成孔径技术媲美。此外,该集成图像作为输入可使标准分类器在严重遮挡下实现可靠的物体识别。

  3. arXiv · 机器人与计算机视觉42

    四款 VLM 在乳腺影像任务中置信度与解释的跨信号一致性评估

    针对视觉语言模型直接解读医学影像的趋势,研究者在两大数据集上对四款 VLM 进行了乳腺密度和 BI-RADS 分类评估。实验发现即使图像发生受控扰动,模型的置信度并未下降,且选项顺序改变会显著影响回答。部分模型存在自身推理与最终答案矛盾的情况,揭示了仅凭准确率无法捕捉的不可信风险。

  4. arXiv · 机器人与计算机视觉48

    Galilean Robots, Aristotelian Sensors:联合时空轨迹估计与外参标定新方法

    该方法利用伽利略群表示机器人轨迹、亚里士多德子群表示传感器外参,通过群结构直接耦合运动与时序偏移,无需单独参数化连续时间轨迹。研究开发了扭率与 IMU 驱动的运动先验,兼容理想与非理想时钟,在相机、位置及测距测量下实现了与现有方法相当的仿真和真实实验性能。该简化框架在不牺牲性能的前提下提升了多传感器状态估计的使用体验。

  5. arXiv · 机器人与计算机视觉78

    EditJudge-Bench:基于合成真值审计 VLM 图像编辑裁判基准

    本文介绍 EditJudge-Bench,这是一个包含 1,382 对由 Blender 渲染的合成前后图像的基准数据集,其编辑操作参数化且拥有来自已知 3D 场景参数的精确真值。

    推荐理由:该基准通过 Blender 合成数据构建带精确真值的编辑对,解决了真实图像缺乏受控真值的问题,能独立评估 VLM 裁判的可靠性与失败模式。

  6. arXiv · 机器人与计算机视觉38

    PAR 框架通过扰动聚合与傅里叶注意力提升多视角异常检测性能

    PAR 提出一种基于重建的多视角异常检测框架,利用特征扰动共识聚合模块生成视图一致伪异常表征,并采用专用解码器结合傅里叶注意力抑制身份映射。在 Real-IAD 数据集上,该方法在样本级、图像级和像素级检测任务中均优于最先进方法。代码已开源,论文已被 ACM Multimedia 2026 接收。

  7. arXiv · 机器人与计算机视觉57

    LongSCOP:一种语义一致的长视频外绘方法

    针对现有研究主要聚焦短视频、长视频外绘存在生成不稳定和语义漂移的问题,本文提出 LongSCOP 方法。该方法通过自强制训练、潜在空间校准和未来参考等组件提升稳定性,并利用基于 VLM 的智能体自动选择关键帧以维持长时序内的主体与场景一致性。

  8. arXiv · 机器人与计算机视觉58

    MoSTE:用于视频深度伪造检测的时空专家混合模型

    针对通用深度伪造检测面临的篡改类型差异大及现有参数高效方法易产生偏差的挑战,该研究提出 MoSTE 框架。该方法将适应过程分解为并行的空间和时间专家池,利用无监督的 Token 级路由机制动态分配表示,使专家能自然专注于互补的伪造线索,无需显式标签或多阶段训练即可有效迁移 CLIP 表示至视频域。

  9. arXiv · 机器人与计算机视觉42

    dNaViT:离散代码作为通用视觉表示的技术报告

    dNaViT 是一种基于冻结预训练编码器的离散原生分辨率视觉 Transformer,利用分组产品量化在保持语义与像素信息的同时扩展离散容量。该模型在 12 个视觉理解基准、4 个生成基准及图像编辑基准上表现匹配或超越专用基线,证明紧凑离散词汇可作为通用视觉货币。项目页面、代码、模型权重均已公开,属于技术报告状态。

  10. arXiv · 机器人与计算机视觉85

    PhysOPSD:以代码为特权实现物理可信的视频生成

    针对现有视频生成模型在物理动态上表现脆弱的难题,本文提出 PhysOPSD 方法,引入可执行代码作为特权物理上下文,将真实场景转化为可验证的仿真程序。该方法通过双级物理特权和受控物理变化,在仅用 3K 样本的情况下显著优于监督微调与强化学习基线,同时保持视频生成质量。

    推荐理由:提出用可执行代码作为特权上下文,以少量样本提升视频生成的物理合理性。

  11. arXiv · 机器人与计算机视觉49

    PTC-IoU:面向边缘视频分析的 CPU 友好型检测质量评估方法

    PTC-IoU 将检测框历史压缩至 CPU 以估算边缘端无标签场景下的检测质量,在 Nvidia Jetson Orin Nano 上相比神经网络基线延迟从 10.3 ms 降至 2.2 ms。该方法流水线吞吐量提升 13.6%,能耗降低高达 95%,同时在多个数据集上保持了具有竞争力的最终检测精度。

  12. arXiv · 机器人与计算机视觉45

    TRIAD:多模态检索跨抽象、约束与状态基准评测

    TRIAD 是一个评估多模态检索系统满足复杂动态请求能力的基准,涵盖抽象、约束及状态三个赛道。该基准含六个子集,每子集 1,000 查询与固定候选池,采用多正均值平均精度(mAP)协议评测 20 种配置的 17 个系统。结果显示无系统在全部子集领先,且跨轮次检索在 40 组对比中 39 组表现低于单轮任务。

  13. arXiv · 机器人与计算机视觉78

    ReVMap:基于连通性感知的局部地图融合矢量全局建图方法

    针对大规模矢量高清地图标注成本高及现有方法忽视预测不确定性的问题,本文提出 ReVMap 框架。该方法利用点级定位不确定性将全局先验融入局部预测以提升鲁棒性,并预测局部到全局的连通性以进行可靠性感知的选择性更新。在 nuScenes 和 Argoverse 2 基准上的实验表明,ReVMap 在局部地图预测与全局地图构建方面均达到最先进水平。

    推荐理由:提出 ReVMap 框架,通过不确定性引导先验与连通性感知融合解决矢量 HD 地图构建中的误差传播问题。

  14. arXiv · 机器人与计算机视觉45

    TMT:通过文本衍生的模态知识迁移适配红外图像

    TMT 模型利用成对可见光 - 红外图像,仅凭文本嵌入差异方向引导 CLIP 图像编码器适配红外成像。该方法引入生成感知协同监督机制,在四个源域不交的红外分类基准上实现最高零样本准确率(48.92%),并在无红外文本监督下取得最佳检索效果与 CART、SemanticRT 数据集上的最高开放词汇分割 mIoU。

  15. arXiv · 机器人与计算机视觉38

    EFM3D 在法医现场重建中的法证评估框架与案例研究

    该研究提出针对以自我为中心的基础模型的法证评估框架,并以 Meta Project Aria Gen~1 采集的四处室内模拟犯罪场景进行验证。EFM3D 生成网格平均含$12{,}668\pm2{,}430$个顶点,推理处理每场需$50.77\pm6.12$分钟,其能力更适配房间几何与空间关系而非精细法医证据。该框架为未来模型在专业法证环境下的评估提供了可复现基础。

  16. arXiv · 机器人与计算机视觉68

    CADMA:面向生成模型评估的容量感知覆盖分解方法

    针对现有召回率指标过度依赖几何覆盖导致诊断价值不足的问题,本文提出 CADMA 框架。该方法通过真实样本与生成样本间的局部容量匹配,将几何覆盖与有效覆盖分离,从而量化模式缺失和模式坍塌等多样性失效现象,并提供更可靠的评估信号。代码已开源。

  17. arXiv · 机器人与计算机视觉72

    EgoLabel:基于跨模态一致性的零样本第一人称自动标注

    该论文提出 EgoLabel 流程,在不使用目标域标签训练的情况下整合现成模型以实现几何、物体与人体姿态的跨模态配准与一致性诊断。实验显示,相比单一全局尺度,每只手深度锚定将序列中位手 - 深度残差均值降低 23%,聚合中位为 84.6mm(真值参考 20.5mm),手部 PA-MPJPE 为 14.53±1.29mm。

  18. arXiv · 机器人与计算机视觉78

    DisasterVLG:面向灾难场景理解的视觉语言定位与证据推理基准

    作者发布 DisasterVL 数据集与基准,包含约 120 万张来自 142 个国家的灾害图像及 2500 万条结构化标注,涵盖场景描述、事件地点评估、空间关系及视觉问答。

    推荐理由:该工作提出灾难场景理解基准与模型,为具身智能在极端环境下的感知推理提供新数据支撑。

  19. arXiv · 机器人与计算机视觉68

    RAPA:面向相机 -LiDAR 标定的射线感知物理增强方法

    针对基于目标的相机-LiDAR 标定中 LiDAR 点云提取棋盘格特征困难的问题,本文提出利用圆柱体 LiDAR 反射率图像将棋盘格定位转化为 2D 检测问题。通过射线感知物理增强生成合成数据以解决标注数据稀缺问题,在四个独立采集的室内外场景中,该方法相比最强图像空间增强基线 [email protected] 提升 16.1-43.1 个百分点,且在 242 次观测中实现了最高的有效目标定位数量。

  20. arXiv · 机器人与计算机视觉54

    SAM-VTP:基于视频记忆与深度测量的连续可通行性分割研究

    论文提出 SAM-VTP 方法,通过微调 SAM2 的视频记忆路径实现无提示的稠密可通行性分割,并利用深度信息直接测量坡度、粗糙度和高度等几何特征。该方法在 TartanGround 数据集上相比帧级基线显著提升了 Jaccard 和 IoU 指标并减少了闪烁,且在闭环测试中大幅降低了规划器因预测失效而中断的频率。

  21. arXiv · 机器人与计算机视觉35

    Color wave:主动屏幕光照在远程人脸认证注入攻击检测中的系统评估

    Color wave 通过设备屏幕引入随机视觉刺激,对静态图像、预录视频及实时深度伪造三类注入内容进行分类与检测。实验显示该方法在受控条件下具备强判别信号,但在过曝、低亮度及主体运动等工况下存在性能局限。研究建立了针对注入攻击的专用评估协议,揭示了主动光照机制在不同操作条件与规避策略下的成功或失效原因。

  22. arXiv · 机器人与计算机视觉44

    四步文本生成图像蒸馏框架发布:结合局部响应正则化与教师引导训练,GenEval 整体得分达 0.84

    该研究提出一种四步蒸馏框架,通过局部响应正则化和教师引导训练,在保留 GLM-Image DiT 自回归先验的同时降低采样成本。学生模型在 GenEval 上取得 0.84 的整体分数和 0.5045 的 CVTG-2K 单词准确率,推理耗时仅 1.742 秒(教师为 5.818 秒),实现 3.34 倍加速且显存需求同为 40 GB。

  23. arXiv · 机器人与计算机视觉42

    CM3AE 2.0 利用互补事件帧与体素表示实现 RGB 引导的多模态预训练

    CM3AE 2.0 提出统一框架,通过事件感知时空掩码重建策略及分层跨模态生成机制,联合学习多模态时空表征并挖掘潜在依赖。在四个多样化下游任务上的广泛实验表明,该预训练框架能持续提升性能,验证了其有效性与泛化能力。

  24. arXiv · 机器人与计算机视觉42

    SAFE-Hair:基于头皮锚定场的单视图头发重建框架

    SAFE-Hair 通过解码标准头皮 UV 域中的持久毛囊,从单张肖像直接生成可用于造型编辑的显式发丝资产。该方法引入附着、碰撞及弯曲先验以增强几何有效性,并在 HairBench-3D 基准上将 Chamfer 距离优化至 3.28 mm、F-score 提升至 81.7。该框架已接受 NeurIPS 2026,代码与权重待开放许可确认。

  25. arXiv · 机器人与计算机视觉35

    语义提示与跨模态训练的单图超分辨率新方法

    针对现有深度学习模型忽视图像丰富语义上下文的问题,该方法通过提取文本描述和空间定位等语义数据,结合跨模态特征融合模块与提示牵引头进行多模态训练以提升细节恢复。在多个数据集上的实证结果验证了该新方法的优越性,论文共 21 页含 7 幅图和 5 个表格。

  26. arXiv · 机器人与计算机视觉49

    TIRAD:文本引导图像残差学习实现通用异常检测

    TIRAD 提出一种多模态残差学习框架,利用文本表示的残差特征作为门控机制调制图像残差,以显式表达语义差异。该方法在工业基准及跨域迁移实验中均优于现有以图像为中心的残差学习方法。论文已被 ACCV 2026 接收,代码与权重开放许可待注册。

  27. arXiv · 机器人与计算机视觉82

    HIST3R:利用历史分解与校正状态更新的流式三维重建方法

    针对流式三维重建中因不可靠更新导致长期几何漂移的问题,本文提出 HIST3R 框架。该方法在 CUT3R 基础上,利用局部一致的历史状态修正更新方向,并根据当前观测与历史的视觉差异调节更新幅度。实验显示,在 ScanNet、TUM-Dynamics 等数据集上,HIST3R 显著降低了绝对轨迹误差并提升了重建精度,且保持了原有的内存占用和推理速度。

    推荐理由:提出 HIST3R 框架,通过历史状态修正更新方向并调节幅度,解决长视频重建中的几何漂移问题。

  28. arXiv · 机器人与计算机视觉82

    CSG-Nav:面向鲁棒探索与零样本目标导航的置信度感知语义几何融合方法

    论文提出 CSG-Nav 框架,通过整合开放词汇检测、深度定位与多视图证据加权,解决长程感知不可靠及幻觉偏差问题。在 HM3Dv1/v2 和 MP3D 数据集上实现零样本导航成功率分别为 58.9%、71.6% 和 44.3%,并在室内外真实环境完成部署验证。代码已开源。

    推荐理由:提出基于置信度的语义几何融合框架,在 HM3D 等数据集实现零样本导航新 SOTA,代码已开源。

  29. arXiv · 机器人与计算机视觉73

    UltraVoxelGS:首个实现快速且物理保真渲染的三维超声重建方法

    论文提出了 UltraVoxelGS,这是一种针对三维超声重建的 Feed-Forward(前馈)高斯泼溅方法,首次实现了快速重建与物理保真的实时渲染效果。该方法通过 voxel-to-Gaussian 的前馈路径解耦了表示大小与输入数量,并提出了感知超声特性的外观渲染策略以处理声学传播导致的视图依赖现象。