跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉58

    基于球面束调整引导的无监督深度学习的单目鱼眼视觉里程计

    该论文提出了 S^2D-FVO 框架,旨在解决单目鱼眼视觉里程计的尺度漂移难题。方法利用球面束调整(SBA)中的切空间角重投影残差替代传统网络以获取更可靠的相对位姿,并引入基于中值深度的尺度正则化项约束重建尺度。实验表明该方法在多个公开数据集及新收集的大规模数据集上,深度估计与轨迹精度均优于现有代表性方法,且适用于不同相机模型。

  2. arXiv · 机器人与计算机视觉78

    仅文本即可预测分割读出保留哪些类别

    论文指出开放词汇分割模型在部署超出训练类别时,会静默丢失某些类别且仍输出高置信度掩码,但训练损失下降甚至 mIoU 上升。研究证明哪类崩溃完全由类名列表决定:基于类名与训练词汇的文本相似度即可预测崩溃风险,该排名在九个模型家族中 AUROC 达 0.69-0.96。

    推荐理由:研究发现仅凭类名列表即可预测分割读出的崩溃风险,无需查看图像。通过调整词汇距离或训练幅度可恢复已消失的类别,为模型鲁棒性提供新视角。

  3. arXiv · 机器人与计算机视觉78

    RBA:一种用于 OCTA 血管分割的参数高效交互式读出基适配器

    该研究针对 SEEM 模型在光学相干断层扫描血管造影(OCTA)中分割细血管效果不佳的问题,提出了一种名为 RBA 的读出基适配器。该方法通过生成图像特定的基础图并配合秩为 1 的 LoRA 编码器分支,在不改变原始特征读取分辨率的前提下提升了动脉与静脉的区分能力。

    推荐理由:针对 SEEM 模型在 OCTA 血管分割中读出线粒体分辨率不足的问题,提出仅增加 0.47M 参数的 RBA 适配器,在薄血管分割上优于 LoRA 等参数高效方法。

  4. arXiv · 机器人与计算机视觉48

    街景影像处理管道助力韩国独栋房屋空置评估

    该研究提出一种可复用的街景影像处理管道,明确图像适用性与目标身份。在韩国 1609 个地块的 10311 张图像中,任务筛选与对齐使 AUROC 从 0.684 提升至 0.719,且无需建筑轮廓或额外训练即可匹配人类标签(85.6%)。记录所用图像与选定房屋支持人工虚拟审计,解决了仅凭分数无法验证判断对象的问题。

  5. arXiv · 机器人与计算机视觉68

    训练 Vision Transformer 以聚焦:空间注意力头的涌现与专业化

    针对自监督学习的 Vision Transformer 缺乏聚焦机制导致感知表征模糊的问题,作者提出两种无需标注的视觉聚焦损失函数,利用多头注意力机制引导模型关注特定图像区域。该方法促使注意力头出现空间专业化分工,显著提升了空间选择性和多样性,并在零样本图像分割等密集预测任务上改善了可解释性与性能。论文已被 NeurIPS 2026 接收。

  6. arXiv · 机器人与计算机视觉75

    超越头部重要性:视频 Transformer 中的集体计算研究

    该论文通过消融分析四个视频 Transformer 模型,发现高重要性的注意力头不仅能支持其他视频理解任务,还能保留区分不同视频的表征结构。研究显示,MLP 层的处理对头部输出的利用效率高于注意力模块本身,且层间较短时空距离的头部集合在扰动响应上更强。仅微调 MLP 即可提升低重要性头部输出的使用效果,揭示了集体计算是理解注意力头功能的关键视角。

  7. arXiv · 机器人与计算机视觉73

    模块化定位中冻结视觉语言查询的选择失败诊断:Qwen2.5-VL 与 Qwen3-VL 对比分析

    该论文研究在模块化定位架构下,当冻结检测器生成的候选区域覆盖至少 99.8% 的 RefCOCO/+/g 查询时,VLM 选择机制的失效原因。研究发现 VLM 的图像条件化查询编码优于纯文本查询,但在分布外场景(如 Objects365)及推理基准上,基于冻结提案的选择策略性能显著低于直接解码坐标;此外,训练后的验证器仅退化为存在性探测,无法超越 VLM 的直接判断能力。

  8. arXiv · 机器人与计算机视觉78

    MDA 框架:无监督行人重识别的多架构域自适应方法

    针对无监督行人重识别面临的域差距及现有方法不支持多网络架构的问题,本文提出 Mamba 增强的多架构域自适应(MDA)框架。该框架在两个层面构建能力:首先设计包含 Mamba 组件的复合算子以增强域自适应;其次基于此算子构建支持 CNN 和 Transformer 多种骨干网络的通用框架。

    推荐理由:提出 Mamba 增强的多架构域自适应框架,在 CNN 与 Transformer 骨干上均提升 Re-ID 性能。

  9. arXiv · 机器人与计算机视觉57

    工业机器视觉中超分辨率与压缩伪影去除的端到端联合训练研究

    针对工业边缘设备图像因降采样和压缩导致的分辨率损失及伪影问题,本文提出一种集成超分辨率(SR)与压缩伪影去除(CAR)的端到端质量增强框架。该框架采用统一训练策略,平衡人眼感知与机器视觉目标,并探索了固定权重与基于不确定性的动态权重损失函数以优化重建质量与下游任务性能。

  10. arXiv · 机器人与计算机视觉78

    何时信任适配:用于可迁移视觉语言提示的上下文融合

    针对视觉语言模型在新类别或领域上的适配问题,该方法通过保留冻结与提示后的四分支预测,结合局部置信度与集合频率偏差进行仲裁。在 ImageNet 上训练后,其在十个跨数据集基准的平均准确率达 69.96%,刷新 ImageNet-S 记录至 52.21%,并在基类到新类的迁移任务中达到 79.77% 的新类别准确率。代码已公开。

    推荐理由:提出上下文自适应融合方法,在跨数据集基准上超越现有提示微调技术并刷新 ImageNet-S 记录。

  11. arXiv · 机器人与计算机视觉31

    FMA-Net:通过指令引导潜空间翻译实现多模态人脸呈现攻击检测的灵活模态适应

    FMA-Net 提出统一框架,利用指令引导潜空间翻译补偿缺失模态,在 WMCA 数据集 70% 模态缺失下将平均 ACER 从基线 4.24% 降至 3.22%,深度与红外完全不可用时 ACER 为 5.23%。该框架通过面部特征适配器整合全局结构与局部欺骗线索,并借助合成到真实域对齐减少特征差异。实验在 WMCA 和 PADISI-Face 数据集上验证了其在灵活不完整模态下的鲁棒性。

  12. arXiv · 机器人与计算机视觉75

    LangDepth:基于场景语义先验的跨域单目深度估计

    该研究提出了 LangDepth 架构,通过冻结 CLIP 编码器和可学习的概念键提取场景描述符,利用场景先验模块(SPM)为室内和室外场景分别设定全局深度区间锚点。模型在 NYU Depth V2、KITTI、DIODE 等数据集上实现了高 delta_1 精度,且无需大规模监督数据或伪标签。实验表明,该机制能有效处理跨域尺度差异,并在户外场景中由先验主导预测结果。

  13. arXiv · 机器人与计算机视觉42

    Calibrated Alarm Thresholds for Compact Fire and Smoke Detectors 提出基于分割 conformal 的阈值校准方法,解决 YOLOv8n 等检测器在 D-Fire 测试集上的漏报率差异问题。该方法使两种检测器在所有规则下均满足 10%、5% 和 1% 的目标漏报率,无火烟图像误报率控制在 1.2%-3.0%,并分析了主要失效案例。

    Calibrated Alarm Thresholds for Compact Fire and Smoke Detectors 提出基于分割 conformal 的阈值校准方法,解决 YOLOv8n 等检测器在 D-Fire 测试集上的漏报率差异问题。该方法使两种检测器在所有规则下均满足 10%、5% 和 1% 的目标漏报率,无火烟图像误报率控制在 1.2%-3.0%,并分析了主要失效案例。

  14. arXiv · 机器人与计算机视觉35

    GeoPilot:诊断引导的空中重建干预与几何评估

    GeoPilot 工作流将大语言模型诊断、数值工具重建及外部几何评估结合,生成可执行的程序或相机配置干预。在 224 张 Metashape-raster 开发图像上,共享内参假设使六个原生坐标指标全部改善,平均表面到参考距离减少 7.04%;而在独立棋盘格样本上的参考辅助对齐则限制了该增益。

  15. arXiv · 机器人与计算机视觉75

    基于自适应对应关系的光流估计:FATE 模型

    该论文提出了 Flow from Adaptive Token Estimation (FATE) 方法,通过解耦匹配尺度与光流分辨率,利用像素到 token 的关联实现可靠匹配与精确重建。在 FlyingChairs/FlyingThings3D 训练后,该方法在 Sintel Final 和 KITTI 数据集上实现了最高的零样本准确率,特别是在运动边界和遮挡区域表现优于现有方法。

  16. arXiv · 机器人与计算机视觉45

    NWD-Based Calibration Loss 提升 UAV 红外图像微小行人检测校准效果

    针对无人机红外图像中占图不足 0.1% 的微小目标,现有基于 IoU 的目标校准损失存在几何缺陷。研究提出连续尺度不变归一化 Wasserstein 距离(NWD)替代方案,在 HIT-UAV 数据集上使低、中、高信杂比组的 LaECE 指标显著降低且 mAP 保持中性。该方法无需推理时映射层,验证了其在广域校准权重下的有效性及几何修正的真实性。

  17. arXiv · 机器人与计算机视觉44

    SurgTAP-3D:大规模跨手术视频数据集与接触感知三维运动追踪基准发布

    SurgTAP-3D 构建了一个包含 52 万帧、4549 个动作片段及 140 万个二维/三维轨迹点的大规模体内伪三维手术运动追踪数据集。该工作通过接触区域提示等统一框架将未标定单目视频转化为结构化四维标注,涵盖遮挡、烟雾等真实挑战并建立 SurgPose 等基准。

  18. arXiv · 机器人与计算机视觉52

    SurfScaff3D:桥接几何与语义表示以实现 LLM 驱动的三维物体生成

    论文 SurfScaff3D 提出 Hierarchical Patch Scaffold (HPS) 表示法,通过语义部件抽象解决大语言模型推理与传统三维参数化不兼容的瓶颈。该框架支持文本和图像到三维的交互生成,具备无需昂贵微调即可进行自然语言编辑的能力,并在多种物体类别上展现出高几何保真度和语义对齐度。材料为预印本,已接受于 WACV 2027。

  19. arXiv · 机器人与计算机视觉42

    MICE:多动物交互上下文编码器——小鼠行为分层基础模型发布

    MICE(Multi-animal Interaction Context Encoder)是一款针对小鼠行为的分层基础模型,能联合预训练处理 1 至 4 只小鼠及 7 到 27 个关键点的数据。该模型通过层级个体编码器和 Perceiver 风格社交编码器,实现单检查点适配任意群体规模且无需重训。在涵盖六个数据集的四项评估协议中,MICE 匹配或超越现有基于关键点的基线,代码、权重与数据已开源。

  20. arXiv · 机器人与计算机视觉67

    重思单目 3D 目标检测中的几何深度:一种投影一致的重构方法

    该论文指出传统单目 3D 检测公式存在因使用 2D 框高导致恢复的是物体前表面而非中心的系统性偏差。作者提出 MonoPCA 框架,通过 PCDepth 模块利用透视几何进行方向与尺寸感知的修正以消除偏差,并引入 GeoAlign 教师 - 学生架构将视觉基础模型的几何表征迁移至轻量级模型以增强属性感知。

  21. arXiv · 机器人与计算机视觉42

    NightSteps:夜间行人过街意图预测数据集与基准评测

    NightSteps 数据集基于全球六城夜间行车记录仪 footage 构建,旨在填补低光照条件下行人过街意图预测(PCIP)的基线空白。Gemini、ChatGPT 及人工评估在该数据集上的测试显示,人类输入准确率达 88.17%、F1 分数为 80.21%,而 Gemini 和 ChatGPT 分别仅为 60% 与 79.13%。该预印本基准可用于未来模型在夜间场景下的性能评估以提升道路安全。

  22. arXiv · 机器人与计算机视觉10

    视觉语言模型因果归因新方法:无需像素监督即可实现糖尿病视网膜病变诊断

    研究提出将注意力分解为贡献与拉取两种归因图,在 MAPLES-DR 数据集上验证了“拉取”图的因果解释性最高。该方法虽无像素级监督,但精度达到 HRDecoder 模型的 70%,且比遮挡法快 800 倍。代码与演示已公开,相关成果将提交至 ISBI 2027。

  23. arXiv · 机器人与计算机视觉68

    Reaching Is Not Finding:基于地图锚点的视觉提示用于空中视觉语言导航的最后一公里

    论文指出当前空中视觉语言导航器常出现‘到达目标位置却未识别物体’的问题,原因是模型学会了抵达地标而非识别指令中的具体对象。作者提出 MAP-VP 模块,在导航器停止后自动将指令中的地标绘制到无人机视野中,再结合微调后的 4B 视觉语言模型定位目标。

  24. arXiv · 机器人与计算机视觉53

    突破记忆限制:面向大规模三维自主探索的分层时空地图表示

    论文提出 FLAVOR 框架,通过分层时空地图解决无人机在资源受限环境下的全局探索问题。该方法将稠密几何约束于机器人局部地图,仅保留紧凑的全局观测与任务上下文;利用轻量 LiDAR 关键帧可见性记录支持前沿推理,并将未解析的前沿作为待办任务关联里程计锚点。

  25. arXiv · 机器人与计算机视觉72

    如何‘训练’外科医生?通用智能体手术场景理解基准评测

    针对手术数据稀缺且评估协议碎片化的问题,本文提出两阶段框架:SurgKnowBench 基准整合公开数据集以评估预训练多模态大语言模型(MLLM)的手术能力边界,发现当前模型在关系与流程理解上存在短板;SurgAgentGym 环境允许通用智能体在不进行额外手术训练的情况下,通过工具介导的证据检索提升推理时的理解效果。

  26. arXiv · 机器人与计算机视觉13

    Unlearning at Speed:面向大规模开放集人脸识别的快速激活阻尼高效机器遗忘方法

    Rapid Activation Dampening(RAD)提出了一种针对大规模开放集人脸识别的高效机器遗忘方案,通过抑制与目标身份关联的神经元实现快速遗忘。该方法引入 Forget Score(FS)指标解决现有度量在开放集场景下的不匹配问题,并在多个近期大规模架构上验证了其在保持模型效用同时显著提升遗忘速度的能力。

  27. arXiv · 机器人与计算机视觉72

    GenRM-Flow:生成器即流匹配中的过程感知奖励模型

    本文提出 GenRM-Flow 框架,论证视频生成模型的微调目标(如 DPO、RWR)在数学上等价于利用生成器的速度预测误差作为奖励信号。该框架使偏好调优后的生成器直接在噪声潜空间充当过程感知奖励模型,无需依赖外部视觉语言模型或辅助评分头。理论分析表明不同优化路径均指向同一最优策略,且提取的过程奖励可无缝替代 FlowAWR 中的外部评分器,从而在不增加额外网络的情况下提升下游视频生成效果。