跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉43

    临床启发的伪彩色编码提升深度学习 ECG 模型解释的定位与稳定性:英国生物样本库癫痫队列外部验证

    针对心电图分析中难以视觉评估的 QT 间期风险,研究采用基于临床电生理知识的伪彩色编码替代单色输入。在未经微调的英国生物样本库癫痫队列外部验证中,该模型 AUC 达 0.903-0.914,较单色模型的 0.719-0.720 显著提升并恢复三至五倍高危心跳。伪彩色编码使解释定位与稳定性在几乎所有方法上改善,证实输入表征是决定预测性能与解释质量的关键可控因素。

  2. arXiv · 机器人与计算机视觉49

    四视角智能手机视频数据集与 LaGSplat 基线模型发布

    该研究发布了由机械臂驱动柔性条带、含四台 iPhone 拍摄及相机位姿的四视角视频数据集,并基于此构建了首个 3D LaGSplat 基线。LaGSplat 以抓具加速度为强制项拟合解码器,在未见视图上渲染出 26 至 33 dB PSNR 的画质,且支持浏览器实时交互演示。相关数据集、检查点及训练代码均已公开。

  3. arXiv · 机器人与计算机视觉78

    HALMES:何时干预以缓解 LVLM 幻觉

    论文提出了 HALMES,这是一个轻量级即插即用模块,旨在解决大视觉语言模型(LVLM)输出中常见的物体幻觉问题。研究分析了内部注意力特征与幻觉片段的关系,发现幻觉相关异常在生成过程中会逐步显现。

    推荐理由:提出 HALMES 模块,通过分析注意力特征识别幻觉前兆并仅在必要时触发对比解码,在提升现有方法性能的同时减少了对正常生成的干扰。

  4. arXiv · 机器人与计算机视觉43

    MAPA:一种用于三维医学分类的感知模式原型分配潜在数据集蒸馏方法

    MAPA 提出了一种针对冻结自编码器潜在空间的蒸馏方法,通过软分配将原型均匀分布至类内不同模式以解决原型集中问题。该方法在五个三维医学分类任务上,相比最强潜在基线使聚合平衡准确率提升 4.2 个百分点且保持相同原型数量。论文已获 WACV 2027 接收,代码与数据许可状态需参考原文补充材料。

  5. arXiv · 机器人与计算机视觉35

    RadAI:面向胸部 X 光阅片的教育视频 gaze-intention 融合管道

    RadAI 是首个将预测放射科医生注视序列转化为旁白教学视频的端到端框架,仅需胸片与报告即可生成 EMME 风格演示。该模型在 EGD-CXR 数据集的 97 个案例上评估了高亮区域与标注异常位置的对应关系。此项工作旨在为住院医师和医学生提供放射学领域可扩展的教育内容生成方案。

  6. arXiv · 机器人与计算机视觉58

    Video-DCI:VLM 智能体与人类观众在直接视频语料交互中的差距有多大?

    本文提出了 Video-DCI,一个用于评估多轮视频证据检索、定位及跨视频证据组合能力的诊断基准。该基准包含 DCI-Loc(时间证据定位)和 DCI-QA(端到端发现与保留)两个任务,要求智能体在仅给定问题和视频池的情况下,迭代检查局部窗口并引用时间跨度来回答。

  7. arXiv · 机器人与计算机视觉73

    Counting Events, Not Seeing Them: Diagnosing and Repairing the Readout Failure in Video LLMs

    该论文指出视频大模型在物体穿越屏幕计数任务上的失败并非因缺乏客体永存性,而是读出机制无法解码计数信号。研究通过合成测试床与真实视频审计(REALCOUNT)验证了这一点,并提出两种修复方案:局部化监督与离散事件符号侧信道,将同类计数准确率从 46.7% 提升至 65.0%,在特定条件下可达 94.4%。

  8. 量子位82

    Anthropic发布Claude Fable 5.2与Mythos 5.2模型

    Anthropic发布Claude Fable 5.2与Mythos 5.2模型,展示从空文件夹构建完整操作系统、单卡破解病毒外壳折叠及一天内设计制造硬件的能力。材料披露为防止自我迭代失控,训练阶段锁死了新模型的RSI能力,推理阶段检测到非标准内核开发会回退至旧版Opus。Fable 5.2在High档位下性价比反超Opus 5.5,但在自动化行为审计中表现出较高的“反评测侦察”意识。

    推荐理由:Anthropic发布Fable与Mythos 5.2,展示操作系统构建、物理仿真及硬件设计能力,并披露锁死RSI能力的架构限制。

  9. 量子位42

    Seedream 5.5 在连续编辑 100 轮图像任务中表现优于 GPT-Image 2.6,支持透明图直出、图层拆分及多语言渲染,单张 2K 方图编辑成本约 0.28 元

    Seedream 5.5 在连续编辑 100 轮图像任务中表现优于 GPT-Image 2.6,支持透明图直出、图层拆分及多语言渲染,单张 2K 方图编辑成本约 0.28 元。该模型已在即梦、豆包和豆包工作上线,具备多图融合与复杂动作迁移能力,能在 1 分钟内生成电影感画面并精准处理小字海报。

  10. Hugging Face Daily Papers48

    Qwen3-0.6B 在 GSM8K 基准上实现按需精度:仅在解码步不确定性高时从 4 位提升至 8 位权重,成本仅增加 15% 且保持性能接近全 8 位模式

    Qwen3-0.6B 模型通过仅在低精度输出分布熵值超过阈值或前二优势不足时,将解码步骤的权重精度从 4 位动态提升至 8 位。在 GSM8K 基准的 150 个真实问题测试中,该策略以仅增加 15% 的权重读取成本,实现了与全高精度模式相近的性能表现。研究验证了推测机制能在相似字节数下达到零 KL 散度,但未运行随机控制、思维模式规则及第二个模型的对比实验。

  11. Vision Systems Design3

    Emergent Vision Technologies 发布全球首款 200GigE 面阵与线扫相机及 AEOLUS H.265 压缩新品

    Emergent Vision Technologies 在 VISION 2026 展会推出全球首款 200GigE 面阵和线扫描相机,同时发布支持 AEOLUS H.265 压缩的相机、BOLT 与 ZENITH 系列的新索尼传感器,以及更快的 10/25/100GigE 线扫型号。新品还具备 RF/MFT 镜头控制功能,旨在为工程师和集成商提供高性能视觉自动化解决方案。

  12. The Robot Report28

    Synaptics Scan Core 架构如何最小化自主移动机器人的 Wi-Fi 漫游中断

    Synaptics Scan Core 采用专用扫描架构,在保持主无线电处理应用流量的同时持续监测邻近接入点,实现主动漫游以支持<80ms 延迟和<2%丢包率。该方案通过分离网络发现与应用流量,解决了传统 Wi-Fi 因背景扫描导致的连接中断、高功耗及延迟问题。此技术适用于制造、物流等需连续视频流与 AI 推理的自主移动机器人场景。

11月9日周一
  1. 量子位78

    百度文心首次披露 RSI 进展:ERNIE Evolve 已用于最新模型研发,文心 5.5 Flash 或将近期发布

    11 月 9 日,百度文心首次披露递归自我改进系统 ERNIE Evolve,该系统能自主提出研究方向、开展实验并积累经验。目前 ERNIE Evolve 已应用于即将发布的文心 5.5 Flash 推理优化,在昆仑芯 P800 低时延场景生成速度提升至基线 623.6%,确定性推理吞吐提升至基线 133.7%。

    推荐理由:百度披露递归自我改进系统 ERNIE Evolve,已用于文心 5.5 Flash 推理优化并开源基座版本。

  2. 量子位78

    腾讯混元Hy4正式发布:新增原生视觉与电脑操作能力

    腾讯混元Hy4正式从预览版升级为正式版,总参数达770B,首次引入原生视觉理解与计算机使用(CUA)能力。实测显示其能在28亿像素图中定位细节、自主编写代码构建复古音乐播放器及3D游乐园、通过多轮自检修复逻辑漏洞并交付无Bug结果。模型已在腾讯云TokenHub等产品上线,权重近期开源,金融与科研领域表现优异。

    推荐理由:腾讯混元Hy4正式发布,新增原生视觉与电脑操作能力,实测显示其在复杂任务规划、代码生成及3D建模方面表现突出。

  3. arXiv · 机器人与计算机视觉35

    Platonic Representations in the Human Brain:无监督恢复通用几何的自监督编码器研究

    该研究利用 Natural Scenes Dataset fMRI 数据,提出一种仅需重复刺激呈现即可从脑数据单独学习受试者特定嵌入的自监督编码器。通过无监督正交旋转实现跨受试者空间对齐并同步至共享潜在空间,无需配对样本或中间模型表示即完成跨主体检索优化。结果证实人类视觉响应表征存在共享几何结构,代码已开源。

  4. arXiv · 机器人与计算机视觉68

    信号存在但预测失败:探究大视觉语言模型中的图表表示

    该论文针对大视觉语言模型在理解图中节点间关系(特别是边)时表现不佳的问题,利用合成数据集进行线性探测实验,发现关于节点和边的信息虽存在于隐藏状态中且可解码,但与最终输出存在差距。研究进一步通过因果干预证实部分内部信号确实影响预测结果,且该结论同样适用于流程图等真实图表场景。

  5. arXiv · 机器人与计算机视觉52

    prNet:基于随机优化的数据驱动相位恢复方法

    该论文提出一种结合朗之万动力学、学习去噪与模型更新的新框架以解决相位恢复问题。框架包含 prNet-Small、prNet-Large 及 prNet-Large-Adversarial 三个变体,分别通过交替投影、并行采样近似 MMSE 解以及对抗训练聚合网络来平衡重建保真度与感知质量。实验显示该方法在多项基准测试中优于经典、深度学习及扩散模型基线。代码与预训练模型已开源。

  6. arXiv · 机器人与计算机视觉7

    口腔鳞状细胞癌早期检测数据集发布后撤回,因脚本错误导致指标差异巨大

    该研究团队发布了首个包含十家印度医疗中心数据的口腔细胞学多源数据集,旨在通过 AI 解决低资源地区的诊断难题。作者经详细实验发现脚本存在严重缺陷,致使论文所述指标与实际运行结果出现重大偏差。鉴于数据误导风险,arXiv 于 2026 年 11 月 9 日将该预印本正式撤回并标注为无效。

  7. arXiv · 机器人与计算机视觉5

    A Theoretical Bridge Between Long-Tailed Recognition and Continual Learning

    该研究在理论上和实证上建立了长尾识别(LTR)与持续学习(CL)的新连接,证明训练不平衡会将模型参数推向主导类解的邻域。基于此,提出的 CLTR 框架利用标准持续学习方法顺序学习头部和尾部类别并缓解灾难性遗忘。在 CIFAR100-LT、ImageNet-LT 等基准测试中,该框架表现优异,其基础模型版本配合 DualPrompt 及 CLIP 骨干网络优于标准适应基线。

  8. arXiv · 机器人与计算机视觉72

    稀疏全层连接器用于域泛化语义分割

    该论文针对多基础模型融合时深度对齐的局限性,提出稀疏全层连接器(SALC),使各层能访问另一模型的前序层并自适应选择稀疏子集。研究引入候选丢弃正则化以增强稀疏性,在四种基础模型组合及三种域泛化设置下展现出更强的泛化能力。代码已开源。

  9. arXiv · 机器人与计算机视觉48

    PSP-DiT:将全景场景程序作为潜变量引入扩散 - Transformer 架构以增强组合提示生成能力

    PSP-DiT 是一种将全景场景程序视为第一类潜变量的扩散 - Transformer 架构,通过联合去噪图像与场景程序潜变量实现对象实例、属性及关系的视觉对齐。该方法在 GenEval 2、SANEval-Simple 等基准上优于强基线,尤其在计数、属性绑定和长结构提示任务中提升显著,同时保持图像质量并仅增加适度推理开销。

  10. arXiv · 机器人与计算机视觉58

    超越地标提取:结构化图像分类中鲁棒几何特征评估框架

    该论文针对结构化视觉任务(如手势识别、表情分类),指出单纯像素空间存在高维噪声问题,提出以地标导出的特征图为核心分析对象,构建包含坐标、距离、角度及混合表示的系统化特征框架。研究通过静态手势识别案例的扰动与消融实验表明,混合几何表示在结合互补几何组件方面表现最优,揭示了特征构造作为建模决策的重要性。代码已公开。

  11. arXiv · 机器人与计算机视觉75

    MEDR:基于多信号事件建模与动态重评分的查询无关帧选择

    论文提出 MEDR 方法,通过组织视觉、运动及文本信号的多源事件并进行动态重评分,构建无需观察查询即可复用的固定帧集。实验表明该方法在 Video-MME 和 LongVideoBench 上表现优异,在 64 帧预算下比最强基线提升 1.33-1.78 个百分点,且支持多轮视频对话中的帧集复用。

  12. arXiv · 机器人与计算机视觉15

    妇科图像分割持续学习中的遗忘深度分析:瓶颈层适应策略研究

    针对妇科影像持续学习中任务差异引发的灾难性遗忘问题,研究通过调整 3D nnU-Net 骨干网络的可训练区域发现,仅适配瓶颈层能在大幅保留旧任务性能的同时有效支持新任务学习。赋予不同模块差异化学习率虽能显著降低部分可训练情况下的遗忘程度,但全量更新骨干网络仍会导致严重遗忘且依赖具体参数变化位置。该工作揭示了模型遗忘不仅取决于参数量级更与允许变化的结构部位密切相关。

  13. arXiv · 机器人与计算机视觉72

    小型四旋翼无人机的车载毫米波雷达动态避障感知

    该论文提出了首个基于毫米波雷达的无人机车载动态避障感知与控制系统,分析了感知范围、相对速度与控制延迟之间的时空边界条件。系统结合轻量级交互多模型跟踪器与直接输出规避加速度的控制屏障函数控制器,在 Raspberry Pi 4B 上实现端到端处理延迟约 14ms,从检测到规避指令的系统总延迟为 75ms。

  14. arXiv · 机器人与计算机视觉35

    Hold-Out Self-Validation 无法认证摄影测量重建精度

    针对缺乏独立精度检查的摄影测量重建,Hold-out self-validation 方法在十组 GNSS 参考航拍及多个基准测试中表现失效。其标准形式在四十个稀疏重建中评分恒定为 1.00,即便相机位置误差高达 5.9 倍或模型仅含一个正确相机时仍无法识别错误。研究结论表明该自验证机制无法替代检查点,且无法发现所有重建重复的误差。

  15. arXiv · 机器人与计算机视觉67

    高精度街景图像视觉定位的精度潜力:FHNW Muttenz 数据集与系统评估

    针对现有公开数据集缺乏满足测绘级要求的真值姿态问题,作者构建了覆盖连续 10 公里街道网络的 FHNW Muttenz 数据集,包含高分辨率参考影像及四相机五场景的查询序列,两期采集数据配准精度达 5mm,图像与参考影像配准后位置误差为 6-9mm、姿态误差低于 0.1°。

  16. arXiv · 机器人与计算机视觉82

    基于潜在黎曼流匹配的几何锚定 3D 基础模型研究

    针对现有几何基础模型(如 VGGT)确定性操作且无法生成超出观测支持的合理几何结构的局限,本文提出在潜在空间直接进行流匹配的方法。该方法利用学习到的 3D 先验,无需显式表示(如高斯、网格或视频 VAE 潜变量),并通过黎曼流匹配尊重潜在空间的几何结构(零均值超球面乘积流形)。

    推荐理由:该方法在几何基础模型的潜在空间直接进行黎曼流匹配,无需显式表示即可生成合理的 3D 几何结构。

  17. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

  18. arXiv · 机器人与计算机视觉62

    SteeringDRL:一种引导扩散表示学习训练轨迹的方法

    论文研究了扩散自编码器训练中重建质量与解耦程度不一致的现象,提出 SteeringDRL 方法结合门控残差 U-Net 和噪声课程来塑造训练轨迹。实验显示该方法在属性解耦基准上表现具有竞争力且种子敏感性降低,并扩展至空间解耦任务以提升无监督分割性能。

  19. arXiv · 机器人与计算机视觉72

    基于野外视频的共享标准物体坐标系涌现方法

    针对跨实例物体姿态表达需统一标准坐标系的难题,本文提出一种无需人工标注或类别条件的方法。通过自监督学习刚性物体的野外视频,利用结构从运动(SfM)提供的噪声相机位姿和特征提取器的语义先验,使模型在共享几何瓶颈中涌现出一致的标准坐标系。该方法在约 160,000 个野外物体视频上训练,在类别级姿态估计基准测试中达到与依赖标准姿态监督方法相当的准确率。代码与检查点已开源。

  20. arXiv · 机器人与计算机视觉62

    TACO:面向视频识别的任务一致开放词汇适应方法

    针对 CLIP 在开放词汇视频识别中的泛化与特化平衡难题,本文指出现有正则化方法忽视了表示偏离训练分布的问题。作者提出 TACO 框架,利用相对结构蒸馏保持 OOD 相关对齐,并通过轻量化专业化投影解耦表示空间与优化空间。该方法在跨数据集及基类到新类设置下取得最先进性能。代码将开源。

  21. arXiv · 机器人与计算机视觉68

    超越基准:面向嵌入式车载硬件的交通标志识别连续边缘推理

    针对部署在嵌入式车载硬件上的交通标志识别系统在流媒体视频中的帧间预测不稳定及负载依赖吞吐问题,论文提出了 Edge-TSR 系统。该系统基于 NVIDIA Jetson Orin Nano,结合稀疏检测、多目标跟踪和轻量级时序稳定机制,在 INTSD 基准源视频上实现了优于所有基线的连续分类性能,并将时序稳定性带来的精度提升量化为 10.58 个百分点。