跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉72

    Text-Driven Fusion for Infrared and Visible Images: Achieving Image Scene Adaptation on Hyperbolic Space

    该论文介绍了一种由文本驱动的红外与可见光图像融合框架,利用双曲流形学习解决欧氏空间方法在语义层次和距离度量上的局限。训练阶段使用 BLIP 提取的文本提示作为拓扑锚点,通过双曲嵌入自然适应不同粒度语义,并利用庞加莱球的负曲率特性避免纹理失真;推理阶段无需输入文本即可自适应融合内容。实验表明该方法在基准数据集上优于现有最先进方法,代码已开源。

  2. arXiv · 机器人与计算机视觉5

    GELS 系统实现内窥镜医疗工具的闭式 6-DoF 位姿估计

    GELS 系统利用紧凑磁强计阵列,无需预校准场图即可通过欧拉齐次关系实现内窥镜医疗工具的内窥导航与亚级偶极子定位。基准实验验证了该闭式 6-DoF 定位流程,求解器中位运行时间为 172.00 微秒。扰动分析指出传感器不一致性与偶极模型失配是主要精度限制因素。

  3. arXiv · 机器人与计算机视觉78

    EGOSTREAM:面向第一人称视觉的流式情节记忆诊断基准

    EGOSTREAM 是一个用于评估第一人称视觉中连续情节记忆的流式基准测试工具。该基准包含 2,250 个精心策划的问题,覆盖细节、空间、时间、事件、社会、因果及前瞻性记忆七个认知维度,并引入答案有效时间窗(AVW)机制以区分模型遗忘与世界状态变化。

    推荐理由:该基准通过引入答案有效时间窗和统一流式多模态框架,揭示了当前记忆管理策略在细粒度细节与长时回忆上的显著差异。

  4. arXiv · 机器人与计算机视觉72

    SliceWorld:一种用于 CT 报告生成的预测性与可控世界状态模型

    SliceWorld 是一种针对 CT 报告的专用世界状态框架,将轴向 CT 扫描视为沿 z 轴的有序序列。该模型通过编码前缀证据为包含解剖、病变和不确定性组件的因子感知潜在状态,并将其投影为世界令牌,用于多步未来切片特征预测、病变因子干预及基于大语言模型的报告生成。

  5. arXiv · 机器人与计算机视觉68

    概率守恒流引导:一种改进扩散与流模型生成质量的新方法

    针对扩散和基于流的生成模型中,Classifier-Free Guidance 等启发式线性组合忽略生成流形几何、导致样本偏离学习流形的问题,本文通过连续性方程分析证明发散项在采样接近数据流形时会结构性爆炸。为此提出自适应流引导(AdaMaG)规则,同时处理发散项与分数平行项,无需额外推理成本即可提升图像生成的真实感并减少伪影。材料为 arXiv 预印本,未提及同行评审状态或开源代码仓库。

  6. arXiv · 机器人与计算机视觉67

    DiRotQ:面向 4-bit 扩散 Transformer 的旋转感知量化方法

    论文介绍 DiRotQ,一种 W4A4 后训练量化框架,利用主成分分析识别低秩子空间并保留系数精度,结合 GPTQ 权重量化实现高效推理。在 PixArt 模型上 FID 为 15.9、PSNR 为 19.1 dB,优于 SVDQuant;引入 VLM-as-a-Judge 评估协议以全面衡量感知质量与提示对齐能力。

  7. arXiv · 机器人与计算机视觉35

    Geospatial Foundation Models 领域缺乏统一标准,arXiv 论文审计揭示评估与权重发布现状

    针对地理空间基础模型(GFMs)评估不标准化、权重未开放及预训练配置混乱的现状,一项涵盖 152 篇论文的审计发现近半数研究未发布模型权重且存在大量跨论文结果分歧。作者提出六项具体期望以解决社区协调失败问题,旨在建立共享理解与改进路径,而非指责特定实验室。该工作为 cs.CV 领域提供了明确的标准化行动建议。

  8. arXiv · 机器人与计算机视觉52

    ObjView-Bench:重新思考以物体为中心的视图规划的难度与部署

    ObjView-Bench 是一个用于评估以物体为中心视图规划的新基准框架,旨在解决现有评测混淆物体复杂度、规划难度假设及物理可达性约束的问题。该工作将视图规划评估解耦为三个独立量:作为物体侧属性的全向自遮挡、观测饱和难度以及通过集合覆盖公式定义的协议依赖型规划难度。

  9. arXiv · 机器人与计算机视觉43

    Diffusion Transformers 如何检测并抑制风险内容:一种无需训练的推理时防护方法

    针对扩散 Transformer 模型生成色情、暴力及版权侵权等风险内容的难题,研究提出了一种无需训练即可在推理阶段生效的防护方案。该方法通过量化注意力头的敏感度构建“注意力头向量”作为判别特征,并利用动量策略动态追踪与自适应抑制高风险 Token 的逻辑值。实验表明,该技术在有效压制各类有害内容并抵御对抗性提示的同时,显著保留了图像生成质量且具备跨模型泛化能力。

  10. arXiv · 机器人与计算机视觉54

    局部内在维度揭示扩散模型中的幻觉现象

    该论文提出将扩散模型的结构性幻觉视为流形上的不稳定性,并识别出局部内在维度(LID)是其主要驱动因素。作者提出了“内在淬火”(Intrinsic Quenching, IQ)机制来降低 LID 以缓解幻觉。实验表明该方法在多项基准测试中均优于标准基线,特别是在医疗成像等需要解剖一致性的下游任务中具有潜力。

  11. arXiv · 机器人与计算机视觉62

    从点到目标:在线前景亲和与背景学习用于红外小目标检测

    针对红外图像中微弱目标在复杂背景下易产生误报的问题,本文提出 OABL 框架,利用标注的稀疏点直接学习目标结构并优化背景负样本,避免生成伪掩码。该方法在三个公开数据集及 SIRST3 基准上,相比 PAL 训练将检测概率提升 1.06--7.82 个百分点,同时将误报区域率控制在 $2 imes 10^{-5}$。

  12. arXiv · 机器人与计算机视觉42

    Source-Free Domain Adaptation with Vision-Language Prior:DIFO++方法实现无源域自适应

    DIFO++方法首次利用CLIP等现成视觉语言模型,通过提示学习与知识蒸馏解决仅有无标签目标数据的领域自适应难题。该方法聚焦特征纠缠的“差距区域”生成可靠伪标签并减少语义差异,在IJCV期刊发表且代码数据已开源。实验表明DIFO++显著优于现有最先进替代方案。

  13. arXiv · 机器人与计算机视觉15

    Deep Learning-Based Tracking and Lineage Reconstruction of Ligament Breakup 提出两阶段深度学习框架,实现液膜破裂中配体与液滴的追踪及谱系重建

    该研究针对高速阴影成像中液膜破裂的多尺度瞬态动力学难题,提出包含 Faster R-CNN 检测器与 Transformer 增强多层感知机的两阶段框架。在 Carbopol 凝胶射流实验数据上,该方法通过形态保持的合成数据生成策略,在十四种配置下达到最高 0.872 F1 分数;第二阶段模型在严重类别不平衡下对破裂事件实现 86.1% 准确率、93.2% 精确率和完美召回率。

  14. arXiv · 机器人与计算机视觉48

    HyDRA:混合域感知鲁棒架构提升异构协作感知性能

    HyDRA 提出一种免训练框架,利用轻量级分类器区分同质与异质智能体并自适应选择融合策略,结合锚点引导位姿图优化以缓解定位误差。实验显示该方法在架构异质性下匹配最先进水平,且在潜在域异质性下将 [email protected] 较晚融合提升近 25%。该工作已接受发表于 WACV 2027。

  15. arXiv · 机器人与计算机视觉45

    SimpliHuMoN:简化人类运动预测的端到端 Transformer 模型

    SimpliHuMoN 提出一种基于自注意力模块的端到端 Transformer 模型,无需任务特定修改即可统一处理姿态、轨迹及联合预测。该模型在 Human3.6M、AMASS、ETH-UCY 和 3DPW 等多个基准数据集上取得最先进结果。论文已获 NeurIPS 2026 接收,代码与数据开放许可情况需参考原文附录。

  16. arXiv · 机器人与计算机视觉38

    Attachment Anchors:腹腔镜结肠手术抓持点预测新框架

    针对微创手术中组织操作复杂且结肠手术研究不足的难题,该工作提出 attachment anchors 结构化表示法,通过归一化局部几何与机械关系降低预测不确定性。在包含 90 例结肠手术的实测数据集上,该方法相比仅用图像的基线显著提升了抓持点预测精度,尤其在未见过的术式和主刀医生等分布外场景下增益尤为明显。结果表明该中间表示是学习驱动的结肠手术组织操作的有效方案。

  17. arXiv · 机器人与计算机视觉42

    Remote Sensing Change Detection via Weak Temporal Supervision 方法利用现有单时相数据扩展观测,无需新标注实现遥感变化检测

    该方法通过引入额外时间观测并利用“真实双时相对大多无变化”的假设生成弱标签,结合对象感知变化图与迭代 refinement 处理噪声。在 FLAIR 和 IAILD 数据集扩展版上验证了零样本及低数据 regime 下的竞争力,并在法国大范围区域展示了可扩展性潜力。论文已接受发表于 WACV2027,代码与权重开放许可情况需查阅原文。

  18. arXiv · 机器人与计算机视觉72

    OpenView:赋予 MLLMs 图像外视觉问答能力

    论文提出了 OpenView,这是首个研究图像外(OOV)理解能力的框架,旨在让多模态大语言模型推理可见帧之外的物体、活动与场景。该方法包含四阶段流程,利用全景图像合成大规模多样的多选 VQA 数据,并构建了 OpenView-Dataset 数据集和 OpenView-Bench 基准以评估选择准确率与推理合理性。

  19. arXiv · 机器人与计算机视觉27

    ReefNet:珊瑚礁细粒度识别数据集与基准评测

    ReefNet 整合约 92.5 万硬珊瑚标注及独立采集的 Al-Wajh 数据,构建含 39 个分类标签的 47.9 万样本基准。预训练模型在零样本任务中表现最佳,DINOv2 在 Al-Wajh 测试集上宏观召回率达 65.79%。该资源旨在解决长尾识别与地理分布不均挑战,Al-Wajh 作为区域压力测试而非全球鲁棒性证明。

  20. arXiv · 机器人与计算机视觉63

    PolSAM:基于极化散射机制的 Segment Anything 模型

    针对极化合成孔径雷达(PolSAR)数据处理难、特征提取网络能力受限的问题,本文提出 PolSAM,一种融合领域特定散射特性的增强型 SAM 模型。该方法引入微波视觉数据(MVD)表示,并设计特征级与语义级两种融合提示策略以解决模态不兼容及优化分割提示。实验在 PhySAR-Seg 数据集上验证了其在精度、存储与推理速度上的优势。代码与数据将公开提供。

  21. arXiv · 机器人与计算机视觉38

    Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data 论文被 CVPR 2025 接收

    针对糖尿病视网膜病变分级中的域偏移及模型缺失挑战,研究提出 GUES 方法,通过变分自编码器生成扰动实现数据中心自适应。在冻结与可训练模型的基准上广泛实验表明,该方法在小批量条件下仍具鲁棒性且优于传统迁移学习方案。该论文已被 CVPR 2025 接收,代码或权重开放许可情况原文未详述。

  22. arXiv · 机器人与计算机视觉72

    Source-Free Domain Adaptive Object Detection with Semantics Compensation 论文发表

    该研究针对无源域自适应目标检测方法中强数据增强可能擦除类别相关特征的问题,提出弱到强语义补偿(WSCo)方法,利用弱增强图像作为锚点丰富强增强特征的语义空间。实验验证了该方法在标准基准上的有效性,且可作为通用插件集成至现有流程。论文已被 Pattern Recognition 期刊接收。

  23. arXiv · 机器人与计算机视觉43

    Stay on the Manifold:分层贝叶斯轨迹流形采样方法实现稀疏目标重建与采样

    HB-TPM 方法通过从有序源任务学习平滑曲线族,成功适应稀疏观测下的轨迹结构。在 30 个独立向量任务中,其将平均切片-Wasserstein 距离较源适配 VAE 降低 21.0%-41.8%;基于 100 条模拟光子记录测试显示,相比仅拟合目标或预测源均值,该方法分别使轨迹均方根误差降低 50.2% 和 23.6%。

  24. arXiv · 机器人与计算机视觉57

    Flow-Guided Target-Space Alignment via Path Consistency:一种基于路径一致性的目标空间对齐方法

    论文提出了 FlowAlign 方法,将条件流匹配重用于训练时的对齐信号而非推理时的传输模型,以引导源侧表示与固定目标空间对齐。该方法在保持实例级对应关系的同时兼容全局目标空间结构。理论分析表明其通过控制端点精度和捕捉局部几何来改善配对对应性。实验涵盖合成数据、配对单细胞多组学基准及图像 - 文本对齐任务,结果显示其在不同模态设置下均能提升实例级对应并保留目标空间结构。

  25. arXiv · 机器人与计算机视觉12

    GEDI 地形模型超分修正:轨道级有效但观测级不匹配

    针对国际空间站 GEDI 任务约 10 米的地形定位误差,研究将全球 30 米分辨率数字高程模型超分辨至 1 米以替代稀缺的航空激光雷达数据。在日本西部陡坡森林实验中,轨道级单偏移修正结果与航空激光雷达基准基本一致,但观测级逐点修正因输入模型误差无法抵消而不匹配。结论表明若无 1 米分辨率数据,融合全球数据的超分辨 10 米模型仍可实现有效的轨道级位置校正。

  26. arXiv · 机器人与计算机视觉45

    AdaptivePnP:自适应参数调优的图像去卷积插件式框架

    AdaptivePnP 提出一种联合估计噪声水平与步长的 PnP 框架,通过可识别最大似然估计器解决传统网格搜索需重调参的问题。该方法在图像去模糊和超分辨率任务中匹配或优于真参数基线,无需已知噪声水平或手动调优步长。代码已开源,论文已提交至 IEEE Transactions on Computational Imaging。

  27. arXiv · 机器人与计算机视觉58

    ROSE:面向多模态大模型终身知识编辑的风险感知正交子空间导航框架

    针对多模态大语言模型在连续事实更新中面临的局部侵蚀和灾难性遗忘问题,本文提出了 ROSE 框架。该方法通过限制参数更新至先前编辑子空间的正交补集来缓解遗忘,并引入动态计算的风险掩码以保护维持模型稳定性的关键事实参数子空间。

  28. arXiv · 机器人与计算机视觉45

    AnimWeb-Bench:首个从视频生成动画网页代码的基准评测

    AnimWeb-Bench 是首个针对从视频重建完整动画网页的代码生成基准,包含 124 个涵盖 7 大领域和 33 种动画类型的真实网页。该基准通过静态外观保真度与动画保真度两个维度评估多模态大语言模型(MLLM)及编码智能体,发现显式帧检查与渲染反馈能显著提升代码智能体的重建质量。相关代码与数据集已公开,旨在填补现有评测仅关注静态截图或孤立动效的空白。

  29. arXiv · 机器人与计算机视觉78

    超越分割:为 ImageCAS 数据集增加窦口地标、根植中心线图及开放权重定位模型

    该研究针对现有公开冠状动脉窦口标注缺失或仅隐含的问题,为最大的公共冠状动脉分割数据集 ImageCAS(涵盖1000名患者)补充了精确的窦口标注与基于这些新地标生成的中心线图。

    推荐理由:该工作为最大的冠状动脉分割数据集 ImageCAS 补充了窦口标注与根植中心线图,并验证了开放权重模型在定位任务上的性能。

  30. arXiv · 机器人与计算机视觉83

    A Stochastic Latent Variable Generalization of Joint-Embedding Predictive Architectures

    该论文提出了 S-JEPA 模型,将联合嵌入预测架构中的辅助变量 z 从固定确定性 token 扩展为随机潜变量。通过训练时学习后验分布和推理时使用上下文条件先验分布,该方法在无需解码器和重建的情况下实现了掩码图像预测。研究结果表明,引入随机性不仅保持了与确定性 I-JEPA 相当的表征质量,还显著提升了错误相关的预测不确定性和生成结果的多样性,并输出了空间结构化的不确定性图。

    推荐理由:提出将辅助变量改为随机潜变量的 S-JEPA,在保持表征质量的同时提升预测不确定性估计与生成多样性。

  31. arXiv · 机器人与计算机视觉58

    EventHOI:面向智能眼镜的事件驱动资源高效手物交互日志记录

    该论文提出 EventHOI 系统,通过耦合选择性 RGB 捕获与手物交互感知编码,利用低功耗事件传感器确定何时需要 RGB 采集及何处保留视觉细节,并结合 IMU 自运动消除以指导触发与压缩。原型系统在 50 小时基准测试中相比纯 RGB 基线降低后端功耗 5.8-10.4 倍、上行带宽 2.9 倍,且交互识别精度损失极小,使智能眼镜通过 BLE 稳定传输视频成为可能。