跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉73

    UniMore:面向统一理解与生成的细粒度监督方法

    该论文针对预训练统一多模态模型在图像生成和文本描述中缺乏细节特异性的问题,提出 UniMore 后训练方法。该方法从图文对的细粒度内容出发,设计两条独立优化的路线:生成路线预测对应短语的 grounded crops 以匹配视觉目标,理解路线结合正样本拟合与对缺失或改变细节的负样本排序。实验显示该方法在多项理解与生成基准上均取得提升。

  2. arXiv · 机器人与计算机视觉83

    Flex-RSI:前沿智能体在视觉与机器人任务中的递归自我改进基准

    Flex-RSI是一个针对视觉和机器人任务的智能体递归自我改进基准。该基准允许智能体在固定预算下利用反馈改进其解决方案及自身架构(包括提示词、工具和记忆)。评测涵盖感知、推理、机器人操作、3D重建等多个领域,发现当智能体构建自身解决方案时自我改进最有效,且编辑执行器本身对增益有显著贡献。

    推荐理由:Flex-RSI基准评测了智能体在视觉与机器人任务中的递归自我改进能力,发现编辑执行器本身对提升效果至关重要。

  3. arXiv · 机器人与计算机视觉48

    SAM3 如何分割三维网格的几何纹理并支持模型编辑与检索

    针对现有方法难以捕捉中高层几何纹理的问题,该方法提出基于 DINO 特征相似度聚类并将纹理区域从 2D 提升至 3D 的分割方案。研究微调了 SAM3 模型以适配三维几何纹理识别任务,同时开发了交互式工具实现基于几何与纹理相似性的模型检索及编辑功能。实验表明该方案在几何纹理分割上显著优于现有方法,可赋能遗产保护、模型编辑和 3D 打印等应用。

  4. arXiv · 机器人与计算机视觉82

    仅需少量梯度符号:视觉语言模型的少样本适应方法

    论文指出视觉语言模型少样本适应时梯度估计存在严重校准偏差,但小幅度梯度的符号仍具信息量。为此提出 SignSparseSGD 和 DynSignSparseSGD 两种无需维护状态、仅利用梯度符号的优化器。

    推荐理由:针对少样本适应中梯度估计噪声大的问题,提出无需维护状态且仅利用梯度符号的优化器,在多项基准上表现优异。

  5. arXiv · 机器人与计算机视觉48

    Measurement-Aware Multimodal LLM 用于无参考低剂量 CT 质量评估

    研究提出基于 Qwen3.8-27B 的测量感知多模态大语言模型,通过结合图像域噪声、锐度等六项百分位测量值来解释评分。在 LDCT-IQA 2023 测试集上,该模型整体得分为 2.735,与重训挑战冠军持平且显著优于零样本基线。将测试时测量的顺序打乱会使分数降低 0.048,主要源于噪声项的影响。

  6. arXiv · 机器人与计算机视觉82

    NanoVDB 引入动态 GPU 体素网格与体素顺序处理技术

    该论文在 arXiv 发布,介绍了对 NanoVDB 数据结构的两项基础改进:动态 GPU 原生拓扑更新和体素顺序访问范式。前者通过位并行算法实现了形态学膨胀、网格合并等动态操作;后者将活跃体素流式传输为线性序列,消除了树遍历需求。这些贡献打破了原有只读限制,使其适用于动态几何过程与仿真,并在三维重建、流体模拟等基准测试中进行了评估。

    推荐理由:原文介绍了动态拓扑更新与体素顺序访问范式,使 NanoVDB 成为动态 GPU 仿真的高性能主表示。

  7. arXiv · 机器人与计算机视觉9

    深度学习算法用于不确定甲状腺结节:与分子检测的比较及组合研究

    针对Bethesda III类甲状腺结节,研究者利用卷积神经网络(CNN)对常规超声图像进行分层,在测试集上模型AUC为0.73,特异性达0.95且阳性预测值高于分子检测。该深度学习模型能识别出低风险的分子阳性结节,辅助决策手术与随访,但结合结节大小和分子结果的逻辑回归并未进一步改善单独模型的输出效果。

  8. arXiv · 机器人与计算机视觉73

    FlowMoP:基于条件流匹配的多人体随机运动预测

    论文 FlowMoP 针对多人体 3D 运动预测中确定性范式的局限,提出了一种联合生成多样化未来运动的条件流匹配框架。该方法通过 B-spline 重参数化压缩生成状态空间并强制时间平滑性,利用双流 Transformer 使每个智能体的预测基于观测到的邻居运动进行交互感知预报。

  9. arXiv · 机器人与计算机视觉73

    分级卷积网络:无尺度下的尺度不变性与抗未知模糊能力

    Tanush Shaska 发布论文提出分级卷积网络(Graded convolutional networks),利用图像高斯射流与退化映射实现尺度归一化,解决未知高斯模糊下的特征提取难题。实验显示该架构在 MNIST 数据集上两像素模糊条件下准确率达 88.4%,优于传统尺度归一化导数网络的 66.2%;在 Lindeberg 网络中则将准确率从 91.5% 提升至 95.1%。

  10. arXiv · 机器人与计算机视觉5

    GRAC:基于图检索增强的手术场景描述框架

    GRAC 提出一种将手术场景表征为图的框架,通过检索相关图文对并比较器械 - 组织交互来生成更富语境的手术描述。在 EndoVis-18 基准测试中,其 CIDEr-D 达 5.88(最强 Transformer 基线为 3.36),器械 - 动作 - 目标三元组准确率提升至 52.6%;在 TORS 数据集上 CIDEr-D 为 5.06。

  11. arXiv · 机器人与计算机视觉53

    BEV3SR:一种基于证据感知的视频三维空间推理方法

    论文介绍 BEV3SR,这是一个无需训练且对骨干网络无关的框架,旨在利用带有相机参数的 RGB-D 视频进行显式的三维空间推理。该方法将视频观测转化为可查询的度量鸟瞰图(BEV)场景记忆,并将每个查询形式化为证据感知的空间任务:若需几何证据则通过几何推理器在指定参考系中计算答案;否则通过视觉证据对齐器检索与物体一致的 RGB 帧以支持 VLM 定位。

  12. arXiv · 机器人与计算机视觉83

    AR-Edit:无需反演的免训练自回归视频编辑方法

    该论文提出 AR-Edit 方法,通过分析 DMD 蒸馏的自回归视频扩散模型的自注意力动态,发现查询键稳定而值特征编码演化内容的不对称性。该方法仅需单次前向传播即可捕获源身份并缓存值特征,在去噪过程中选择性注入,从而在不依赖反演的情况下实现高保真流式视频编辑。

    推荐理由:提出无需训练与反演的视频编辑方法,利用自注意力机制特性实现流式实时编辑。

  13. arXiv · 机器人与计算机视觉18

    轻量级 CNN 目标检测网络在边缘环境部署实现 20 fps 推理与 400 米探测范围

    该研究提出一种专为边缘设备设计的轻量化卷积神经网络,用于识别和分类感兴趣的目标或威胁。模型配备实时热点检测算法,在典型热成像传感器下实现最高 20 fps 的推理速度和超过 400 米的探测距离。经严格测试验证,该网络具备高准确率、高灵敏度及低误报率,适用于监控、安防和目标识别等边缘安全场景。

  14. arXiv · 机器人与计算机视觉45

    Zero-Shot Benchmarking of Unified Multimodal Models for Shallow-Water UAV Image Distortion Assessment and Restoration 评测报告

    该研究首次对五款冻结权重的统一多模态大语言模型进行零样本基准测试,评估其在无参考图像条件下识别浅水无人机影像畸变并恢复的能力。在包含 1000 张图像的基准中,最佳模型的畸变存在检测平衡准确率为 0.654,PSNR 增益为+0.255 dB,但部分模型仍出现幻觉或改变场景结构的现象。结果显示仅凭识别退化并不意味可靠的物理恢复,该工作提供了可复现的未来研究基线。

  15. arXiv · 机器人与计算机视觉48

    TriNetra:热可靠性引导的 RGB-热成像融合与跟踪监视框架

    TriNetra 是一种基于帧级热可靠性系数(TRC)的监视框架,通过自适应门控机制在热传感器饱和或模糊时降低其权重。该方案在 M3FD 基准测试中达到 87.6% 精度和 47.8% mAP@50:95,相比固定门控策略在热流受干扰时将 mAP@50 提升 5.1 个百分点。研究还验证了其在合成基准及 14 个 M3FD 片段上的跟踪性能,并公开了预印本论文与实验代码。

  16. arXiv · 机器人与计算机视觉35

    基于图卷积自编码器的手机 ACL 损伤风险评估模型

    该研究开发了一种完全在智能手机上运行的无监督学习模型,利用姿态估计数据评估前交叉韧带(ACL)受伤风险。模型对 Drop Vertical Jump 和 Single Leg Hop 两项测试的平均敏感性与特异性分别达到 78%、78% 及 75%、74%,支持低成本实时筛查方案的发展。论文发布于 arXiv,属于计算机视觉领域的预印本。

  17. arXiv · 机器人与计算机视觉82

    PoseRieFlow:面向全身文本到姿态生成的黎曼流匹配方法

    作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。

    推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。

  18. arXiv · 机器人与计算机视觉23

    SpconvTransformer 融合卷积与 Transformer 架构实现车辆激光雷达 3D 目标检测

    SpconvTransformer 模型通过融合卷积分支的局部特征与 Transformer 分支的全局上下文,在车辆激光雷达 3D 目标检测和鸟瞰图检测任务中分别达到 81.45% 和 88.09% 的平均准确率。该架构将方向相似度提升至 91.10%,显著优于现有算法,有效解决了三维卷积神经网络感受野受限的问题。论文发表于 CAIBDA 2026,代码与权重暂未提及开放许可。

  19. arXiv · 机器人与计算机视觉58

    面向基类到新类泛化的解耦模式连通性方法

    针对视觉语言模型在优化短提示时基类特化与新类泛化的目标冲突问题,提出解耦模式连通性方法。该方法从基训练提示出发,分别训练特化与泛化提示,并在推理时以固定系数融合文本特征,利用线性模式连通性与视觉锚点 KL 项保持分类损失低及零样本分布稳定。研究论证了正则化器应满足类置换不变性,并在 11 个数据集上验证该方法优于 MergeTune 基线。

  20. arXiv · 机器人与计算机视觉42

    联邦低秩适应视觉变换器面临梯度反转隐私攻击风险及空间锚定防御方案

    研究揭示参数高效微调(LoRA)无法单独防止联邦学习中的私有数据泄露,因低秩更新削弱了服务器可用的梯度信号。论文提出一种结合可训练位置嵌入的空间锚定生成反演框架,在 CIFAR-10、CelebA 和 CARS 数据集上将重建图像 PSNR 提升 7.83-10.14 dB。该工作表明需精心设计位置嵌入以暴露并防御隐私信息泄露风险,相关成果已获 WACV 2027 接收。

  21. arXiv · 机器人与计算机视觉42

    CRTrack-Cap:跨视角稠密视频目标描述新基准与基线框架

    CRTrack-Cap 构建包含 425 条全局轨迹和 335 个身份的标准描述,解决多相机视图独立处理导致信息割裂的问题。研究团队提出结合 VECA 关联与 CEG 证据门控的参考框架,在跨域测试中 CV-CHOTA 得分达 33.48。该基准为计算机视觉领域提供了统一的跨视角轨迹描述方案及强基线模型。

  22. arXiv · 机器人与计算机视觉21

    Dual-Region Slice Aggregation 用于 CT 基肾肿瘤分类

    该研究提出一种区域感知架构,通过分离池化肿瘤与周围组织特征并融合放射组学,在 KiTS23 及外部测试集上分别实现 0.8078±0.0154 和 0.9094±0.0015 的 AUC。相比单肿瘤读出基线,该方法使平均 AUC 提升 1.50 至 2.34 个百分点,验证了区域读出与切片聚合在适配冻结视觉特征中的联合作用。论文已提交 IEEE ISBI 2027,代码与数据许可状态待定。

  23. arXiv · 机器人与计算机视觉72

    基于扩展卡尔曼滤波的改进学习型惯性里程计方法

    针对四旋翼飞行器在未见轨迹上姿态估计泛化性不足的问题,该研究提出一种改进的学习型惯性里程计方法。通过采用机体坐标系表示并融入扭矩动力学至学习流程,模型预测短时相对位移并与 IMU 测量融合进扩展卡尔曼滤波中。实验表明该方法在公开数据集上的速度误差低于现有最先进方法,且源自旋翼信号的扭矩输入信息量最大。代码、数据管道及训练好的模型均已公开。

  24. arXiv · 机器人与计算机视觉73

    MViS:基于多移动相机的视频拼接方法

    针对多自由移动相机的场景几何对齐问题,本文提出轻量级测试时优化框架 MViS,通过空间变换器网络联合处理多视图帧以预测单视单时的单应矩阵。该方法在几何引导对齐与外观细化两阶段中均约束多视图与时序一致性,无需场景特定超参数调优且对快速相机运动鲁棒。在标准双视角基准上表现优异,并引入首个包含多个自由移动相机的标注数据集以支持复杂场景评估。

  25. arXiv · 机器人与计算机视觉38

    多模态知识牵引训练提升视频异常检测性能

    针对弱监督视频异常检测任务,该方法利用大语言模型与文本提示建立先验信息,并通过字典学习压缩数据以增强鲁棒性。实验发现图像描述存在不一致,因此引入辅助信息确保相似帧描述的文本一致性。最终提出的特征处理方案结合跨模态注意力机制,在准确性与稳定性上超越现有最先进方法。

  26. arXiv · 机器人与计算机视觉72

    ExQuery:用于时序 3D 目标检测的显式结构化查询先验

    论文 ExQuery 针对稀疏查询基 3D 检测器统一编码异构信息的局限,提出显式结构化查询框架。该方法将解码后的查询组织为共享语义上下文切片与中心、尺寸、朝向及速度等物理状态特定切片,并在从编码到分支回归的过程中保持该结构以重构时序查询。实验在 nuScenes 基准上展示了具有竞争力的检测性能,消融研究验证了所提模块的有效性。

  27. arXiv · 机器人与计算机视觉28

    RadarDINO:将视觉基础模型蒸馏至毫米波雷达以实现人体网格重建

    RadarDINO 框架通过校准的 RGB-雷达几何将 DINOv3 描述符转移至雷达体素,引入显式几何监督与顶点关节损失以约束重建形状。该方法在 M4Human 数据集上优于所有三个评估分支的最先进基线,解决了稀疏点云信息丢失及原始张量缺乏细粒度语义的挑战。

  28. arXiv · 机器人与计算机视觉58

    EPAR:面向多模态工业异常检测的嵌入预测适应与细化方法

    论文提出 EPAR 方法以改进基于记忆库的多模态工业异常检测性能。针对冻结预训练编码器导致的域差距及现有对比学习难以捕捉空间关系的问题,该方法通过预测掩码区域的嵌入来适应编码器,并结合 VIC 正则化提升判别力;同时利用噪声抑制网络细化粗糙的像素级异常图,仅学习特征与最近正常原型的差异而非外观本身。

  29. arXiv · 机器人与计算机视觉58

    V-STORM:面向忠实细粒度时空视频推理的结构感知 grounded 思维链数据集

    针对多模态大模型难以进行细粒度时空推理且现有评估掩盖了证据整合瓶颈的问题,作者提出了 V-STORM 框架,将视频转化为时空场景图并推导出自验证的证据路径。该工作构建了包含 260K 样本的训练集和 3K 人类验证基准,所有数据均带有链接到显式时空证据的 grounded 思维链(GCoT)标注。实验表明微调后模型在答案准确率和证据忠实度上均有显著提升,相关数据集、基准及代码将公开开源。

  30. arXiv · 机器人与计算机视觉31

    BEiTScore++:基于 BEiT-3 与校准分位回归的免参考图像描述评估

    BEiTScore++ 提出一种结合 BEiT-3 与校准分位回归的不确定性感知图像描述评估指标,在保持排名相关性的同时提供更紧密跟踪预测误差的置信区间。该工具能在图像退化或跨域艺术图场景下自动增大不确定性估计,为真实部署中的图像 - 描述对齐评估提供实用支持。

  31. arXiv · 机器人与计算机视觉78

    CucumberVision 在边缘端的精度、吞吐与能耗:Jetson Orin Nano 与 Raspberry Pi 4 实测

    该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。

    推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。

  32. arXiv · 机器人与计算机视觉59

    基于跨注入的左右一致迭代立体匹配方法

    针对现有立体匹配模型仅预测左视图视差导致左右不一致的问题,作者提出一种轻量级跨注入扩展方法。该方法在迭代细化阶段将显式的左右不一致性作为额外输入线索耦合两次推理过程。实验表明,该方法在所有基准测试中显著降低了左右不匹配度(Booster 数据集上降低超过一半),同时保持锐利的物体边界,并减少了单视图视差误差。该论文已被 WACV 2027 接收。

  33. arXiv · 机器人与计算机视觉4

    ImageCLEFmedical 2026 GANs 任务综述:指纹检测、隐私泄露与合成医学图像生成

    ImageCLEFmedical 2026 GANs 任务在第四版中新增三个子任务,涵盖检测训练用真实图像、识别潜向量及生成保护隐私的 CT 切片。37 支队伍注册参赛,其中 10 支提交运行结果并基于 Cohen's Kappa、匹配准确率及 FID/PPS 指标评估。论文提供真实与 GAN 生成的肺 CT 数据集基准及工作笔记全文。

  34. arXiv · 机器人与计算机视觉31

    循环细化在医学图像分割中的作用研究

    针对小样本与成像伪影导致的分割网络性能下降问题,研究者在骨干网络中引入轻量级循环细化模块(含 CRFs、Hopfield 网络和卷积 GRU)。实验基于 Kvasir-SEG 和 ARCADE 数据集验证,新增参数少于 1.5%,在干净数据上提升最高 1.4 个百分点,噪声环境下提升高达 17 个百分点并降低 HD95。代码已公开于指定链接供复现。

  35. arXiv · 机器人与计算机视觉49

    Paste2Place:基于物理引导的一步图像合成模型发布

    Paste2Place 是一个端到端的流式模型,通过显式的反照率 - 阴影残差分解实现从粘贴输入到真实合成的直接一步转换。该工作构建了包含 86,273 个训练对和 1,500 个示例基准的 Blender 渲染及开源数据管道以支持训练与评估。实验表明,该方法在图像合成质量和推理速度上均取得显著优势,填补了大规模高质量数据集与评测基准的空白。

  36. arXiv · 机器人与计算机视觉38

    SPSC:通过语义保持与子空间校准实现零样本跨受试者脑电图像重建

    SPSC 框架利用对象掩码对比正则化(OMCR)和子空间候选门控(SCG),在无需目标标签或嵌入的情况下提升跨受试者脑电到图像的无监督重建效果。该模型在 THINGS-EEG 数据集留一受试者验证设置下,将 CLIP 相似度从 0.552 提升至 0.713,Alex.5 得分从 0.612 提升至 0.745。研究证明了语义校准条件在无监督推理中支持目标主体生成的有效性。

  37. arXiv · 机器人与计算机视觉58

    RegNC-Mamba3:基于非因果状态空间原则的共享结构特征学习用于多模态图像配准

    论文针对多模态图像配准中共享结构特征提取的挑战,提出了一种名为 RegNC-Mamba3 的新方法。该方法利用改进的非因果状态空间原则(NC-SSP),通过消除积分计算对扫描路径的依赖并构建全局隐藏状态,实现了比原始 Mamba-3 更宽的接收野和更高效率。

  38. arXiv · 机器人与计算机视觉78

    YOLO 关键线检测:面向视觉起降的跑道感知方法

    针对关键点易受遮挡和截断的问题,本文引入物体关键线检测任务,预测每个实例的固定语义有序无限直线集。研究扩展 YOLO 以支持连续 Hesse-normal 形式的参数化输出,并定义物体关键线相似度(OKLS)作为评估指标与回归损失。在视觉起降的跑道感知实验中,该方法在四种线参数化方案中检测精度最高,且能直接集成到标准 YOLO 头中而不降低关键点性能或增加显著延迟。

    推荐理由:提出基于 YOLO 的物体关键线检测框架,在跑道感知任务中实现高精度且无额外延迟。