跳到正文
11月6日周五
  1. arXiv · 机器人与计算机视觉21

    Gaussian Light Field Splatting:一种用于低光照图像增强的物理先驱驱动视觉 Transformer

    GLFS 模型通过引入二维高斯泼溅(2DGS)的连续光场先验作为显式物理偏差,解决了主流视觉 Transformer 在复杂非均匀光照下缺乏物理建模的问题。该方法利用各向异性高斯基函数叠加表示场景照明,并辅以色向量角损失和亮度边缘损失以抑制色彩偏移与结构退化。消融研究与定量评估证实,GLFS 在光照校正、结构保持及感知质量方面均取得了具有竞争力的整体性能。

  2. arXiv · 机器人与计算机视觉28

    Player Disjoint Multi-Task Tennis Stroke Analysis from Monocular Pose Sequences 预印本发布

    该研究提出端到端框架,利用单目 RGB 视频分析网球技术,通过 Clean LOPO v2 在 7 名球员上验证。动能事件检测器 F1 达 85.65%,方向识别较静态基线 Macro-F1 提升 17.9%。工作提供负向消融与极限作为基于姿态的教练基准,代码与数据未开放。

  3. arXiv · 机器人与计算机视觉52

    VLM 能否看见传感器感受到的障碍?——基于街景图像的轮椅无障碍评估可扩展专家引导设计

    本文研究视觉语言模型(VLM)是否能从 Google 街景图像中识别潜在的无障碍障碍。作者提出一种结合街景、ADA 指南和专家评分标准的检索增强框架,并在佛罗里达大学收集了连接 407 个 GPS 位置与轮椅停留行为的数据集。

  4. arXiv · 机器人与计算机视觉65

    Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback

    该论文针对文生图模型存在的局部细微失败问题,提出结构化缺陷定位(SDG)框架,将诊断转化为包含位置、类型、原因及重要性的元组集合预测。作者构建了包含 30K 图像的 SDG-30K 数据集及专用评测协议 SDG-Eval,并设计了基于视觉语言模型的检测器与 BoxFlow-GRPO 奖励转换机制以支持模型对齐。实验表明该方法在结构化缺陷定位上优于主流专有模型,并能有效改善生成质量。

  5. arXiv · 机器人与计算机视觉67

    Grace-BEV:一种在传感器故障下保持鲁棒的 BEV 感知框架

    针对多模态鸟瞰图(BEV)感知模型对传感器损坏高度脆弱的痛点,论文提出 Grace-BEV 轻量级框架。该框架在 Lift-Splat-Shoot 检测器中引入 LiDAR 引导的图像 -BEV 专家与独立的视觉专家,通过 TrustGate Router 学习样本级混合输出,并利用 FailSafe Fusion Block 进行重校准。

  6. arXiv · 机器人与计算机视觉74

    SKILD:一种统一的尺度不变扩散模型用于图像生成与连续超分辨率

    该论文提出了 SKILD 模型,利用自然图像和物理系统的尺度不变性,在单一无条件框架下统一了图像生成与连续超分辨率任务。通过仅改变起始时间步即可实现从粗到细的恢复,无需特定架构、条件分支或针对每个缩放因子重新训练。

  7. arXiv · 机器人与计算机视觉72

    无需假分数网络的分布匹配蒸馏方法

    该论文提出FSF-DMD方法,为具备流图结构的生成器提供分布级校正,替代了传统DMD依赖的辅助假分数网络以降低显存开销。研究基于扰动假设推导出生成器诱导的代理项,并扩展至反向模拟与从头训练变体。在ImageNet-1K 256x256实验显示,该方法在预训练初始化及从头训练中均能与现有DMD基线竞争。

  8. arXiv · 机器人与计算机视觉72

    基于图像点跟踪的运动线索用于 LiDAR 场景流估计

    该论文提出 TrackCue 框架,旨在解决自监督 LiDAR 场景流估计中依赖几何证据导致伪标签在稀疏或遮挡区域不可靠的问题。方法将密集图像轨迹转移为可靠的动静区分监督,通过视觉一致的运动补偿策略剔除瞬态跟踪误差,并将图像空间物体运动线索关联至 LiDAR 点进行标签细化。材料仅包含 arXiv 预印本及摘要,未报告真实部署结果或具体实验性能数据。

  9. arXiv · 机器人与计算机视觉42

    EgoKit:面向异构设备的统一低成本第一视角数据采集工具包

    EgoKit 工具包在 Android、iPhone、iPad 等六种异构设备上实现了统一的 Egocentric 视频录制工作流,并支持头姿与 OpenXR 标准手部追踪。基于该工具采集的 HumanEgo 数据集经仿真验证,策略在 100 个未见布局中完成立方体放置任务的成功率为 60%-74%,表现接近 Project Aria 数据训练的效果。代码已开源供机器人学习与具身智能研究使用。

  10. arXiv · 机器人与计算机视觉8

    Characterizing universal object representations across vision models 研究视觉模型通用表征

    该研究将 162 个不同架构、目标函数及数据集训练的视觉模型的物体相似性结构分解为非负维度,发现通用维度更受概念图像属性驱动且能更好预测猕猴 IT 神经元活动与人类相似度判断。实验表明架构差异或模型性能无法解释通用维度的涌现,揭示了可解释性与语义内容作为驱动跨模型普遍性的隐性因素及其对生物视觉对齐的意义。

  11. arXiv · 机器人与计算机视觉72

    Taming the Entropy Cliff:用于自回归视觉生成的可变码本大小量化

    论文针对离散视觉分词器中固定码本导致有限数据熵预算快速耗尽的问题(即“熵悬崖”现象),提出可变码本大小量化方法,使码本容量沿序列单调增长。该方法在保持标准自回归 Transformer 训练流程不变的情况下,将 ImageNet 256x256 生成的 gFID 从固定码本的 18.16-27.98 降至 14.80(无 CFG),并在 6.84 亿参数规模下达到 1.71。

  12. arXiv · 机器人与计算机视觉75

    HiddenObjects:基于扩散模型的物体放置可缩放空间先验提取

    论文提出通过从文本条件扩散模型蒸馏知识来学习自然场景中物体的显式类条件化空间先验,以解决现有方法依赖稀疏标注或引入伪影的问题。作者构建了 HiddenObjects 数据集,包含跨越 2.7 万场景和物体类别的 2700 万个边界框标注(其中 200 万个为正样本)。

  13. arXiv · 机器人与计算机视觉75

    通过权重空间算术实现零样本量化

    该研究提出利用从源任务提取的‘量化向量’来修补目标模型,从而在不进行接收端量化感知训练的情况下,将 3 位量化的 Top-1 准确率提升最高达 60%。该方法在多个视觉与语言模型及超过 30 个任务上均显示出显著增益,且无需接收方验证数据即可实现零样本、低成本的极低比特部署。论文还严格证明了量化向量的良定义性及其不受重参数化对称性的影响,并从局部几何角度解释了其作用机制。

  14. arXiv · 机器人与计算机视觉70

    BALD-SAM:一种基于分歧的交互式分割主动提示方法

    该工作提出 BALD-SAM 框架,将贝叶斯主动学习中的分歧度量应用于 SAM 模型的主动提示选择。通过冻结主干网络并仅在小预测头进行不确定性建模,实现了大规模基础模型的可计算不确定性估计。该方法在涵盖自然、医疗、水下和地震领域的 16 个数据集上表现优异,在 14 个基准测试中排名前二,且在薄物体和复杂结构分割任务中超越人工提示及理想提示基线。

  15. arXiv · 机器人与计算机视觉72

    Less is More:紧凑 Token 掩码特征预测用于骨架表示学习

    针对现有骨架表示学习方法存在对比学习忽略细节、掩码自编码器依赖密集坐标重建的局限,本文提出 SLiM(Skeleton Less is More)框架。该方法通过共享编码器统一掩码特征预测与对比学习目标,摒弃解码器并采用教师引导的特征预测机制,有效降低对密集 Token 化的依赖。

  16. arXiv · 机器人与计算机视觉12

    MOO:面向视角分析的牛只重识别多视图观测数据集

    MOO 是一个包含 12.8 万张标注图像的大规模合成 AG-ReID 数据集,涵盖 1000 头牛只在 128 个均匀采样视角下的数据。研究量化了高度影响并发现关键阈值,证明合成几何先验能有效缩小域差距。该数据集在零样本和监督设置下验证了对四个真实世界牛只数据集的迁移性,现已公开可用。

  17. arXiv · 机器人与计算机视觉18

    PerASCD 模型在遥感影像语义变化检测中实现新最先进水平

    PerASCD 基于遥感基础模型 PerA,通过级联门控解码器与软语义一致性损失解决伪变化问题。该方法在 SECOND 和 LandsatSCD 数据集上分别取得 26.11% 和 65.21% 的 Sek 分数,超越此前最佳结果并具备优异数据效率。论文已接受发表于 IEEE JSTARS,代码开源。

  18. arXiv · 机器人与计算机视觉70

    AI 生成图像检测器利用全局伪影:来自修复交换的证据

    现代扩散式修复虽能实现局部操作,但现有 AI 生成图像检测器主要依赖生成管线引入的全局伪影而非识别合成内容本身。作者提出一种无需模型访问的‘修复交换’诊断方法,通过恢复编辑区域外的原始像素来保留合成内容,该方法使商用 API 和偏差感知方法的准确率大幅下降至接近随机水平。

  19. arXiv · 机器人与计算机视觉42

    医疗影像 AI 竞赛缺乏公平性:数据集代表性不足与许可限制阻碍临床转化

    研究评估了 249 项生物医学图像分析挑战,发现其数据集在地理分布、成像模态和问题类型上代表性有限。尽管榜单成绩显著,但受限的访问条件、不合规的许可及文档缺失严重制约了可复现性与长期复用。这些系统性缺陷暴露了基准生态的基础公平性局限,导致排行榜成功与临床相关性脱节。

  20. arXiv · 机器人与计算机视觉45

    FacEDiT:通过面部运动填充实现说话人头视频编辑

    FacEDiT 模型将说话人头视频编辑定义为自监督的面部运动填充任务,利用语音与周围运动上下文恢复被掩码区域。该模型引入局部时间注意力偏差和时序平滑正则化以优化口型对齐及边界连续性,并配套发布首个涵盖多样编辑类型的 FacEDiTBench 基准。实验表明该方法在保持身份特征的同时实现了精准的语音对齐编辑,且同一架构可拓展至肖像动画与口型同步任务。

  21. arXiv · 机器人与计算机视觉55

    StreamGaze:首个用于评估流式视频中注视引导时序推理与主动理解的基准

    本文提出了 StreamGaze 基准,这是首个专门设计用于评估多模态大语言模型(MLLMs)在流式视频场景中利用人类注视信号进行时序和主动理解能力的工具。该基准包含过去、现在及未来的主动任务,通过自研的注视 - 视频问答生成管线对齐第一人称视频与原始注视轨迹。

  22. arXiv · 机器人与计算机视觉60

    面向长尾人 - 物交互检测的自适应测试时内存分配方法

    该研究针对长尾人 - 物交互(HOI)检测中稀有类别样本稀疏的问题,提出无需训练的自适应多样性缓存(ADC)框架。该方法通过频率感知的容量分配策略为稀有交互分配更大缓存空间,并结合预测置信度与局部特征多样性进行缓存条目选择,以优化冻结检测器的推理性能。

  23. arXiv · 机器人与计算机视觉72

    GraphGeo:一种用于视觉地理定位的多智能体辩论框架

    该论文提出了 GraphGeo 框架,利用异构图神经网络对视觉地理定位任务进行建模。系统通过类型化边区分支持性协作、竞争性论证和知识转移等关系,并引入双层辩论机制结合节点级细化与边级论证建模。跨层级拓扑细化策略实现了图结构与智能体表征的协同进化。实验表明该框架在多个基准测试中优于单模型及多智能体基线,能将智能体间的认知冲突转化为更高的定位精度。

  24. arXiv · 机器人与计算机视觉72

    Kineo:基于稀疏 RGB 相机的免标定度量运动捕捉方法

    该研究提出了 Kineo 系统,这是一个全自动、无需相机标定的无标记运动捕捉流程,适用于由不同步且未校准的消费级 RGB 相机拍摄的视频。该方法利用现成检测器的 2D 关键点同时完成包括 Brown-Conrady 畸变系数在内的相机标定,并重建度量尺度的 3D 关键点和密集场景点图。

  25. arXiv · 机器人与计算机视觉65

    QuantDemoire:面向图像去莫尔条纹的异常值感知量化方法

    该研究提出 QuantDemoire 框架,旨在解决去莫尔条纹深度学习模型在边缘设备部署时的资源限制问题。针对直接量化导致的性能下降,该方法引入异常值感知量化器以减少激活和权重的分布误差,并设计频率感知校准策略以抑制低比特量化带来的带状伪影。

  26. arXiv · 机器人与计算机视觉33

    Image Generation Based on Image Style Extraction 提出三阶段风格提取生成方法,构建 Style30k-captions 数据集实现细粒度可控风格化图像生成

    Image Generation Based on Image Style Extraction 通过风格编码器与投影层对齐风格表征,在不改变下游模型结构下实现基于文本提示的细粒度风格控制。研究构建了包含图像、风格标签及文本描述的 Style30k-captions 数据集用于训练相关组件。该方法旨在解决自然语言难以精确描述细微风格且参考图引导难与传统文本条件对齐的问题。

  27. arXiv · 机器人与计算机视觉23

    混合方法提升眼底图像病灶分割精度

    针对脉络膜痣等微小病灶,该混合流程利用未修改的 UNet 提供粗定位先验,结合无训练超像素法(SLIC)在原生分辨率下恢复边界。在 25 张独立测试图中,该方法平均 Dice 达 90.9%,显著优于 nnU-Net、Swin UNet 等基线模型。推理无需 GPU,1024×1024 图像仅需 1.6 秒,且自动化超像素计数消除了人工调参需求。

  28. arXiv · 机器人与计算机视觉68

    LSD-3D:基于几何约束的大规模 3D 驾驶场景生成方法

    论文 LSD-3D 提出一种直接生成大规模 3D 驾驶场景的方法,旨在弥合神经重建与扩散模型在几何约束上的差距。该方法结合代理几何与环境表示的生成及从学习到的 2D 图像先验进行的分数蒸馏,实现了高可控性、提示引导的几何控制以及基于地图布局的高保真纹理和结构条件化,能够产生具有物体恒常性和显式 3D 几何估计的真实且几何一致的复杂驾驶场景。

  29. arXiv · 机器人与计算机视觉23

    DiNAT-IR:探索扩张邻域注意力的高质量图像复原模型

    DiNAT-IR 是一种基于 Transformer 的图像复原架构,通过融合滑动窗口注意力与混合膨胀因子平衡全局上下文与局部精度。针对经典去模糊任务中局部注意力受限的问题,该模型引入通道感知模块以补充全局信息而不牺牲像素级细节。实验表明其在多个基准测试中取得竞争性结果,解决了高分辨率图像下自注意力机制计算成本高的难题。

  30. arXiv · 机器人与计算机视觉72

    MITO:首个面向非视距感知的毫米波数据集与仿真器

    MITO 是首个针对非视距(NLOS)感知的毫米波数据集,由 MIT 团队发布。数据包含超过 2400 万帧毫米波信号及 550 张高分辨率图像,覆盖 76 种日常物体,利用 UR5 机械臂与双频雷达采集,能穿透遮挡物。作者同时开发了开源仿真工具以生成任意三角网格的合成毫米波图像,并建立了 NLOS 分割与分类基准,旨在推动视觉系统在 occlusion 场景下的感知能力。

  31. arXiv · 机器人与计算机视觉28

    XYScanNet:一种用于单图像去模糊的状态空间模型

    XYScanNet 提出了一种结合轻量级特征融合模块的视觉状态空间架构,通过切片扫描策略解决传统 Mamba 方法忽略局部像素依赖的问题。实验显示该模型在保持竞争扭曲指标的同时,相比最近竞争对手将 KID 提升了 17%。论文已被 CVPRW 2025 接收,当前版本为 arXiv:2412.10338v4。