跳到正文
11月6日周五
  1. arXiv · 机器人与计算机视觉21

    A Theoretical Analysis of a Bilevel Optimization Formulation for Combined Local-Global Optical Flow Models

    该论文分析了一种用于联合局部 - 全局光流模型正则化参数学习的双层优化公式。研究推导了二次模型的充分条件,并证明 TV 正则化下最优参数始终存在且满足正性条件。代码附于辅助文件中,文章已提交至《Journal of Mathematical Imaging and Vision》期刊待审。

  2. arXiv · 机器人与计算机视觉78

    模拟视角的几何:在 Qwen3-VL-8B-Instruct 中解耦表征与行为

    该研究调查了 persona-conditioned visual interestingness 在 Qwen3-VL-8B-Instruct 中的表征几何,发现早期层主要编码图像身份,而特定人物结构出现在深层。提示词框架对内部表征的重塑作用强于人物身份,但人物内容对行为判断影响更大,表明表征距离不一定反映行为相关性。

    推荐理由:揭示了多模态大模型中表征几何与行为判断的解耦机制,为理解模拟视角的内部运作提供了新证据。

  3. arXiv · 机器人与计算机视觉58

    FewStepRL:通过强化学习微调少步扩散模型

    该研究针对多步采样器主导训练成本的痛点,提出了 FewStepRL 框架,系统地将强化学习目标适配至少步扩散模型。方法包含三个核心阶段:将目标转换至 x-空间以统一策略预测基准;分解梯度为自回归与奖励增强项以降低计算复杂度;利用模型自身或辅助网络恢复瞬时速度以完成适配。

  4. arXiv · 机器人与计算机视觉38

    PRISM 框架在无训练状态下实现异常检测新基准

    PRISM 框架结合固定随机非线性特征与正常参考马氏距离评分,在无需神经网络权重优化或预训练表示的情况下,于 ADBench 47 个表格数据集和 MVTec AD、VisA 视觉任务中取得最高或次高均值 AUROC(86.4%)及像素级 AUROC(96.4%)。该研究确立了 PRISM 作为具有竞争力的异常检测器以及评估学习表示附加价值的先验基线。

  5. arXiv · 机器人与计算机视觉62

    多模态胸部 X 光与电子病历分类中类别不平衡策略的泄露与标签感知基准审计

    该研究审计了基于 MIMIC-CXR 数据集的多模态分类基准,发现记录级分割存在严重的标签泄露问题:约三分之一影像的标签与其入院诊断代码不匹配。在患者分离且对齐标签的评估下,各类不平衡策略未提升性能,树集成与逻辑回归无显著差异,预训练编码器也未带来统计显著的增益。作者提供了可复用的诊断工具、泄露感知协议及检查清单。

  6. arXiv · 机器人与计算机视觉78

    EDGAR:通过合成失败驱动的高效扩散高斯头像 refinement 方法

    EDGAR 是一种条件扩散框架,旨在修正高斯头像重建中的模糊、拉伸等伪影并保持身份保真度。该方法构建混合数据集 EDGAR-SET,利用自监督 Sapiens 模型提取特征注入一步扩散骨干网络,并采用专家混合架构处理不同退化类型。实验显示其在感知和重建指标上优于原始输出及基线方法,且具备跨视角一致性和极端姿态鲁棒性。代码已开源。

    推荐理由:该工作提出利用合成失败案例训练扩散模型以修复高斯头像重建中的伪影,代码已开源。

  7. arXiv · 机器人与计算机视觉35

    分类与特征学习损失函数归一化空间分析论文

    该研究指出分类精度反映样本局部性质,而特征学习追求数据集全局性质。通过重设计二元交叉熵(BCE)损失并调整归一化空间尺度因子γ,发现中等γ值能同时实现可靠分类与结构化特征。实验验证了BCE在长尾和开放集识别中优于传统方法的优势。

  8. arXiv · 机器人与计算机视觉43

    RLGPA:一种基于强化学习的粒度规划攻击方法

    RLGPA 提出在线强化学习调度器,在硬查询预算下动态调整决策型稀疏对抗样本的扰动支持集粒度。该方法在 CIFAR-10 以 0.01 稀疏度实现 61% 目标成功率(优于 SparseEvo 的 25%),ResNet50/ViT 在 0.005 稀疏度下分别达 75.5%/73.0%。固定探测测试显示,40 张图像内无需更新即可将中位数 L0 从 165 降至 23,代码已公开。

  9. arXiv · 机器人与计算机视觉75

    IMUDINO:首个用于惯性感知的自蒸馏基础模型

    这篇论文提出了 IMUDINO,这是首个针对惯性感知的通用基础模型(FM),旨在在人体活动识别、健康监测、动作捕捉和里程计等多样化任务上达到竞争性性能。针对以往惯性 FM 往往局限于单一子领域且泛化性差的问题,该研究通过语义保持的运动变换将 DINO 自监督学习范式适配到惯性数据,并采用支持可变输入长度与采样率的纯 Transformer 编码器架构。

  10. arXiv · 机器人与计算机视觉18

    白氏错觉的进化假说:恒定百分比修正与现代个体差异

    该研究提出恒定百分比修正函数是维持变光环境下材料判断的自适应机制,解释了群体均值稳定而个体存在学习或适应差异的现象。基于改进的前向模型,作者证明对背景亮度应用此修正即可复现白氏错觉,为情境明度判断提供了紧凑计算解释及可测试的进化诠释。论文共 12 页含 7 幅图,预印本发布于 arXiv,涉及神经元认知与计算机视觉领域。

  11. arXiv · 机器人与计算机视觉18

    注视密度图与心理势场在素描中的相似性差异研究:动物、非动物及无意义形状类别分析

    该研究量化了注视密度图(FDM)与心理势场(PPF)在三类素描对象上的相似性,发现经基线调整后的 AUC 指标能显著区分动物与非动物类别,而原始 AUC 受素描表征影响无法区分二者。无意义形状刺激表现出持续低相似性与变异性得分,且旋转呈现未产生特定于类别的交互效应。研究证实基线调整对于分离类别相关变异与刺激依赖基线水平是必要的。

  12. arXiv · 机器人与计算机视觉58

    LeNO:面向少步生成模型的奖励对齐噪声优化学习

    针对扩散和流基生成模型难以适配少步确定性生成器的问题,本文提出 LeNO 方法,将奖励引导的初始噪声优化摊销为学习残差传输,同时保持预训练生成器冻结。该方法利用 Local GRPO 和标量奖励学习锚点条件的噪声修正分布,消除了推理时的迭代测试优化。

  13. arXiv · 机器人与计算机视觉44

    生成式 AI 时代重思科学插图:基于 371 张图评估与修订的视觉回顾研究

    该研究通过多模态法官对 371 张动机与框架图进行六维评估,其中 369 张经源约束修订后通过保真度检查。结果显示平均清晰度提升 0.428 分但美学连贯性下降 0.111 分,支持研究者主导设计、AI 辅助探索且作者保留责任的结论。相关图谱与评估记录已公开提供下载。

  14. arXiv · 机器人与计算机视觉44

    BrickVision 基准与 grounded reasoning 在视觉推理中的效用分析

    Grounded reasoning 通过输出思维链中的文本坐标解决复杂视觉问题,但研究显示其在计数任务有效,对广泛的空间推理基准无显著增益。现有基准多依赖可描述文本参考,难以覆盖不可描述的视觉概念,为此团队引入 BrickVision 新基准填补差距。该研究通过消融实验验证了 grounded reasoning 训练策略的局限性及特定场景下的适用性。

  15. arXiv · 机器人与计算机视觉65

    EgoGeneralist:通过原生视频建模统一第一人称动作视频任务

    论文提出了 EgoGeneralist 框架,旨在解决现代视频模型缺乏度量三维空间人体动作表示的问题。该工作利用预训练视频生成器,结合角色自适应动作渲染器和跨流动作 - 视频耦合机制,实现了动作条件的第一人称视频生成、姿态估计及联合生成等五项任务。尽管仅在受控实验室录制数据上进行适配,该方法在未见场景和交互中展现了有效的动作控制与视觉质量,成功桥接了预训练的视觉知识与度量三维人体运动。

  16. arXiv · 机器人与计算机视觉35

    Edge-Assisted Crowdsensing for Explainable Cyclist Safety Perception 系统发布

    该系统利用车把摄像头与视觉语言模型(VLM)提取交通属性,结合开放街图数据通过可解释增强机器(EBM)预测骑行安全评分。在伦敦两条路线的 1,362 帧标注数据上,模型 CPU 推理耗时 0.4ms,二元分类准确率达 72.2%,物理车道分离贡献 +0.97 分。重编码后以 54 Mbit/s 支持千名骑手连续监测,误差仅增加 1.4 个评分点,为基础设施成本效益分析提供直接依据。

  17. arXiv · 机器人与计算机视觉68

    T3R:面向高效鲁棒 VLA 模型的免训练两阶段 Token 精炼方法

    针对视觉语言动作模型推理昂贵且易受背景干扰的问题,论文提出 T3R 框架,通过分割引导剪枝移除无关视觉 Patch,再利用显著性引导注意力偏置聚焦关键区域。在 LIBERO-Spatial 基准上,该方法去除 85% 的视觉 Token 同时保持成功率,并在分布外扰动下提升最多 7 个百分点,推理耗时降低约 3.3 倍。

  18. arXiv · 机器人与计算机视觉38

    Radio-to-Pose Information 用于协作定位中的量纲漂移校正

    该研究提出 Radio-to-Pose Information(RPI)接口,利用注册在同一世界坐标系下的无线电衰减图修正机器人团队的量纲漂移。在 50×50 米竞技场中,RPI 将仅用无线电加权相对测量的基准位置均方根误差从 0.542 米降至 0.140 米。该方法基于接收功率对世界地图共享位移的敏感性,通过高斯信息矩阵与向量更新姿态并最小化不确定性。

  19. arXiv · 机器人与计算机视觉43

    OraRefer:基于分割引导的多照片融合口腔癌筛查模型

    OraRefer 提出一种患者级筛查模型,利用分割引导基础模型读取每张照片并结合风险因素进行融合决策。在 714 名患者的 3000 张图像上,该模型 AUROC 达 0.919;设定 90% 灵敏度时检出率 95%,仅漏诊 61 名癌症患者中的 3 例,特异性为 0.610。由于阈值无需重训练,各诊所可基于本地校准样本自主设定保证的操作点。

  20. arXiv · 机器人与计算机视觉38

    USB Gym:超声引导闭环测试床与基准线发布

    USB Gym 是一个基于公开患者 CT 构建的超声图像匹配测试床,其标准引擎利用网络从 CT 标签绘制器官纹理以模拟超声。该测试床包含可替换的三个部分(器官分割器、控制器和奖励函数),在六个预留患者的 60 个回合中评估了 20 种已发表方法,最终确定仅使用图像相似度奖励(SSIM)的组合作为基准线。

  21. arXiv · 机器人与计算机视觉42

    InstantHand:单图生成可动画化手部 Avatar 的即插即用框架

    InstantHand 提出一种无需测试时优化的前馈框架,利用现成 MANO、相机和掩码估计从单张图像构建可动画化的 3D 高斯手部 Avatar。该方法引入软 Alpha 带正则器解决轮廓增厚问题,并通过可靠性门控外观转移保留观测区域颜色并补全未观测部分。

  22. arXiv · 机器人与计算机视觉78

    ManimCode:面向教育动画生成学习的视觉自我修正

    ManimCode 是一个针对教育动画生成的数据与训练框架,旨在解决渲染后存在的视觉缺陷、解释缺失或内容错误问题。研究构建了包含 24,034 条经过渲染验证和过滤的 ManimData 数据集,记录了中间程序、执行错误及修正轨迹。

    推荐理由:该工作提出 ManimCode 框架,利用渲染反馈数据训练单模型实现教育动画的视觉自我修正与代码迭代。

  23. arXiv · 机器人与计算机视觉78

    分层增量 Beta Splatting 用于在线三维重建

    该论文提出分层增量 Beta Splatting(HIBS)方法,将 Beta 核引入在线 3D Gaussian Splatting 以解决初始化差和细节缺失问题。利用几何可观测性和多视角深度一致性进行置信度感知生成,结合误差驱动的重新定位与 LOD 层级优化,在 Mip-NeRF 360 协议下提升 PSNR 最高 0.8 dB 并减少优化时间最多 40%。论文已接受至 WACV 2027。

    推荐理由:提出分层增量 Beta Splatting 方法,在在线重建任务中提升 PSNR 并缩短优化时间。

  24. arXiv · 机器人与计算机视觉72

    交互式视觉健身房:利用仿真用户在交互世界中评估视觉交互模型

    作者提出交互式视觉健身房框架,旨在对支持持续物理任务的视觉交互模型进行闭环评估与训练。该框架联合仿真可执行任务环境与人类用户,贡献了烹饪、家庭操作和移动界面领域的三个模拟器及人物条件化用户模拟工具,并包含 315 个交互场景的基准测试。

  25. arXiv · 机器人与计算机视觉75

    DART:面向通用异常检测的领域无关残差迁移方法

    该论文提出 DART 框架,旨在解决通用异常检测(GAD)中残差混合了可迁移异常线索与纹理、几何等域特定外观因素的问题。该方法通过残差解耦模块分离异常相关信息和域信息,并结合跨域元训练增强效果。实验在 MVTec AD、VisA 和 BraTS 数据集上验证了其优于多种基线方法的效果,尤其在强域偏移场景下增益显著。

  26. arXiv · 机器人与计算机视觉48

    SplatAnything:通过高斯间距归一化实现任意场景的 3DGS 前馈重建

    SplatAnything 提出高斯间距归一化(GSNorm),解决现有方法因全局径向统计量导致的监督模糊问题。该方法在涵盖多数据集、稀疏度及外推视角的系统基准测试中,于场景尺度与视角大幅变化下取得最先进性能。论文为 arXiv 预印本,代码与权重开放许可待注册。

  27. arXiv · 机器人与计算机视觉78

    ProQuant:面向边缘多模态大模型的渐进式量化感知训练

    arXiv 论文 ProQuant 提出一种针对低比特多模态大语言模型(MLLMs)的权重 - 激活量化感知训练框架,旨在解决资源受限边缘设备的部署难题。该方法首先通过自重标方案对齐微调数据与预训练数据的分布,其次首创将多模态理解与语言建模能力解耦,利用渐进式块激活机制优先恢复多模态理解性能并引入视觉敏感因子识别关键层。

    推荐理由:提出针对低比特 MLLM 的渐进式量化感知训练框架,通过自重标与解耦机制显著改善 W4A8 精度下的性能。

  28. arXiv · 机器人与计算机视觉78

    通过上下文正则化交叉熵提升卷积网络的上下文偏移鲁棒性

    图像分类模型常因测试时上下文环境与训练期差异而性能下降,这种现象称为上下文偏移。本文提出一种新训练框架,利用空间特征归因引导模型更依赖物体相关特征而非背景线索。

    推荐理由:提出 ContrastiveCAMs 与 CR-CE 方法,通过抑制非因果上下文线索提升卷积网络在分布偏移下的鲁棒性。

  29. arXiv · 机器人与计算机视觉38

    MCUFlowNet:面向微控制器的硬件感知光流神经架构搜索框架

    PACE-NAS 框架在 Grove Vision AI V2(Ethos-U55)上实现光流模型搜索,将峰值 SRAM 降低 18%。最快变体 MCUFlowNet-S 比重训 EdgeFlowNet 快 1.76 倍且误差仅增 1.6%,仿真森林飞行以 2 m/s 速度无碰撞达成目标的成功率达 51.5%(基线为 41.8%)。代码已开源,论文提交至 IEEE ISCAS 2027 待审。

  30. arXiv · 机器人与计算机视觉78

    FATE:面向无监督工业异常检测的故障感知迁移误差方法

    针对仅拥有正常样本的单类工业异常检测场景,该方法将冻结视觉 Transformer 的深度视为离散状态转移序列,利用层间余弦相似度定位 DINOv2 ViT-L 等模型中的四个关键故障线。

    推荐理由:提出基于冻结 ViT 层间故障结构的单类异常检测器,在 MVTec-AD 等基准上实现 99.75 AUROC。

  31. arXiv · 机器人与计算机视觉36

    ProtoGestalt:可解释原型框架用于面部表型分析与罕见遗传病诊断

    ProtoGestalt 提出一种基于原型的可解释框架,通过约束视觉特征选择面部区域,使预测结果能通过局部加性证据进行解释。该方法在多个控制数据集上评估了区分综合征与未受影响面部的能力,并在训练观察到的综合征中验证了诊断性能。该原型表示在对照组比例增加时仍保持有用性能,为临床决策和表型 - 基因关联发现提供了可解释的替代方案。

  32. arXiv · 机器人与计算机视觉53

    H-BRICK:一种用于有向网格图的分层边界可达性索引与压缩 Kleene 闭包

    论文提出了 H-BRICK 方法,旨在解决静态网格图中重复可达性查询的存储与效率问题。该方法将图划分为瓦片,计算局部布尔 Kleene 闭合并投影到边界端口,通过递归组合构建精确的全局可达性索引。实验表明,在多样化的地图拓扑下,H-BRICK 相比有向搜索和基于组件的基线方法,在查询密集型场景下能有效降低存储需求;批量评估显示,当 k=64 时吞吐量提升 5.0-22.9 倍。

  33. arXiv · 机器人与计算机视觉36

    MiniMax-H3 视频压缩模型通过自适应分词与熵建模实现实用级 20 kbps 生成式压缩

    MiniMax-H3 预训练因果视频 VAE 被适配为离散视频分词器,联合优化的自回归熵模型在 UVG、MCL-JCV 及 HEVC Class B 数据集上相比 GLC-Video 实现 BD-LPIPS 节省 82.2%--87.5%。该方法通过可微率代理优化分词分配,在极低码率下显著提升了感知质量与时间连贯性。