跳到正文
11月19日周四
  1. arXiv · 机器人与计算机视觉42

    ReXGrounding Challenge 结果:3D 胸部 CT 报告定位任务最佳方法 Dice 达 0.375,非焦点病灶与解剖位置对齐仍是难题

    MICCAI 2026 举办的 ReXGrounding Challenge 旨在提升 AI 对放射学报告中每个发现的分割能力。48 支团队提交 760 次结果,最佳方法在测试集上达到 Dice 0.375 和命中率 0.77,匹配两名独立放射科医生的共识水平(Dice 0.32)。尽管非焦点病灶分割仍难,且模型常出现位置错误,但该方法已验证了从文本报告生成可验证 3D 分割的可行性。

  2. arXiv · 机器人与计算机视觉36

    TOGBench:航空影像微小物体生成保真度评测与改进基准

    针对航空影像中车辆、船舶等微小物体生成保真度不足的问题,研究团队推出了 TOGBench 定量基准及两项提升布局到图像生成器渲染小物体能力的技术。该工作已接受为 WACV 2027 Round 2 论文,旨在弥补现有评估过度关注提示遵循或人类偏好而忽视微小物体忠实渲染的局限。

  3. arXiv · 机器人与计算机视觉68

    Sightline:面向快速 SVG 生成的长窗口投机解码

    针对矢量图形(SVG)生成模型逐 token 推理速度慢的问题,本文提出 Sightline 方法,通过匹配起草者视野的长窗口与宽泛草稿树进行投机解码。实验在 MMSVG、MMSVG-2M 和 SArena 等六个基准上验证,该方法在所有设置下均为最快的无损解码器,且能显著减少因循环结构导致的截断损失。代码与数据已公开。

  4. arXiv · 机器人与计算机视觉42

    ROBIN++:通过双域协同水印实现扩散模型的统一版权保护与篡改定位

    ROBIN++提出一种从单域纠缠转向双域协同的设计范式,将频率域版权水印与空间域篡改水印解耦注入并耦合验证。该方法利用对抗优化算法在生成阶段最大化提取鲁棒性且无视觉伪影,同时通过内容感知扰动确保对局部篡改的高灵敏度。实验表明该模型显著优于现有方法,有效缓解了版权恢复与篡改定位之间的长期权衡矛盾,代码已公开。

  5. arXiv · 机器人与计算机视觉9

    SAGES CVS Challenge:风险控制的腹腔镜安全关键视图确认方法

    在 SAGES CVS Challenge 的 300 个测试视频(涵盖 18 个国家)中,标准校准规则对 39 个争议视频中错误确认了 8 例,而提出的“认证确认”方法仅错误确认 2 例。该方法通过多重检验选择阈值,确保在争议视频组内虚假确认率以至少 1-δ的概率不超过α,但将足够视频的及时确认率从 35% 降至 10%。研究证明平均准确率会掩盖风险,必须在专家分歧场景下显式保护安全。

  6. arXiv · 机器人与计算机视觉73

    DetectViT:通过多头注意力差异进行视觉 Transformer 的测试时后门检测

    DetectViT 是一种无需训练数据或触发器先验的测试时后门检测方法,通过分析 ViT 的多头注意力机制中的异常模式(完全或部分注意力劫持)来识别攻击。该方法利用推理阶段已计算的注意力权重,仅需少量分布外校准样本即可在 BadCLIP 数据集上实现 100% 的真阳性率和 0.17% 的假阳性率,显著优于现有基线。代码已在 GitHub 开源。

  7. arXiv · 机器人与计算机视觉72

    ShelfKV:一种无需训练的按需视觉 KV 缓存方法,解决多轮推理中图像被挤出注意力槽的问题

    针对多轮对话视觉语言模型(VLM)在长推理过程中因共享预算导致图像缓存被挤出的问题,论文提出 ShelfKV 方法。该方法无需训练,利用 CPU 内存保留所有视觉条目,仅在解码步骤将当前查询评分最高的视觉条目交换至注意力槽,确保图像不被驱逐且按需占用资源。

  8. arXiv · 机器人与计算机视觉43

    Mean Curvature Minimizing Foliations Of A Vector Field 提出基于能量最小化的片层推断算法,在脑白质纤维束与心脏组织等生物医学成像场景实现微米级重建

    针对从单一向量场恢复局部光滑片层的难题,该研究引入数学模型并开发高效并行算法,通过正交化约束与平均曲率优化平衡表面面积。方法在合成数据及脑图谱白质纤维束、心脏壁组织共聚焦显微镜图像上验证,成功重建微米级尺度下心肌细胞方向的片层结构。

  9. arXiv · 机器人与计算机视觉72

    GramStatTexNet:高效、可解释且受神经启发的纹理合成分析

    GramStatTexNet 是一种混合分析 - 合成框架,结合多尺度 Gabor 滤波器结构与 Gramian 相关性灵活性,组织为结构化滤波器族。该结构使深度特征方法难以处理的分析成为可能:每个统计量携带命名的滤波器族身份,允许将合成保真度分解为各家族贡献,并学习可解释的低维嵌入以保留感知纹理内容。

  10. arXiv · 机器人与计算机视觉75

    Detect What You Need:面向 3D 意图定位的因果链式推理方法

    针对 3D 意图定位中抽象非描述性语言难以匹配目标对象的挑战,本文提出 Chain-of-Causal Reasoning (CoCR) 框架。该方法将复杂意图分解为有序的功能需求,构建因果功能依赖图以建模需求与属性关系,并引入因果视觉对齐模块实现结构化推理与点云几何语义特征的双向验证。

  11. arXiv · 机器人与计算机视觉5

    ACUS:一种用于不完整视角 CT 的角校准不确定性评分方法

    针对稀疏视角和有限弧长 CT 重建中预测可靠性随采集角度距离变化的问题,研究提出了基于 Winkler 区间分的角校准不确定性评分(ACUS)。该方法在胸部与牙科锥形束轨道上验证了区间宽度随角度间隙增大的规律,实测覆盖率达 77% 至 92%,并揭示了仅靠点估计 PSNR 无法捕捉的过自信现象。

  12. arXiv · 机器人与计算机视觉58

    GaussLearner:基于3D高斯基元的自调节持续学习者

    针对3D高斯场持续学习中易发生灾难性遗忘的问题,该方法提出将每个高斯基元视为具备自我调节能力的独立学习单元。通过为基元分配学习权重以平衡当前观测与跨状态可靠性,实现参数自适应与优化器记忆刷新,从而在保持旧内容同时适应场景变化。实验显示其在CL-Splats、WAT及自建数据集上平均PSNR提升3.41 dB,且在CL-3D数据集的变更与未变视图均达到最佳重建质量。

  13. arXiv · 机器人与计算机视觉38

    3D 点表示是否编码建筑功能?NeurIPS 2026 Workshop 接受论文探究监督与预训练模型在城市场景的表现

    研究针对 22 栋移动激光雷达建筑的 15 种功能属性,发现冻结的 Utonia 预训练特征(0.732 mAP)优于从零训练的 PointNet 至 PTv3 及手工描述符。微调反而削弱了预训练带来的收益,表明在当前数据规模下,建筑功能更应从预训练表示中读取而非从头学习。该成果已获 NeurIPS 2026 Workshop 接受,代码与权重开放许可待定。

  14. arXiv · 机器人与计算机视觉75

    CoScan:面向因果状态空间图像恢复的多尺度内容自适应填充扫描

    该论文针对选择性状态空间模型(SSMs)在图像恢复中因线性化导致的扫描顺序敏感性难题,提出 CoScan 方法。该方法通过可微代理监督学习图像依赖的空间填充遍历路径,并引入多尺度构建策略与频率引导起始选择机制,以提升因果上下文形成效率。材料为 NeurIPS 2026 录用论文,在多个恢复基准上表现一致且开销低,代码将开源。

  15. arXiv · 机器人与计算机视觉33

    A Hardware-Aware Comprehensive Study of Edge Vision Deployment with A Unified Hardware-Model-Runtime Mapping Framework 发布边缘视觉部署综合研究

    该研究针对资源受限边缘设备的计算机视觉部署挑战,建立了涵盖中端 GPU/NPU、嵌入式 MPU/SoC 及微控制器的硬件分类体系。基于跨计算谱系的基准分析,提出了兼顾速度、平衡与精度的两层硬件 - 模型映射框架,并明确了 SRAM 预算等架构设计原则。研究还指出了工具链碎片化、算子不兼容及 Vision Transformer 可行性等关键部署难题。

  16. arXiv · 机器人与计算机视觉44

    学习到的 3D 模型为基于位姿参考的定位增加了什么?

    研究对比了八种学习到的 3D 模型在剑桥、NAVER B1 等五个测试集上的定位表现,发现几何估计仅需一个额外参考即可显著优于双参考模型。在特定场景下,鲁棒对齐可将 Pi3X 和 MapAnything 的增益缩小至 3.3 个百分点以内,但 Depth Anything 3 无法通过邻近参考恢复性能。该预印本探讨了检索失败阶段及输入位姿归一化对模型稳定性的影响。

  17. arXiv · 机器人与计算机视觉43

    MoMoVL:面向端侧稀疏激活视觉语言模型的模态感知自适应压缩框架

    MoMoVL 提出一种针对混合专家架构视觉语言模型的模态感知自适应压缩框架,通过联合利用专家激活分布与模态量化敏感度优化位宽分配。实验显示该方法相比均匀精度基线降低内存占用最高 15.44%,在保持准确率的同时改善端侧推理的精度 - 压缩权衡。代码与数据已公开,论文被 WSDM 2027 Findings 接收。

  18. arXiv · 机器人与计算机视觉33

    ReDiC:一种面向智能眼镜超分辨率的可恢复性感知课程学习方案

    ReDiC 提出结合可恢复性代理与相对恢复难度的训练课程,仅调整退化生成策略而保持架构不变。该方法在合成基准上将 NAFNet、SwinIR 和 MambaIR 的平均 PSNR 提升约 2.5 dB,语义评分提高约 3 分。真实智能眼镜采集的 200 组数据经 LLM 与人工评估证实了进一步增益。

  19. arXiv · 机器人与计算机视觉73

    EyeDiT:基于解剖结构的多模态眼球生成与仿真

    针对现有合成眼球数据缺乏高质量 3D 解剖结构的问题,本文提出了 EyeDiT 模型。该模型利用光学相干断层扫描(OCT)、标注的解剖点云和近眼图像进行训练,实现了受光轴、瞳孔位置和半径及主体身份控制的眼球生成与新颖视角仿真。实验表明,其在单视角合成任务上的 PSNR 优于先前模型,且基于其合成数据训练的神经网络在仿真到现实的差距上显著缩小,结合真实数据时进一步提升了眼动追踪性能。

  20. arXiv · 机器人与计算机视觉5

    Isthmus:在一步流中连接监督孤岛以恢复不确定性与稳定性

    Isthmus 方法通过在网络损失和推理代码不变且无额外成本的前提下,将训练数据对沿时间三角形边缘补充 5%,成功修复了一步采样器丢失不确定性及不稳定的问题。该方法在 MRI 重建、人脸补全及 CIFAR-10 等任务上显著提升了校准度至 0.96 并恢复了与多步采样的相关性至 0.93,且训练时长延长三倍后效果依然稳健。

  21. arXiv · 机器人与计算机视觉49

    Weight Space Programming 修复 SmolVLM-256M 与 LFM2-VL-450M 模型权重的研究

    该研究通过无梯度权重空间编程,利用编码智能体在未告知位置的情况下,成功恢复了 SmolVLM-256M 和 LFM2-VL-450M 中因浮点精度导致的缩放行噪声。实验表明,仅靠统计证据提示即可引导修复受损权重并恢复模型准确率,但无法发现单纯交换行列且未改变存储值分布的故障。研究建议报告权重格式并包含舍入对照组以验证修复效果。

  22. arXiv · 机器人与计算机视觉45

    VIBRA:一种向后兼容的跨模态检索方法,通过共识质心提升旧图库查询准确率

    VIBRA 提出了一种新的编码器训练策略,能在不重新编码数十亿物品的前提下,利用多个视图的共识质心修正单模型误差。该方法在 CLIP、MetaCLIP 和 SigLIP2 等六个骨干网络的五十种升级设置中均表现最佳,Recall@1 较最强基线最高提升 5.6 个百分点,仅增加不到 1ms 延迟。

  23. arXiv · 机器人与计算机视觉38

    GRAFT:实现 VLM 测试时自适应的图正则化原型场方法

    GRAFT 通过引入语义类图高斯马尔可夫随机场先验,解决少样本批次下视觉语言模型零基线下降问题。该方法在十一项基准及四个 ImageNet 分布偏移上均优于零基线与锚点转导法,且推理无需梯度、仅基于缓存特征进行闭式计算。其原型位移场支持经验贝叶斯调节,确保缺失类别被证明为现有类别的调和扩展。

  24. arXiv · 机器人与计算机视觉5

    ExiST:存在感知自训练用于半监督多器官分割

    ExiST 提出一种存在感知自训练方法,解决小器官在少标签扫描中被误判为缺失的问题。该方法通过留一法共识构建伪标签并引入质量门控,在 Synapse 数据集以 20% 标注数据达到 77.1 平均 Dice,AMOS 数据集以 5% 标注数据达 75.9。ExiST 优于当前最先进方法,确保候选器官不被推向缺失状态。

  25. arXiv · 机器人与计算机视觉82

    ORGANIC3D:将 3D CT 视觉语言模型锚定在器官级图像文本耦合上

    论文介绍 ORGANIC3D 框架,旨在解决 3D CT 分类中高精度但缺乏正确解剖学依据的问题。该框架通过受控的解剖干预(如器官擦除、病灶替换)评估并改进模型对器官级图文的对齐能力。

    推荐理由:该工作提出 ORGANIC3D 框架,通过解剖学干预评估并提升 3D CT 视觉语言模型的器官级图文对齐能力。

  26. arXiv · 机器人与计算机视觉54

    超越 Sink Token:基于 Sink 引导的键编辑在视觉语言模型中的应用

    本文研究了视觉语言模型中 Sink Token 对注意力的影响,发现其键方向可控制注意力分布。作者提出无需训练的 SHRINK 方法,通过部分减少可见键中的 Sink 对齐分量来抑制干扰,在 LLaVA-OneVision-7B 和 Qwen2.5-VL-3B 等模型上显著提升了采样推理的平均准确率。此外,该方法还可替代现有的注意力引导技术 GIFT 和 ACG。

  27. arXiv · 机器人与计算机视觉48

    Ray-Lateral Agreement 方法提升多视角 3D 人体姿态融合精度

    Ray-Lateral Agreement(RLA)通过沿观测射线滑动估计值消除深度偏差,实现多相机标定 rigs 下的单目网格重建与姿态融合。该方法在二至四相机及三种每视图姿态估计器基准上,最坏情况误差均低于所有三角化基线。论文为 arXiv 预印本,代码与权重暂未开放。

  28. arXiv · 机器人与计算机视觉75

    MedHarness:一种用于可靠医疗影像智能体的统一预算运行时

    针对医疗影像智能体在多模态表面部署时面临的验证预算有限及错误接受风险问题,研究提出 MedHarness 框架。该框架将后回答控制重构为提案器预测后的共享决策对象附着机制,通过共享策略与表面配方适配器实现跨模态的停止、开放证据、修复或拒绝控制。

  29. arXiv · 机器人与计算机视觉82

    GRID-UAV:面向无人机的几何与光深集成决策方法

    针对现有视觉语言动作模型(VLAs)在处理无人机远距离飞行时单目深度估计不可靠的问题,本文提出了 GRID 方法。该方法在训练阶段将单目深度提升为射线校正的三维位置并冻结多视图几何模型进行特征对齐,推理时无额外成本。实验表明,GRID 显著提升了策略到达目标及完成最终任务的成功率,在 TravelUAV 基准上优于现有最先进方法。

    推荐理由:针对无人机单目深度在远距离不可靠的问题,提出结合射线校正与几何对齐的决策方法,显著提升任务成功率。

  30. arXiv · 机器人与计算机视觉48

    参考引导式数据策展提升三维医学视觉语言预训练效率

    该方法利用少量高质量参考集对大规模未整理医疗影像进行离线、免训练的参考引导式数据策展,生成统一排序以指导样本选择。在两项验证中,三维腹部 CT 模型仅用 5k 参考样本和 3.3 倍更少训练数据即匹配 Merlin 基线零样本性能;二维胸片仅需 74 个参考样本即可达到或超越全量池训练效果。代码已开源以支持复现。

  31. arXiv · 机器人与计算机视觉52

    mmTherm:基于低分辨率热成像与毫米波雷达的绝对三维人体姿态估计

    论文提出了 mmTherm 框架,旨在通过融合低分辨率热成像的人体结构与方向信息以及毫米波雷达的距离测量数据,解决稀疏点云导致的人体姿态估计定位不足问题。实验在 OctoNet 数据集上显示,该方法相对于最强基线将跨用户的绝对关节误差降低了 33%,根定位误差降低了 38%,同时在推理阶段显著减少了参数量和计算开销。该研究为隐私保护场景下的三维人体姿态估计提供了新的多模态融合思路。

  32. arXiv · 机器人与计算机视觉38

    紧凑视觉骨干网络中全局自注意力与权重共享的有效位置研究

    该研究在 ImageNet-1k 上验证了紧凑卷积骨干(EfficientNet-B0)的设计策略,发现仅在 P3、P4、P5 阶段插入轻量零门控残差自注意力适配器时,模型精度达 74.02%。实验表明交替共享 Stage 6 的块模板可将参数量减少 10.9%(至 582K),并在单轮训练中恢复 10.82 个百分点的精度。论文为预印本状态,代码与权重暂未开放。