跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉15

    SGR3 Model:无需训练的 3D 场景图检索推理模型

    该研究提出 SGR3 Model,这是一个利用多模态大语言模型与检索增强生成(RAG)实现的免训练框架,用于生成语义场景图以支持机器人高层推理。实验显示其性能在免训练基线中具竞争力且媲美基于 GNN 的专家模型,消融研究表明外部信息被显式整合进 token 生成功能。该论文已撤回,无 PDF 可供下载。

  2. arXiv · 机器人与计算机视觉68

    长期多会话外观显著变化的三维重建方法

    论文针对珊瑚礁等长期监测场景中因时间跨度大导致的外观和结构剧变,现有运动恢复结构(SfM)流程失效的问题,提出一种强制跨会话对应关系的联合 SfM 重建方法。该方法结合手工与学习特征建立长时程对应关系,并利用视觉位置识别筛选候选图像对以降低成本,在长期水下数据集上实现了标准 SfM 无法连接的会话间的连贯三维重建。

  3. arXiv · 机器人与计算机视觉70

    稀疏视频生成推动现实世界的越视域视觉语言导航

    针对现有大语言模型在越视域导航任务中短视行为的挑战,该方法首次引入视频生成模型以利用长视界监督优势。通过提出 SparseVideoNav 技术,将原本需数十秒的视频生成长度压缩为亚秒级轨迹推断,同时保持 20 秒的未来视界跨度。实验表明,该方法在越视域导航任务上的成功率是现有大语言模型基线的 2.5 倍,并首次实现了夜间复杂场景下的有效导航能力。

  4. arXiv · 机器人与计算机视觉35

    GRASP:一种面向遥感图像的引导式区域感知稀疏提示微调策略

    针对遥感图像大尺度变化与目标稀疏分布导致的多模态大语言模型过拟合问题,研究提出参数高效微调策略 GRASP。该方法利用冻结视觉令牌网格提取空间块构建结构化软提示,通过问答引导的稀疏融合机制动态聚合任务上下文并过滤背景噪声。在多个 RSVQA 基准测试中,GRASP 在保持高参数量效率的同时取得了与现有微调及提示方法具有竞争力的性能表现。

  5. arXiv · 机器人与计算机视觉72

    VIOLA:面向最小标注的视频上下文学习

    VIOLA 是一种标签高效框架,旨在解决多模态大语言模型在新视频域泛化时标注数据稀缺的问题。该方法通过密度 - 不确定性加权采样策略,从有限预算中选取兼具多样性、代表性和信息量的样本;同时构建混合池并引入置信度感知检索与提示机制,使模型能区分验证过的真实标签与噪声伪标签。实验在九个基准上使用三个大语言模型表明,该框架在低资源设置下显著优于各类基线,实现了低成本下的鲁棒适应。

  6. arXiv · 机器人与计算机视觉63

    利用多光谱图像融合实现未知空间物体周边的抗光照定位

    针对轨道操作中对未知空间目标(RSO)的导航需求,本文研究了可见光、热红外及两者融合的成像方案。研究通过像素级融合结合传感器优势进行前端跟踪,并提出一种基于剪影的新型视觉位置识别方法,该方法无需训练、全 CPU 运行且优于基线。实验对比显示,融合图像配合该剪影识别方法在光照条件、轨迹和定位性能上表现最佳,证明了多模态信息在不同导航阶段的互补性。

  7. arXiv · 机器人与计算机视觉62

    打破多模态知识型视觉问答中的视觉捷径:RETINA 基准与 MIMIR 检索器

    针对现有多模态知识型视觉问答(MKB-VQA)基准普遍存在的‘视觉捷径’问题,作者构建了 RETINA 新基准和 MIMIR 多图像多模态检索器。该基准通过 LLM 驱动流程自动构建,包含 120k 训练集和 2k 人工 curated 测试集,专门引入次要主体(相关实体)的图文对以消除捷径依赖。

  8. arXiv · 机器人与计算机视觉78

    LoC-IN:基于神经渲染先验LiDAR地图的相机实时定位

    该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。

    推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。

  9. arXiv · 机器人与计算机视觉59

    SEPS:一种用于细粒度跨模态对齐的语义增强补丁精简框架

    该论文提出了 SEPS(Semantic-enhanced Patch Slimming)框架,旨在解决视觉与语言之间细粒度跨模态对齐中的补丁冗余和歧义问题。方法采用两阶段机制整合稠密与稀疏文本的统一语义以识别显著视觉补丁,并利用感知相关性的选择结合均值计算来突出关键的补丁 - 词对应关系,从而改善跨模态相似性评估。

  10. arXiv · 机器人与计算机视觉42

    PrefCVAE 通过弱偏好对齐实现自动驾驶轨迹的可控生成预测

    PrefCVAE 是一种增强型 CVAE 框架,利用弱标签偏好对赋予隐变量语义属性,在保持基线精度的同时实现了可控且具语义意义的轨迹多样性。该方法以平均速度为例证,验证了偏好监督作为提升基于采样生成模型效率的低成本方案的有效性。研究结果发表于 arXiv,属于预印本状态,旨在解决现有方法缺乏可控多样化轨迹生成的问题。

  11. arXiv · 机器人与计算机视觉65

    Cross-Modal Attention Guided Unlearning in Vision-Language Models

    针对视觉语言模型在推理时可能复述敏感信息的问题,本文提出了 Cross-Modal Attention Guided Unlearning (CAGUL) 框架。该方法利用跨模态注意力机制识别低重要性的视觉 token,通过外部模块编码遗忘指令以阻断隐私泄露,同时保持模型的参考行为与效用,且无需修改预训练参数。

  12. arXiv · 机器人与计算机视觉62

    基于因子图优化的双阶段 GNSS 离群值检测方法研究

    针对 GNSS 伪距离群值严重干扰载波相位模糊度解算的问题,本文提出一种结合多普勒一致性与 IMU-里程计运动预测的两阶段伪距筛选框架。该方法在连续跟踪时能将 RTK 三维均方根误差降低 96.18%,并在无多普勒检查时将 10 米离群值检测成功率提升至 99.58%(30 秒后)。研究通过一阶误差模型分离不确定性,利用闭式最小膨胀规则调整代码权重,在深城市峡谷等场景中表现优于惯性辅助基线。

  13. arXiv · 机器人与计算机视觉23

    计算机视觉如何识别跨式装载单元:一项范围综述

    该研究回顾了 1990 至 2026 年间发表的 95 项关于跨式装载单元(ILU)识别的计算机视觉文献,发现仅 26 项报告端到端准确率(中位数 94.5%),且缺乏统一基准数据集。现有工作多聚焦静态场景,对车载相机移动拍摄及半挂车、换装箱等特定单元的独立评估关注不足。研究建议利用合成数据与自动覆盖路径规划构建新基准,以降低港口作业错误率并提升运营韧性。

  14. arXiv · 机器人与计算机视觉59

    AnomalyLMM:面向文本驱动的人体异常搜索的无训练框架

    针对文本查询与细微视觉线索对齐难、长尾分布及大模型微调成本高的问题,提出无需训练的粗到细框架 AnomalyLMM。该方法先利用通用检索模型初排,再通过填空式重排序机制引导多模态模型关注特定区域并生成异常描述,最后计算语义对齐进行重排序。在 PAB 和 UCC 数据集上,Recall@1 分别提升 1.93% 和 1.79%,且具备高度可解释性。代码将公开。

  15. arXiv · 机器人与计算机视觉82

    AgriChrono:面向田间作物新视角合成的纵向数据集与基准

    针对田间作物重建中薄重叠结构与光照变化等挑战,作者发布了 AgriChrono 纵向油菜数据集及新视角合成(NVS)基准。该数据集包含约一个月内的 160 次采集会话、四路 RGB 流与两路深度图。

    推荐理由:该工作发布纵向油菜数据集与基准,并开源 AgriSplat 方法以解决薄重叠结构重建难题。

  16. arXiv · 机器人与计算机视觉38

    TARGO and TARGO-Net:遮挡环境下目标驱动抓取基准与模型评测

    针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。

  17. arXiv · 机器人与计算机视觉5

    显著性精度对引导式 360 度图像压缩增益的影响研究

    针对机器人遥操作等低延迟沉浸式流媒体应用,研究量化了显著性预测精度带来的压缩收益递减规律。实验表明,仅需 52 FPS 的轻量级预测器即可捕获真值预言机 65% 的码率节省,而算力增加 38 倍后无额外增益。因此,在延迟受限场景下采用轻量级显著性预测器是兼顾性能与效率的实用选择。

  18. arXiv · 机器人与计算机视觉75

    特异性引导知识分流用于可分解生成模型

    针对现有知识分流方法参数开销大且依赖固定组件分配的问题,本文提出特异性引导知识分流(SGKDiv)。该方法从成对前馈通道构建知识单元,保留原生计算结构;结合校准的条件路由与互补正则化,实现自适应的知识专业化。实验表明,其在多种模型设置下优于稠密及 MoE 基线,且在八个数据集上展现出更强的下游适应能力。

  19. arXiv · 机器人与计算机视觉12

    从蓝斑学习黑质致密体分割的迁移学习收益调查

    针对帕金森病早期检测中黑质致密体(SNpc)分割标注数据稀缺的问题,研究评估了利用外观相似的蓝斑(LC)模型进行迁移学习的策略。实验基于 3D U-Net 架构,在仅使用 5-14 例标注受试者时,迁移学习与从头训练达到相同的 Dice 系数上限 0.77,且无显著差异。结果表明从 LC 初始化对 SNpc 分割未提供显著收益,相关论文已提交至 IEEE ISBI 2027。

  20. arXiv · 机器人与计算机视觉38

    Scribble Once Segment the Sequence:弱监督心脏超声序列分割新框架

    针对长序列像素级标注成本过高及稀疏监督导致时序不稳定的问题,该研究提出一种仅需单帧涂鸦标注的弱监督框架。方法结合 DINOv3 编码器均值教师架构与参数高效微调,利用互补损失函数生成未标注帧的可靠分割先验。在 CAMUS 和 CardiacNet 数据集上的实验表明,该方法优于其他涂鸦监督方案,显著降低心脏超声时序分割的标注需求并支持可扩展的临床部署。

  21. arXiv · 机器人与计算机视觉35

    CivilBench:首个土木工程多模态信息融合视觉语言模型评测基准

    CivilBench 是首个针对土木工程与灾害场景的视觉语言模型(VLM)综合评测基准,涵盖序列推理、图像结构理解及开放世界理解三大任务家族。评估显示当前主流 VLM 在从稀疏结构化观测中推断数值关系等序列推理任务上存在显著瓶颈,且该基准将通过公开链接提供以支持可靠 AI 辅助工程决策能力的验证与进展追踪。

  22. arXiv · 机器人与计算机视觉66

    Learning What the True Labels Would Teach: Posterior Analytic Class-Incremental Learning with Unlabeled Data

    论文提出 PACIL 方法解决无标签数据下的类别增量学习问题。该方法利用 CLIP 零样本预测作为起点,但指出其混淆了名称偏差与真实分布不平衡。PACIL 通过先验选择规则修正类先验,并在白化特征空间使用固定先验的 von Mises-Fisher 混合模型细化每个图像的后验分布。

  23. arXiv · 机器人与计算机视觉78

    一种用于高效 3DGS 轨迹渲染的高斯基元数据管理框架

    该论文针对结构化 3D 高斯泼溅(3DGS)在轨迹渲染中存在的视图间重复解码与计算冗余问题,提出 GDM-GS 框架。该方法将锚点视为空间对象、视图视为范围查询,通过视图内空洞视锥体查询、跨视图共享物化以及 CPU/GPU 混合流水线平衡等三级策略消除冗余。实验表明,在大规模公开场景下,GDM-GS 显著降低了轨迹渲染延迟并保持了图像质量。

    推荐理由:提出 GDM-GS 框架解决 3DGS 轨迹渲染冗余,通过多级数据管理降低延迟并保留画质。

  24. arXiv · 机器人与计算机视觉28

    Sidewalk Stewards:人行道网络拓扑修复的交互式视觉分析系统

    Sidewalk Stewards 是一款填补自动提取与部署就绪人行道网络之间差距的视觉分析系统,通过协调的空间视图支持用户引导修正并实时反馈质量。对比传统工作流,该系统在跨城市案例研究中显著提升了错误识别效率及修正完整性,少量人工干预即可改善多项路网质量指标。目前该工具处于 arXiv 预印本审查阶段,代码与数据待开放许可后获取。

  25. arXiv · 机器人与计算机视觉19

    OA-BreaCR、LMV-Net与Mirai模型在乳腺影像风险预测中的时序评估新方法

    针对仅用AUC和一致性指数无法反映癌症发生时间的缺陷,研究提出以c_time作为主要时序指标重新评估OA-BreaCR、LMV-Net及Mirai模型。结果显示尽管C-index高达0.75,各模型在诊断时间排序上均未显著优于随机猜测(c_time介于0.51至0.58)。新提出的两阶段分离“是否”与“何时”模型在判别力持平的情况下,将时序排序能力提升至0.58。

  26. arXiv · 机器人与计算机视觉4

    HDR-VDC 数据集与观看条件自适应质量评估框架发布

    HDR-VDC 数据集收录 4K HDR 流媒体畸变视频,在 60/120 像素/度视角及 8 倍亮度差异下测量画质损失。研究提出融合 PU21 显示模型与 PPS 透视缩放的预处理框架,适配 35 种主流指标以消除观看条件影响。该方法使现有质量评估能准确反映不同亮度和距离下的真实视频体验。

  27. arXiv · 机器人与计算机视觉18

    Sequential Semantic-Non-Semantic Watermarking 提升数字内容水印对 UnMarker 攻击的鲁棒性

    研究结合 HiDDeN 与 StegaStamp 构建互补水印,在 MS-COCO 和 CelebA-HQ 数据集上验证了双嵌入后仍具高可解码性。面对 UnMarker 的非语义或语义单独攻击,单一水印通常保持强鲁棒性,需连续攻击才能显著削弱信号。该预印本发现多类型水印组合能增强抗单阶段移除能力,并指出 LPIPS 指标在面部图像上存在失真风险。

  28. arXiv · 机器人与计算机视觉43

    A Geometric Observer for Visual-Inertial Odometry using Optical-Flow Constraints 几何观测器论文

    该研究提出了一种利用光流约束的几何观测器,用于单目视觉惯性里程计。该方法无需估计深度或重建运动方向,即可在重力增强群 SE3(3) 上实现速度与姿态误差的全局收敛及局部指数稳定。仿真验证了激发条件、初始误差恢复及对扰动测量的敏感性,论文共 12 页含 6 幅图,已提交至 ECC 2027。

  29. arXiv · 机器人与计算机视觉42

    合成预训练在微控制器上的收益:ESP32-S3 与 RP2040 的精度、延迟与能耗实测

    合成预训练仅在真实数据稀缺时(10%)为 CNN 模型带来显著增益,全量数据下无提升。ESP32-S3 推理耗时 152.7 ms 且能耗增加 16.3 mJ,RP2040 则慢约十二倍并超出闪存容量限制。研究强调需验证 INT8 输出与参考内核的一致性,而非依赖主机评分。

  30. arXiv · 机器人与计算机视觉78

    AUROC 比较在人群混合变化下的生存条件:理论与实证审计

    本文研究二元目标下固定评分在不同组别混合时的表现,证明通用优势判定是共 NP-难问题,并给出了网格近似证书与错误包络。实验显示,冻结的 ResNet-50 在 ImageNet-C 上多数比较稳健,但存在反转案例;对 Stable LM 2 12B 输出及不确定性方法的审计发现部分比较在任务内胜出却在混合时反转,边际秩对齐可消除这些反转。

    推荐理由:该文通过理论证明与实验审计,揭示了置信度评分在人群混合比例变化下发生反转的机制,为评估模型鲁棒性提供了新的分析视角。

  31. arXiv · 机器人与计算机视觉82

    Spectral Steering:冻结扩散生成器的局部逆向几何

    针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。

    推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。

  32. arXiv · 机器人与计算机视觉42

    XLSAR-Bench:面向大尺寸 SAR 影像的 MLLM 理解基准

    XLSAR-Bench 发布了一个包含 405 张平均尺寸为 7153×7153 像素图像的综合基准,涵盖视觉问答、定位及详细描述等十项任务。该基准通过人工标注与半自动辅助,揭示了通用及专用多模态大语言模型在处理大场景 SAR 影像时存在的理解与感知挑战。项目已开源以支持开发更强大的完整大 SAR 场景 MLLM。