Luxonis DepthAI Release 3.12.2 修复 RVC4 早期 LITE 模型占用半内存问题并升级系统要求
Luxonis DepthAI Release 3.12.2 发布,修复了 RVC4 架构下早期 LITE 模型锁定一半可用 RAM 的缺陷。用户需将操作系统更新至 1.49.0 或更高版本以永久应用此修复。该更新通过 GitHub Releases 渠道提供,解决了特定模型在资源受限环境下的运行稳定性问题。
Luxonis DepthAI Release 3.12.2 发布,修复了 RVC4 架构下早期 LITE 模型锁定一半可用 RAM 的缺陷。用户需将操作系统更新至 1.49.0 或更高版本以永久应用此修复。该更新通过 GitHub Releases 渠道提供,解决了特定模型在资源受限环境下的运行稳定性问题。
该系统集成 OrangePi 3 LTS 单板机与 LSM6DS3TR-C 惯性测量单元,通过 I2C 接口在约 208 Hz 采样率下采集多传感器加速度数据。实验在小翼展固定翼无人机上完成多次出租车振动测试及环境振动测量,证实了系统在相同条件下提供一致加速度数据和可重复功率谱密度曲线的可靠性。硬件总成本低于 600 欧元(约 690 美元),为航空航天结构测试提供了紧凑、可扩展且经济的替代方案。
HDNet 提出高分辨率双域学习网络,通过 HR 空间谱注意力模块与频域学习机制,解决自注意力牺牲分辨率及重建图像视觉差异问题。该方法在模拟和真实高光谱数据集上实现 SOTA 性能,代码与模型将发布,并提供 HuggingFace 在线 Gradio 演示。
Mask-guided Spectral-wise Transformer (MST) 提出了一种针对编码孔径快照光谱成像(CASSI)系统的高光谱图像重建框架,利用掩码引导机制捕捉谱间相似性与长程依赖。该方法在仿真与真实数据集上显著优于最先进方法,同时大幅降低计算与内存成本。代码、预训练模型及 Gradio 在线演示均已公开。
针对事件相机在自动驾驶和机器人领域面临的对抗样本威胁,本文提出了 MA-ADV 框架。这是首个利用点云表示来生成对抗事件的工作,通过扩散方法平滑扰动并结合 Adam 优化与二分搜索寻找最小成本扰动。实验表明该方法能以极小扰动实现 100% 的攻击成功率,揭示了未来基于事件的感知系统面临的关键安全挑战。
BiSRNet 针对资源受限移动设备,提出一种用于快照压缩成像(SCI)系统的高效高光谱图像恢复方法。该方法通过重设计二值化基座模型及引入自适应重分布卷积单元,在保持与全精度算法相当性能的同时优于现有二值化技术。代码、模型权重及 Hugging Face 在线演示均已公开。
该研究提出一种双层图像水印架构,利用相干光学 4F 单元执行傅里叶变换以生成水印。模拟实验显示,该系统在 877 张未受攻击图像中验证成功率至少为 99.5%,且对无标记图像的接受率为零。此外,该方案具备密钥选择性,在未受攻击图像上的检测率达 99.8%,但在 1% 的缩放误差或 1 bin 的掩膜偏移下检测率降至 0%。
arXiv 论文《EviScope: Evidence-Conditioned Sampling for Long-Range 3D Detection》由中科院自动化所等机构研究人员提交,提出了一种名为 EviScope 的最小化模块。
该研究指出 LiDAR 与相机的观测一致性并不等同于传感器内部几何的准确性,系统性的 LiDAR 高度偏差会被吸收到估计的外参中。作者利用同步的 LiDAR 强度和相机估算的棋盘格姿态,联合估计了跨记录共享的传感器特定高度修正及每个记录的外参。
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。
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。
安谋科技举办新品说明会,深度解析Arm Cortex-M42 CPU并正式发布“星辰100e”AIoT原型平台。该平台采用Cortex-M42搭配Ethos-U55 NPU,已在FPGA平台上跑通关键字检测、目标识别和自动语音识别等用例。
Sharon Spielman 于 2026 年 1 月加入 Vision Systems Design,凭借三十余年工业自动化的编辑经验指出,尽管 AI 发展迅速,图像质量对视觉系统性能仍至关重要。文章强调在智能驾驶与具身智能领域,高分辨率、低噪声的原始图像数据是保障感知精度与安全性的基础前提。
该论文针对 4D 雷达点云稀疏、噪声及定位精度有限导致的配准里程计挑战,提出 RaDiVe 框架。方法包括限制对应搜索至近距体素对的距离受限 NDT 以提升优化稳定性与效率;利用测量多普勒径向速度与估计自车速度预测值的差异构建速度差异点不确定性模型以缓解测量歧义;并通过隐式神经映射提取基于有向距离函数的表面点以构建几何一致且去噪的局部子图。
论文介绍了 VZCrash,这是目前公开可用的最大规模真实车辆碰撞数据集,包含超过 31,000 个验证后的碰撞事件和 158,000 个负样本。数据来自安装在 73,010 辆不同尺寸商用车辆上的设备,在美国行驶数年间采集,每个样本包含 100 Hz 的加速度与角速度以及 1 Hz 的 GPS 速度。
推荐理由:该数据集包含超 3.1 万起真实碰撞与 15.8 万负样本,为训练高鲁棒性碰撞检测模型提供了大规模 IMU 数据支撑。
Pressure Drop 提出利用高度计测量直接观测重力矢量方向,理论评估了估计噪声并验证了传感器间距的影响。实验显示该系统在半静态场景下倾斜估计中位误差为 $0.87^\circ$,在动态场景及加速度计饱和情况下性能媲美甚至优于惯性测量单元(IMU)基线方法。该方法已集成至迭代最近点(ICP)算法,展示了在机器人系统中的潜在应用价值。
Event-Based Dynamic Lip Region Estimation During Speech 提出基于事件相机的动态唇区预测方法,在低光照等挑战环境下实现高精度定位。
RVT-T 模型基于 v2e 模拟器生成的合成事件数据,在 Jetson Orin Nano 平台上以约 136 ms 延迟和 2.02 J/样本能耗实现海上人员实时检测。该模型在 843 个测试样本上达到 15.63% AP50:95,显著优于 YOLOv8n(6.89%)和 RT-DETR-R18(9.44%)。研究已接受于 WACV 2027 海事计算机视觉研讨会,代码与数据待开放许可。
UnrealEvent 是一款运行于 Unreal Engine 5.5 的合成数据集生成管线,通过 V2E 事件帧生成器与 EasySynth 语义渲染将场景序列转化为配对事件表示及 YOLO 格式标注。该工具在 eTraM 基准上评估显示 YOLOv8 检测器具备强域内性能但存在显著的仿真到现实差距,尤其是行人目标;微调少量真实数据可提升实域表现,凸显资产多样性与传感器校准的重要性。
MOSAIC 框架通过在线传感器设置估计,从普通运动中恢复传感器解剖身份与安装朝向,无需标定姿态。该方法利用身体姿态连续变化而传感器设置持久的特性,将模糊动作转化为互补证据,使预训练姿态估计器在随机化设置的真实惯性记录上实现接近校准的姿态精度。该成果为可互换传感器与预训练模型之间提供了可复用的接口,支持跨姿态网络的设置恢复。
针对未对齐 RGB 引导超光谱超分辨率缺乏大规模真实基准的问题,作者提出首个包含 403 个室内外场景的双相机数据集 DUET,并给出 TANGO 方法。该方法先通过端到端全局对齐补偿跨相机位移,再经粗细粒度局部特征对齐修正不一致性,并利用学习门控机制衰减无法匹配的 RGB 引导。
DGV-DLIVO 提出一种针对水电溢洪道等长地下结构重复几何特征的自适应融合方法,利用激光雷达退化方向作为主动引导信号。实验显示该方法在手持或车载采集下保持连续运动估计,40 米隧道序列进度比达 91.4%,显著优于现有 LIO、LIVO 和 VIO 方法的停滞或发散问题。源代码与补充视频已公开提供。
针对伪装车辆检测难题,本文提出一种结合光谱、偏振和红外三模态的决策级共识融合框架。该方法在多孔径成像设置下,通过有界配准容差内的跨模态检测结果组合,降低了对精确像素级对齐的依赖,同时保持实时性能。
该论文发现现有面部隐私保护方法的评测结果存在缺陷:输入端直接喂入整图或检测框而非对齐裁剪,导致防御效果被高估;阈值设定沿用旧标准,在整图上产生偏差。作者通过引入可微分对齐算子并修正评分方式,在不重新生成图像的情况下,将转移攻击的规避保护降低了 56%,预算分配攻击降低 7%。实验显示,修正后的方法在三个未见识别器上性能提升显著,且改变了 L-infinity 转移攻击的排名顺序。
推荐理由:文章指出既有面部隐私评测因输入与阈值设定错误而高估了防护效果,并给出可复用的修正方法与实验数据。
奥比中光与 ThinkRobotics 在班加罗尔科技峰会首次全面展示其机器人免数据收集硬件平台,整合 EGO、WristCam、UMI 及 Hub 设备。该平台提供 1080p 以上高分辨率采集与小于 1ms 的多设备同步精度,满足印度市场对轻量化穿戴设计及多模态数据的需求。
针对成像系统中因运动或像差导致的平移变退化难题,该研究提出基于奇异值分解(SVD)的图像复原框架。方法依据累积能量百分比筛选小奇异值以抑制噪声放大,并在双向线性、高斯及简谐三种运动模型下验证了恢复细节与去模糊效果。论文为 arXiv 预印本,代码与权重暂未开放。
针对漫射飞行时间 LiDAR 违反单射线假设的问题,提出一种估算每个像素足迹及相对空间敏感度的简单空间校准程序。该方法利用扫描高反贴片与背景减法恢复像素级响应图,为跨模态对齐提供显式的 LiDAR 到 RGB 对应关系。研究在 ams OSRAM TMF8828 设备上进行了演示验证。
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。
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。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
针对机载激光扫描点云中电力线的分割与识别问题,研究对比了基于迁移学习的 Point-SAM 方法与规则法,并推导了用于三维悬链线的 RANSAC 数学公式。在法国 LiDAR HD 项目新发布的 PowLiDFR 数据集上验证显示,无监督迁移学习优于规则分割,且 RANSAC 算法在拟合悬链线形状方面表现更佳。该成果共 8 页含 10 幅图,已获 VISAPP 2027 录用并公开提供数据集下载。
论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。
该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。
该研究介绍了一种选择性、可控的传感器采集机制,允许用户指定第二传感器的目标使用率,系统仅在主传感器性能不足时自动触发额外传感。该方法通过在线阈值调整适应主传感器近期表现,无需针对特定模态或环境进行校准,适用于单帧和序列定位任务。
Radar Panoptic Transformer(RPT)提出端到端点基网络,利用雷达自适应特征提取与语义引导掩码预测解决稀疏点云分割难题。该模型在 RadarScenes 数据集以 31Hz 实时推理速度达到 71.6% mIoU 和 82.2% PQ 的最优性能。此外,RPT 在 MAN TruckScenes 长程全周视雷达设置(探测距离达 230m)中超越所有评估基线。
针对建筑工地夜间及隧道等低光场景,事件相机凭借微秒延迟和超 120 dB 动态范围,在低光测试集上以 27.2 AP 优于 RGB 的 21.3 AP。像素对齐 PEOD 数据集验证了无训练融合方案在所有光照下均达 33.3 AP 的最优性能。研究还发现高速运动是事件检测器的主要挑战,并提出了相机布设指导。
论文介绍 RelMLLM,一种专门用于处理 RGB 和热红外(TIR)传感器输入的 RGB-T 多模态大语言模型。该模型通过显式学习跨模态关系来改进特定任务的决策制定,将模态可靠性、跨模态关系及主导模态表示为可验证的决策状态。
PALIN 是一个大规模内在像素对齐的多模态数据集,包含约 8000 帧来自静态城市路口和多样化移动郊区场景的数据,联合捕捉几何与近红外强度信息。基于该数据集提出的 CMambaFusion 框架利用双向跨模态交互模块和门控拼接 Mamba 模块进行特征融合,实验表明其在纯 LiDAR 及代表性融合基线上实现了更优的精度效率权衡。
针对带宽受限的无人机监控场景,研究如何在 1 Mbps 下行至 1 kbps 时高效传输信息。提出的 BPS 方案在机端运行检测与跟踪器,仅发送由任务卡选出的多帧事件记录(平均 25 字节),优先于位置和图片。