跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉72

    CADMAGEDDON:基于本地推理的高保真 CAD 重建开源代理

    针对专有零件不愿外泄及小团队算力受限的问题,研究提出 CADMAGEDDON,这是一个可在单显卡或当前代笔记本本地运行的开源智能体。该方法将复杂任务拆解为关于构建与修正的简单视觉决策链,利用几何工具支持精确构造,使智能体专注于视觉推理。

  2. arXiv · 机器人与计算机视觉45

    FM-Mamba:一种具有稳定性感知离散化的高效原生二维选择性状态空间模型

    FM-Mamba 提出了一种基于 Fornasini--Marchesini 模型的原生二维选择性状态空间架构,通过耦合递推沿双轴演化并自适应调整步长以抑制局部放大。该模型采用双对角波前扫描执行,无需将特征图展平或固定缩放因子,代码已开源。

  3. arXiv · 机器人与计算机视觉38

    Fiberpose:基于距离变换神经网络的纤维形态测量与实例分割最先进框架

    Fiberpose 将纤维分析重构为平滑距离变换场的直接回归,通过几何算法在统一工作流中实现直径与方向测量。该独立 Python 桌面应用及 Web 工具在 SEM 图像数据集上,实例分割精度优于 SAM2 和 Cellpose-SAM,直径测量更准于 DiameterJ、Fibar 和 GIFT,且在弱边界密集区域有效并具备跨显微模态的定性泛化能力。

  4. arXiv · 机器人与计算机视觉42

    RoadAnnoter v1.0:开源桌面工具助力道路场景语义分割标注

    RoadAnnoter v1.0 是一款集成六种人机协同模式的开源桌面应用,支持手动绘制、SAM 提示及 SegFormer 预训练建议等。该工具利用 Cityscapes 训练的 SegFormer 和 TinySegNet 生成标注建议,并导出 YOLO 格式数据。研究已将其用于孟加拉国事故地点的 Google Street View 图像标注,定性评估显示其在多样几何特征上具有互补适用性。

  5. arXiv · 机器人与计算机视觉82

    Pelorus:一种具备资源感知能力的激光雷达惯性里程计方法

    针对高分辨率激光雷达在线处理效率低且缺乏资源约束的问题,作者提出了 Pelorus 方法。该方法采用固定容量的体素化法线分布地图和迭代等变状态估计器,通过基于相关性的驱逐机制限制内存占用,并利用成熟度加权的地图更新抑制不一致观测。

    推荐理由:Pelorus 提出资源感知的激光雷达惯性里程计方法,在固定内存容量下实现低 CPU/GPU 负载,并开放 CUDA、Vulkan 及 Metal 后端代码。

  6. arXiv · 机器人与计算机视觉75

    扩散模型是否学会泛化基础视觉技能?VGL 框架揭示外推与组合泛化局限

    本文介绍 Visual Generative Lab (VGL),一个用于研究扩散模型如何学习和泛化基础视觉技能(如大小、位置、旋转、数量等)的受控实验框架。通过基于规则的合成数据训练,研究发现默认设计下模型的外推能力有限:尺寸和位置在训练范围外仅几像素即退化,数量泛化准确率约 50%,且组合泛化更依赖技能组合数而非数据集规模。代码与数据生成脚本已开源。

  7. arXiv · 机器人与计算机视觉78

    HandRSI:用于手部姿态估计的递归自改进框架

    针对以眼为中心的手部 3D 姿态估计器存在的边界漏检、遮挡误判和抖动问题,作者提出了 HandRSI 递归自改进框架。该框架通过编码代理迭代优化推理工具包,仅在综合指标提升且无显著退化的情况下接受变更,并利用选择性蒸馏监督无真值帧中的手部存在与时序一致性。

    推荐理由:报告了递归自改进框架在边界漏检、遮挡和抖动上的效果,代码与评估器公开。

  8. Hugging Face Daily Papers83

    π^4:一种用于 4D 场景几何与运动的统一基础模型

    论文介绍 π^4 作为统一的 4D 场景感知基础模型,能从野外未校准的 RGB 输入(单图、无序集合或视频序列)恢复稠密几何、相机位姿和度量尺度,同时输出 2D/3D 点轨迹及移动物体掩码。系统耦合几何分支与几何条件化的运动分支,在共享骨干网络下约含 05B 参数,单次前向传播即可完成大规模场景的联合重建与跟踪。材料提供数据、训练配方及关键设计选择的实证研究,代码与模型已开源。

    推荐理由:该预印本提出统一模型以单张图像或视频序列恢复稠密几何与运动,参数量小于多数基线。

11月17日周二
  1. 量子位77

    MatOS:面向材料研发的科研智能体系统正式开源

    北京中关村学院 AI 材料研究所发布的 MatOS 科研智能体系统正式开源。该系统将数据、知识、工具等组织为科学资产,通过有状态自适应工作流执行长周期任务,并利用证据驱动机制持续进化资产库。

    推荐理由:MatOS 系统开源,通过分层资产图与有状态工作流解决材料研发长周期任务中的工具接入、状态保持及经验复用难题。

  2. arXiv · 机器人与计算机视觉67

    为何转向有效:迈向大语言模型参数动力学的统一视角

    论文提出将局部微调、LoRA 及激活干预等 LLM 控制方法视为由控制信号诱导的动态权重更新,构建了统一的偏好 - 效用分析框架。研究发现控制强度增加会提升对目标概念的倾向(偏好)但降低生成连贯性(效用),并通过激活流形视角解释了这一权衡机制。作者据此提出了新的转向方法 SPLIT,旨在改善偏好同时更好地保留效用。代码已开源。

  3. arXiv · 机器人与计算机视觉37

    Med-DisSeg:一种基于色散驱动的细粒度医学图像分割框架

    Med-DisSeg 提出轻量级 Dispersive Loss 辅助正则化,通过联合通道与空间建模增强结构响应及多尺度自适应校准,解决目标与周围组织视觉相似导致的特征可分性不足问题。在涵盖三种成像模态的五个公开数据集上,该框架在小尺寸、形变及边界模糊目标的分割任务中展现出有效性与鲁棒性。源代码与预训练模型将在论文接收后发布。

  4. arXiv · 机器人与计算机视觉67

    BLIP-Live:在主动流式视频智能体中平衡及时性与发射精度

    针对实时交互系统需兼顾自然回应与避免误报的需求,本文提出 BLIP-Live 框架,统一了数据、指标、工具链及训练范式。研究构建了包含人类标注的 BLIP-Live-780K 数据集以定义主动行为,并提出了 PAUC-F 指标来衡量早期有用响应同时抑制过度触发。

  5. arXiv · 机器人与计算机视觉73

    CLIFT:基于对比学习的 LiDAR 实例特征用于 3D 行人跟踪

    CLIFT 方法通过在 LiDAR 检测器的中间体素特征上引入实例级对比学习目标,将检测器本身转化为跟踪器,无需依赖运动模型或重识别网络。该方法利用检测框内的体素嵌入,通过余弦相似度和匈牙利算法进行跨帧匹配,并在微调过程中保持检测精度基本不变。

  6. arXiv · 机器人与计算机视觉71

    Room for Supervision:一种无需训练的物体检测数据集蒸馏方法

    论文介绍 GRASP 方法,旨在解决现有物体检测数据蒸馏依赖学习模型且可能改变对象空间关系的问题。该方法在不进行网络训练或推理的情况下,通过联合搜索图像选择与空间布局的凸分配子问题,将密集的原生监督信息压缩到有限像素中。

  7. arXiv · 机器人与计算机视觉82

    VoxSAOR:一种基于偶然不确定性建模的语义感知占用鲁棒化框架

    论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。

    推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。

  8. arXiv · 机器人与计算机视觉53

    DEFDVO:一种用于等距矩形图像的可变形深度视觉里程计方法

    论文提出 DEFDVO 方法,通过结合球面先验的可变形特征提取、端到端的接缝感知估计以及基于球面梯度的补丁选择,解决了全景相机等距矩形投影带来的畸变与采样偏差问题。该方法仅在 TartanAirV2 合成数据上训练,在 360DVO 基准测试中将平均绝对轨迹误差降低了 4.8 倍,并取得了真实世界数据集上的最低平均 ATE。代码已开源。

  9. arXiv · 机器人与计算机视觉48

    RescueVLM:基于 SketchVLM 的开源免训练救援无人机视觉语言框架

    RescueVLM 是基于 SketchVLM 构建的开源、免训练且模型无关的救援工具,支持在本地部署并通过下拉菜单切换底层模型。该框架在德国消防队实地数据及实火演习中验证有效,单次自然语言查询即可将数百张图像浓缩为带 SVG 标注和 GPS 定位的关键帧短名单供指挥官审阅。

11月16日周一
11月14日周六
11月13日周五
  1. 量子位58

    openJiuwen发布RSI原生AgentOS,开放多环节扩展点以支持系统插件热插拔

    openJiuwen发布RSI原生AgentOS,为WorkSwarm等应用提供界面、网关与服务端的扩展入口,支持新功能热插拔与版本管理。材料展示了通过对话生成桌宠形态、Token用量监控及团队协作可视化等系统插件的实战流程,并提供了故障回退机制与企业接入适配方案。

  2. arXiv · 机器人与计算机视觉78

    CanViT:迈向主动视觉基础模型

    论文介绍 Canvas Vision Transformer (CanViT),这是首个任务与策略无关的主动视觉基础模型 (AVFM)。该模型利用场景相对 RoPE 结合视网膜视觉骨干网络与时空图景全局潜在工作区,并通过 Canvas Attention 机制实现高效交互。

    推荐理由:提出首个任务与策略无关的主动视觉基础模型 CanViT,在低分辨率瞥视下实现优于现有模型的分割精度与推理效率。

  3. arXiv · 机器人与计算机视觉70

    VMonarch:一种用于视频扩散 Transformer 的高效结构化注意力机制

    针对视频扩散 Transformer(Video DiTs)中注意力机制二次复杂度限制上下文扩展性的问题,本文提出 VMonarch 新机制。该方法利用 Monarch 矩阵表示稀疏时空注意力模式,通过时空因子化显式捕捉帧内与帧间相关性,引入重计算策略缓解交替最小化带来的伪影,并融合在线熵算法实现长序列的快速更新。

  4. arXiv · 机器人与计算机视觉78

    超越问答:学习先说话再行动的流式视频大模型

    论文介绍 AURA 2.0,这是一个流式视频大语言模型,具备模型发起对话、流式工具调用和交互式视觉定位等核心升级能力。作者构建了专用数据集并采用三阶段训练方案整合新行为,引入长视界交互记忆以维持上下文连续性。公开基准测试显示其在开源流式模型中表现领先,相关权重与推理代码已开源。

    推荐理由:该预印本提出 AURA 2.0,通过模型发起对话、流式工具调用及交互式视觉定位等升级,在开源流式视频大模型中表现领先。

  5. arXiv · 机器人与计算机视觉59

    Iris-Z:单一生成模型超越专用几何模型的扩展性研究

    Iris-Z 是一个通用图像生成器,能在同一骨干网络中同时生成外观和几何信息、从照片估计深度以及将图像绘制到给定深度上。该研究验证了统一架构在单目几何任务上的可扩展性,表明其在不增加专用层的情况下,于既定深度基准上超越了最先进专用模型。作者开源了两个版本的模型供社区使用。

  6. arXiv · 机器人与计算机视觉58

    TRACE:无需训练的轨迹同步视频生成分辨率扩展方法

    论文提出 TRACE 方法,旨在解决现有文本到视频模型在高分辨率下训练成本高且无训练方法细节丢失的问题。该方法通过同步低分辨率与高分辨率的生成轨迹,在去噪早期阶段对齐场景内容,利用低分辨率预测计算高分辨率更新而无需进行高分辨率模型推理。

  7. arXiv · 机器人与计算机视觉82

    Open Vision Banana:一种用于生成式视觉感知的完全开放配方

    论文提出了 Open Vision Banana (OVB),这是一种将预训练图像生成器转化为统一多任务感知系统的完全开放且可复现的配方。研究分析了颜色编码、提示设计等关键设计选择对泛化性的影响,并指出这些选择存在交互效应。

    推荐理由:作者提出完全开放的生成式视觉感知配方,公开数据集处理与训练代码,复现并超越了闭源基座模型的性能。

  8. arXiv · 机器人与计算机视觉48

    V-JEPA Features 用于多视角三维重建的预印本研究

    该研究利用视频预训练特征结合相机估计与场景聚合,在 CO3D 数据集上对比了全局与空间相机回归配置。结果显示空间相机配置虽降低轨迹误差但深度表现不及恒值中位数深度,联合相对目标优化改善了归一化内参误差却增加了原始 Chamfer 距离。研究强调需分离组件比较以区分表征适应、对齐形状与原始重建效果,代码已开源。

11月12日周四
  1. 量子位60

    MiniMax开源SOTA生图模型H3-Image,原生4K且支持CAD拆解与高数解题

    MiniMax开源了旗舰图像生成模型H3-Image,该模型原生支持16MP(4096×4096)分辨率,推理速度约10-20秒。其核心能力包括去AI味的高保真人脸细节、最多16张参考图输入以维持角色一致性,以及独特的世界理解能力:可自动生成正交三视图和机械爆炸图,甚至能生成包含正确解题步骤的微积分试卷。材料指出该模型已开源且API调用价格仅为竞品50%至70%,首周16MP请求享五折优惠。

  2. Luxonis DepthAI · Releases12

    Luxonis DepthAI v3.12.1 发布:修复 OAK4-FFC 单目驱动与多设备同步故障,ToF 相机健康检查改用 ToF 节点

    Luxonis DepthAI v3.12.1 修复了 OAK4-FFC 单目模块误用彩色驱动的问题,并解决多设备管道因不支持外部帧同步而启动失败及固件崩溃等缺陷。在特定条件下,ToF 场景处理帧率从 12.34 FPS 提升至 30.06 FPS(+144%),同时优化了 macOS 退出时的遥测数据保留机制。该版本已集成测试 Luxonis OS 1.48.0,旧版系统行为保持不变。

11月11日周三
  1. Hugging Face Daily Papers42

    TorchCurves:可微参数曲线 PyTorch 库发布

    TorchCurves 是 Alex Shtoff 开发的 PyTorch 库,将向量值参数曲线作为可学习原语处理。该库支持 B-spline 或 Legendre 多项式基表示,允许对输入和系数进行联合优化,涵盖从连续特征嵌入到 Kolmogorov-Arnold 网络的应用。GitHub 仓库已开放下载,但代码与权重暂无商用许可说明。

  2. arXiv · 机器人与计算机视觉72

    PaGeR:基于多视图基础模型的统一全景几何估计方法

    论文介绍 PaGeR(Panoramic Geometry Reconstruction)框架,旨在利用多视图基础模型从全景图像中重建 3D 场景结构。该方法通过最小化架构改动并在训练中混合视角与全景数据,使预训练变换器能够单次前向预测尺度不变深度、度量深度、表面法线和天空掩膜。

  3. arXiv · 机器人与计算机视觉78

    一种保留已习得正确答案的多模态拒答方法

    针对多模态模型在任务适配后加入拒答机制可能丢失正确答案的问题,本文提出了 ReFrain(无回归拒答)方法。该方法结合首 token 对数概率线性探测、图像簇阈值校准及确定性否决机制,在替换被拒绝输出为“以上都不是”选项的同时保留所有其他响应。

    推荐理由:提出 ReFrain 方法,在保持微调增益的同时显著提升不可回答问题的正确拒绝率。

  4. arXiv · 机器人与计算机视觉83

    迈向可靠的 VLM 裁判:状态条件不变性与呈现感知诊断

    论文提出状态条件不变性(SCI)原则,要求视觉语言模型在保持语义不变的呈现变化下保持稳定,同时能响应改变任务结果的因果干预。作者构建了 GridWM-Judge 基准,利用确定性 MiniGrid 轨迹生成全量、证据移除及反事实变体,结合呈现与表征探测进行诊断评估。

    推荐理由:提出状态条件不变性原则,构建基于确定性轨迹的仿真基准以诊断多模态模型作为裁判时的感知与因果敏感性。

  5. arXiv · 机器人与计算机视觉43

    RS-JEPA:基于 Vision Mamba 与扫描路径视图的遥感跨传感器图像检索架构

    RS-JEPA 提出一种仅含 3.88M 参数的紧凑联合嵌入预测框架,在 BEN-14K、CBRSIR-VS 和 DSRSID 基准上实现最高 F1@5(分别为 72.92%、80.35% 和 94.43%)。该方法利用 Vision Mamba 编码器共享及对抗视图耦合机制,在无需人工标签的情况下实现了 SAR-光学与 PAN-多光谱图像的高效跨模态检索。

  6. arXiv · 机器人与计算机视觉78

    DisasterAgent:一种基于证据的代理,用于从遥感影像生成可验证的灾害报告

    针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。

    推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。