跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉42

    TableVista:多模态表格推理基准评测

    TableVista 是一个包含 3,000 个高质量问题、经渲染扩展为 30,000 个样本的多模态表格推理基准。研究对 29 种开源及专有基础模型进行评测,发现其在复杂结构布局和纯视觉设置下表现显著下降。该结果揭示了当前多模态模型在结合结构复杂度与视觉呈现时难以保持推理一致性的关键差距。

  2. arXiv · 机器人与计算机视觉48

    物理感知零样本学习实现低剂量 CT 单正弦图重建

    针对异质采集条件下的低剂量 CT 成像挑战,该方法利用正弦图共轭对称性合成噪声多样化数据对,实现了无需外部监督的自监督网络训练。该轻量级去噪网络在低剂量仿真、临床螺旋 CT 及预临床光子计数 CT 数据集上均展现出强大的泛化能力与竞争性性能。代码已公开,为结合物理冗余的学习型图像重建提供了通用且高效的数据范式。

  3. arXiv · 机器人与计算机视觉35

    SkillPE:面向创意的电影化技能演化文本到视频提示增强框架

    SkillPE 提出一种通过参考引导探索系统演化可复用电影化技能的创意导向提示增强框架。该框架基于专家知识初始化并标准化 20 个结构化种子技能,利用共鸣者、不协和音及发散者三类电影参考分别优化技能适用性、执行效果及激发替代实现方案。在 StoryEval 和 VBench 上的实验显示,其四维评估量表得分较种子技能最高提升 1.10 分,强于最强外部基线 1.02 分。

  4. arXiv · 机器人与计算机视觉45

    PatchGen 模型通过正则化补丁贡献提升跨域与跨类别视觉分类性能

    PatchGen 提出图像条件软权重机制,结合低分抑制与置信度目标以增强跨域和跨类别的泛化能力。实验在自然及病理图像基准上显示,该模型在多数配置下优于匹配骨干基线,且无需文本监督即可媲美视觉语言方法。arXiv 预印本已公开,代码与权重许可状态待进一步确认。

  5. arXiv · 机器人与计算机视觉68

    MAGIC-SSCIL:基于流形锚定与几何增量校准的半监督类增量学习

    arXiv 论文 MAGIC-SSCIL 提出一种无需存储旧数据的半监督类增量学习方法,通过冻结特征图的 k 近邻图传播标签并利用软加权几何校准优化统计量。实验在 CIFAR-100、CUB-200 和 ImageNet-R 上验证,该方法在极低标注比例(如 1%)下表现优异,但在高标注比例时不如自适应骨干的方法。材料为 v2 修订版,简化了部分组件并更新了基线对比与分析。

  6. arXiv · 机器人与计算机视觉65

    StyleComposer:无需训练的多参考风格组合方法

    StyleComposer 是一种无需训练或反演的扩散 Transformer 方法,旨在解决现有生成器将多参考源作为单一风格信号转移的问题。该方法发现扩散模型中每条路径传输多种属性但仅有一种表示可直接控制,因此设计路由机制分别通过潜在色度坐标处理颜色、注意力键值处理纹理、查询处理结构,并限制各路径从参考源引入的其他内容。

  7. arXiv · 机器人与计算机视觉65

    无坐标或区域标签下的视觉文档理解证据归因研究

    该研究针对视觉语言模型在坐标接口下存在的归因幻觉问题,对比了坐标与纯文本引用两种接口,发现后者能显著提升证据召回率并降低幻觉。基于此,作者提出了一种无需昂贵区域级监督的 GRPO 训练方案,通过让模型直接引用原文片段并由检索器定位位置,成功将 8B 骨干模型的严格归因准确率从 22.4% 提升至 33.8%,为视觉文档理解提供了新的实践路径。

  8. arXiv · 机器人与计算机视觉65

    Statistical Adversaries:清洁视觉数据集中天然存在的类后门对抗特征

    论文分析 ImageNet 发现,数据集中某些与特定标签强相关的自然统计信号在去除随机相关性后,能直接且可预测地改变模型预测结果。这些‘统计对手’比通用扰动更具针对性且具备跨架构迁移能力,表明数据集的分布结构本身可能驱动漏洞,建议审计时将此类虚假结构视为潜在攻击面而非仅关注偏差或解释性问题。

  9. arXiv · 机器人与计算机视觉23

    RQUL-UIE:通过数据集内自监督重振水下图像增强中的不稳定标签

    RQUL-UIE 框架利用输入到参考的修正估计,决定共享循环增强器由哪些参考进行监督。该方法在无需额外质量标注的情况下,结合层级潜空间增强与纹理细化技术,在三个评测集上优于 12 个基线模型。定性对比显示其在退化水下场景中实现了更优的色彩平衡与结构清晰度。

  10. arXiv · 机器人与计算机视觉82

    VZCrash:首个大规模车载 IMU 车辆碰撞数据集发布

    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。

  11. arXiv · 机器人与计算机视觉82

    HEART:基于 Kent 表示遍历的超球面对齐方法

    该论文针对文本条件扩散模型难以控制生成内容的难题,发现嵌入空间呈超球面而非欧几里得结构。作者提出 HEART 框架,直接在超球面上进行 Kent 分布感知的测地线变换,实现无需微调、反演或优化的主体替换与属性控制,且适用于多种架构。材料为 arXiv 预印本,未提及同行评审状态。

    推荐理由:提出无需微调的 HEART 框架,利用超球面几何与 Kent 分布实现扩散模型的精确编辑。

  12. arXiv · 机器人与计算机视觉58

    自动驾驶交通标志识别:数据集、基准与实地实验

    针对自动驾驶中跨域差异、长尾类别和语义模糊等挑战,作者发布了 TS-1M 大规模全球多样化交通标志数据集(超百万张图像,454 个标准类别)及诊断性基准。研究对比了经典监督模型、自监督预训练模型和多模态视觉语言模型(VLMs),发现语义对齐是跨域泛化和稀有类别识别的关键因素,而纯视觉模型对外观变化和分布不平衡仍敏感。

  13. arXiv · 机器人与计算机视觉52

    评估与缓解皮肤癌分类中的肤色偏见:一种基于连续属性的方法

    该研究提出了一种将肤色表示为连续属性而非类别的方法,并为每个样本分配非线性权重以改善分类公平性。在两个皮肤病数据集上的评估显示,该方法比传统的类别重加权具有更稳定的公平性提升效果,同时保持了整体分类性能。材料仅提供了预印本摘要和链接,未包含完整的实验细节或真实世界部署结果。

  14. arXiv · 机器人与计算机视觉53

    面向黑盒生成模型的无失真语义水印算法

    作者提出了一种仅需黑盒采样和语义嵌入访问的无失真语义水印算法,形式化保证了水印不会降低生成输出质量。该方法克服了传统方法对模型白盒属性或特定扩散机制的依赖,通过训练专用图像编码器在内容保持变换下实现鲁棒检测与独立样本区分,并在开源及闭源模型上验证了有效性。

  15. arXiv · 机器人与计算机视觉25

    个体判断差异的形状:共享轴、个人权重及共识跨越时刻

    该研究利用十个公开数据集(约 20,000 名评价者)提出三种嵌套生成模型,分析人脸、艺术品等判断中个体差异的形态。结果显示,人脸判断仅需重加权即可恢复,而艺术品判断中 28% 的评价者位于与群体相反的一侧。研究证实个体差异不仅存在大小之分,其形状还取决于领域和评价者样本。

  16. arXiv · 机器人与计算机视觉53

    视觉语言融合缩放定律:揭示早融合与晚融合的权衡机制

    该论文系统分析了视觉语言模型的预训练动力学,提出了一种统一的缩放定律来描述不同数据混合比例、训练步数和模型规模下的损失变化。研究发现,在固定数据预算下,早融合能保持文本性能而晚融合偏向视觉性能,且随着模型规模扩大,权衡趋势逐渐向早融合倾斜。实验证实该定律能有效预测多模态学习动态并指导融合决策选择。

  17. arXiv · 机器人与计算机视觉43

    Weight-Space Programming 在扩散模型概念编辑中的程序构建与分数引导优化研究

    该研究利用语言模型构建可执行的权重更新以进行扩散模型概念编辑,但在 Stable Diffusion 1.4 的 24 个预注册测试中未优于强基线。探索性对比显示,Astra 程序在需主体存在的全图目标匹配任务上,单步成功率较共享面板基线提升 10.0 分,而 CLIP 相对匹配无显著变化。结果证实程序构建与分数引导修订应作为 WSP 流水线中独立评估的阶段。

  18. arXiv · 机器人与计算机视觉48

    LoCaR:冻结视觉语言模型的局部画布检索框架

    LoCaR 是一个无需训练的框架,利用冻结的视觉语言模型与独立 SAM2 提案构建局部图像表示以优化小物体检索。研究引入基于 Visual Genome 的 LOCFG 基准进行评测,结果显示提升区域表征本身是主要增益来源。该工作涵盖零样本及局部检索任务,代码或权重开放许可情况未明确说明。

  19. arXiv · 机器人与计算机视觉45

    When Lower Harm Misleads:概念修正审计与乳腺超声诊断优化研究

    针对专家修正预测(如乳腺超声 BI-RADS 描述)时“降低伤害”指标可能误导的问题,研究者提出一种可复现的修正审计协议。该协议在三个乳腺超声数据源上验证发现,单纯追求低伤害会牺牲有用增益并推高负对数似然;仅在结合有用增益、绝对风险及起始预测共同解读时,“降低伤害”才真正代表更好的修正效果。

  20. arXiv · 机器人与计算机视觉35

    EviSlide-MIL:多查询池化与共享预测用于类增量全切片图像分类

    EviSlide-MIL 提出一种结合每类多个可学习查询与共享预测模块的框架,解决全切片图像在引入新肿瘤亚型时的知识遗忘问题。该模型通过冻结历史查询、经验回放及知识蒸馏,在 TCGA 八种肿瘤亚型数据集上实现了优于竞品的性能并降低遗忘。代码与预训练模型将发布,适用于弱监督下的癌症诊断场景。

  21. arXiv · 机器人与计算机视觉58

    Learning Grounded Reasoning from Human Gaze

    arXiv:2611.23209 论文提出利用人类注视数据作为先验来引导 VLM 的视觉推理,在图表理解、视觉搜索和计数等任务中表现优于全序列监督。作者收集了 7,109 次人类注视试验并训练了 GGR(Gaze-Guided Reasoner)模型,该模型实现了更高的人类对齐度和更可靠的视觉定位,同时匹配或超越了领先的基线准确率。

  22. arXiv · 机器人与计算机视觉67

    少说错得少?诊断并修复偏好优化视觉语言模型的物体覆盖不足

    该研究发现偏好优化(PO)在降低大视觉语言模型物体幻觉的同时,也显著降低了物体命名数量。研究证明,通过调整序列结束概率即可复现大部分召回率增益,而无需训练。作者提出一种基座引导的物体类别恢复方法,在不增加幻觉的前提下将 PO 模型的召回率提升至接近基座模型水平。

  23. arXiv · 机器人与计算机视觉42

    TextSphere:通过共享超球面对齐实现高效文本生成图像

    TextSphere 是一种将语言条件与跨模态对齐引入 Sphere Encoder 的高效文生图框架。该方法利用预训练 CLIP 嵌入引导生成,并通过 SSAU 目标优化超球面上的语义对齐与表示均匀性。在 CUB-200-2011、MS-COCO-2014 和 Flickr30k 数据集上,仅需 4 至 6 步采样即可将 gFID 降至基线以下且 rFID 低于 1.0。

  24. arXiv · 机器人与计算机视觉43

    GameRealm:基于游戏原生监督的视觉基础模型大规模数据集发布

    GameRealm 是一个包含超 1.2 亿 RGB 帧和 1000 小时游戏录像的大规模数据集,提供深度、相机参数及音频等多模态同步监督。该资源涵盖单目至全景等多种视图配置,旨在解决训练数据碎片化问题并增强视觉生成与几何学习能力。其统一采集管线结合人工交互与智能体探索,为物理智能发展提供了可复用的基础数据支撑。

  25. arXiv · 机器人与计算机视觉42

    FMT:固定步数并行无损图像压缩格式发布

    FMT(Fixed-step Multiscale Tree)是一种将解码顺序与熵编码器协同设计的无损图像格式,确保任意尺寸图像均在固定数量的串行步骤内完成解码。该格式在无需网络时即超越 NVIDIA HTJ2K 的体积与速度;配合大型网络,在相同 A100 GPU 上将 Kodak 照片解码速度提升 9 至 61 倍,且优于同类学习型编码器。

  26. arXiv · 机器人与计算机视觉71

    当锚点偏移目标:用于扩散强化学习的优势门控适应

    论文指出前向过程强化学习在利用移动策略副本作为锚点进行稳定训练时,会因负优势导致凹性更新干扰正反馈教学。作者形式化这一冲突为锚点耦合问题,并提出优势门控适应方法,通过参数无关的门控函数区分处理正样本的目标拟合与负样本的局部排斥方向,同时利用冻结预训练参考保留长程行为。实验表明该方法在组合生成、文本渲染和偏好对齐任务中提升了奖励与质量的权衡效果。

  27. arXiv · 机器人与计算机视觉83

    M3OPD-Reasoner:一种基于多教师同策略蒸馏的视觉语言模型后训练开放配方

    论文提出 M3OPD-Reasoner 这一完全开放的视觉语言模型(VLM)后训练方案,涵盖图像 STEM、图像感知和视频三个推理领域。研究构建了包含 1.35M 样本的监督微调数据集和 19.3K 样本的强化学习数据集,并在去污染后的 21 个基准测试上验证了多教师同策略蒸馏(MOPD)结合组序列策略优化(GSPO)及混合强化学习的最佳组合效果。

    推荐理由:作者提出 M3OPD-Reasoner 开源配方,通过多教师同策略蒸馏与强化学习结合,在图像 STEM、感知及视频推理任务上实现性能提升。

  28. arXiv · 机器人与计算机视觉71

    当更大的引导尺度能修复文生视频失败以及何时不能:一项测量研究

    该文针对文生视频扩散模型忽略提示词部分的常见修复手段(提升分类器自由引导尺度)进行了测量研究。研究发现,该手段仅在提示词不含否定词、无特定时间绑定事件且'需求分'足够高时才有效;对于否定句或晚期事件失败,重新生成反而更有效。作者提供了基于提示词和首阶段去噪分数的事前判断规则及三种失败类型的修正方案。

  29. arXiv · 机器人与计算机视觉38

    Rescaling OLS-Merged Adapters 提升个性化图像生成效果

    Rescaling OLS-Merged Adapters 方法通过重缩放合并更新量,解决了普通最小二乘法(OLS)在激活分布重叠时削弱任务特定信号的问题。在多主体个性化场景下,该方法将合并适配器数量扩展至 30 个,显著提升了主体保真度并优于未缩放基线。此外,该技术在风格迁移、概念擦除及图像分类等任务上也取得了改进效果。

  30. arXiv · 机器人与计算机视觉84

    无需训练的建筑变化检测方法:基于示例诱导的判别式特征

    建筑变化检测通常依赖昂贵的大规模密集标注。本文提出 Linear INduced Discriminants (LIND),一种无需训练的框架,将区域特征对比转化为可复用的线性分类器。

    推荐理由:提出无需训练的线性判别框架,利用少量标注实现跨数据集的建筑变化检测。

  31. arXiv · 机器人与计算机视觉80

    LOCUS:一种用于自回归图像生成的因果支持窗口属性控制方法

    针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。

    推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。