跳到正文
11月11日周三
  1. Vision Systems Design1

    VSD 发布每周视觉词汇游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周度文字游戏,玩家需在六次尝试内猜测与机器视觉、工程或系统集成相关的五字母单词。游戏界面模拟设计布局,通过绿黄灰颜色反馈提示正确位置、存在但错位及无关字母,并支持查看用户排名。

  2. 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。

11月9日周一
  1. arXiv · 机器人与计算机视觉35

    Geospatial Foundation Models 领域缺乏统一标准,arXiv 论文审计揭示评估与权重发布现状

    针对地理空间基础模型(GFMs)评估不标准化、权重未开放及预训练配置混乱的现状,一项涵盖 152 篇论文的审计发现近半数研究未发布模型权重且存在大量跨论文结果分歧。作者提出六项具体期望以解决社区协调失败问题,旨在建立共享理解与改进路径,而非指责特定实验室。该工作为 cs.CV 领域提供了明确的标准化行动建议。

11月6日周五
  1. arXiv · 机器人与计算机视觉18

    白氏错觉的进化假说:恒定百分比修正与现代个体差异

    该研究提出恒定百分比修正函数是维持变光环境下材料判断的自适应机制,解释了群体均值稳定而个体存在学习或适应差异的现象。基于改进的前向模型,作者证明对背景亮度应用此修正即可复现白氏错觉,为情境明度判断提供了紧凑计算解释及可测试的进化诠释。论文共 12 页含 7 幅图,预印本发布于 arXiv,涉及神经元认知与计算机视觉领域。

11月5日周四
11月4日周三
  1. OpenCV Blog18

    OpenCV 直播演示构建机器人视觉皮层:结合 RealSense、Jetson 与 VLM 实现自主导航及自然语言控制

    OpenCV 于 11 月 5 日举办开发者专场,展示如何搭配 RealSense 深度相机、NVIDIA Jetson、ROS 2 及视觉语言模型构建机器人“视觉皮层”。现场基于 AgenticROS 演示了空间推理、自主导航、人形检测交互及自然语言控制等任务,并提供可运行的开源代码。

11月1日周日
  1. 量子位65

    DeepSeek发布Super-agent自主Agent底层架构原型

    DeepSeek官方开源了名为Super-agent的自主智能体(Personal Agent)底层架构原型,旨在解决传统单会话模式下人类注意力受限的问题。该系统采用双层架构设计:上层Router负责跨平台任务调度与上下文维护,下层Worker负责具体执行;同时引入投机执行、订阅直通机制及独立Watchdog看门狗以实现主动发现Bug、异常自愈和24小时在线运行。

10月28日周三
10月26日周一
  1. 量子位40

    声网在 iRTE2026 大会展示 Agora Conversational Model 与分布式实时推理云基础设施

    声网在 iRTE2026 实时智能大会上展示了支持全双工响应、意图判断及行动协调的 Agora Conversational Model,旨在解决 AI“会聊”难题。其提出的五级对话能力框架涵盖从 L1 问答到 L5 深度沟通,并通过分布式实时推理云实现模型靠近用户运行以优化时延与负载。相关能力已集成至对话式 AI 引擎、开发套件及 Call Agent 等产品中,兼容级联与端到端架构。

10月21日周三
  1. Vision Systems Design1

    VSD 发布每周机器视觉猜词游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周度猜词挑战,要求玩家猜测与机器视觉、工程或系统集成相关的五字母单词。游戏提供六次尝试机会,通过绿黄灰格反馈提示正确位置及存在性,完成后用户可填写问卷查看在竞争者中的排名并分享结果。

  2. arXiv · 机器人与计算机视觉54

    Give the Model a Finger:VLM 计数的发育对齐评估

    这篇论文提出了一种无需训练的代理循环,通过给视觉语言模型(VLM)提供‘手指’标记等工具来模拟儿童的认知行为,以评估其计数能力。研究发现 VLM 的精确计数范围存在显著差异,且标记干预虽能留下可审计的推理痕迹,但并未显著提升小数量照片的计数准确率。研究还揭示了模型在遵循遍历顺序与修正自身答案方面的解离现象。

  3. arXiv · 机器人与计算机视觉72

    吸引力偏见如何扭曲文生图奖励模型与排行榜

    该研究指出人类对图像质量的判断易受面部吸引力偏见影响:即使对比真实照片,更吸引人的面孔也会被误判为高质量。模拟 Elo 排名显示这种偏见能颠倒榜单顺序,使合成数据超越真实低质量样本;偏好对齐生成也会将人脸推向年轻、女性化特征并覆盖用户提示。论文分析了五款主流人类偏好模型中吸引力作为核心评分因子的现象,并提出了解耦图像质量与认知偏见的缓解策略。

10月19日周一
  1. arXiv · 机器人与计算机视觉52

    Happy Young Women, Grumpy Old Men? 文生图模型中情感驱动的代际偏见审计

    该文生图模型中情感驱动的代际偏见审计系统检验了八款(4 款西方和 4 款中国)文生图模型在七种提示条件下的生成结果。研究发现所有模型均存在年轻面孔的过度代表,且负面情感提示会显著将输出偏向白人、中年男性面孔,同时降低感知吸引力。交叉分析显示特定组合(如年轻女性黑人面孔)被严重遗漏。该研究强调需进行包含情感条件的交叉代际审计作为标准预部署评估实践。

10月15日周四
  1. Hugging Face Daily Papers48

    Kolab:人类与智能体长周期协作基准评测

    Kolab 发布包含 50 名从业者共 115+ 小时屏幕录像的新数据集,填补了现有基准过度关注自动化而忽视人机持续互动的空白。分析显示前沿模型高估专家协作效果且难以区分协作质量,无法预测用户采纳或修改贡献的行为。该 arXiv 预印本作为研究真实专业工作流中人类 - 智能体协作的宝贵资源,暂未开放代码或商用许可。

10月9日周五
  1. arXiv · 机器人与计算机视觉49

    PEBench:首个面向视频生成提示增强器的统一评测基准

    PEBench 是首个针对文本、图像及参考类视频生成的提示增强器(PE)统一评测基准,包含 1,100 个专家验证案例与 1,005 项视觉资产。该基准涵盖 35 个细粒度任务,提出结合事实提取与 24 项准则的评估框架,证实 PE 级评分能准确反映 Wan3.0 和 MiniMax-H3 等模型下游视频的实际效用。

  2. arXiv · 机器人与计算机视觉42

    Diffusion Meta-Prompting 实现通用基础模型自适应与跨任务泛化

    Diffusion Meta-Prompt (DMP) 框架利用扩散模型学习提示分布,仅需自然语言描述即可合成新提示,无需访问原始任务示例或损失函数。该方法在分类、检索及文生图任务中提升泛化能力,相比提示检索方法降低超 90% 存储与推理成本,复合分类平均增益达 2.0%,特定数据集对最高提升 8.5%。代码已开源并获 NeurIPS 2026 接收。

10月8日周四
  1. arXiv · 机器人与计算机视觉45

    Rubix:无对应点集全局配准几何与仿真到现实应用

    Rubix 模型通过分配几何解决无对应点集的平面全局配准问题,在 MPEG-7 形状对上平均耗时 12ms,速度比旋转网格快 50 倍。该方法将最优匹配数证明为 n(n-1),并通过分支定界扩展至三维旋转与部分匹配任务。研究涵盖计算机视觉、计算几何及机器人学领域,包含完整证明与实验附录。

  2. arXiv · 机器人与计算机视觉42

    MOTIF:超越 3DMM 系数的 POI 深度伪造检测模型

    MOTIF 是一款仅基于真实视频训练的视觉专用深度伪造检测器,无需任何合成数据或特定人物(POI)数据。该模型证明仅形状块系数即可恢复几乎全部检测精度,且能利用被传统方法丢弃的密集表面信息弥补系数特征的不足。在多个数据集及两种质量水平下,MOTIF 在所有基准测试中均优于现有的最先进 POI 深度伪造检测器。

  3. arXiv · 机器人与计算机视觉42

    VCR-Bench:首个视频分类鲁棒性模块化开源基准框架

    VCR-Bench 填补了图像分类后视频分类鲁棒性基准的空白,提供统一协议以解决现有实现分散难复现的问题。该框架集成 30 个模型、14 种攻击与 10 种防御组件,在 Kinetics-400 子集上报告准确率、成功率及运行时等指标。项目已发布文档化安装脚本与可复运行预设,代码与结果可通过指定 URL 获取。

10月7日周三
  1. Vision Systems Design1

    VSD 发布每周机器视觉猜词游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周度猜词挑战,要求玩家猜测与机器视觉、工程及系统集成相关的五字母单词。游戏提供六次尝试机会,通过绿黄灰格反馈提示正确位置或无关字母,并允许玩家在解谜后填写问卷查看同行排名。

10月6日周二
  1. arXiv · 机器人与计算机视觉28

    ContinuityCam 实现基于事件相机的单帧连续彩色视频重建

    ContinuityCam 结合长程运动建模与神经合成模型,仅需初始图像即可从单张 RGB 图及事件流中重建任意时刻的连续视频。该方法在 E2D2 数据集上相比基线 PSNR 提升 3.61 dB、LPIPS 降低 33%,并在两项下游任务表现更优。研究引入了新型分光镜采集装置,有效提升了突发运动与光照变化下的鲁棒性并降低了带宽需求。

  2. arXiv · 机器人与计算机视觉48

    EORestore-Agent:遥感图像复合退化下的可信智能体修复研究

    EORestore-Agent 通过微调视觉语言模型与相对质量评分器,实现无需参考图像的逐步可验证遥感图像修复。在 Landsat-8 合成基准上,该方法将 PSNR 提升 2.3 至 3.2 dB,显著优于全合一基线及零样本智能体。Sentinel-2 实例证明了其在真实大气退化下的迁移能力,且无需重新训练。

10月5日周一
  1. arXiv · 机器人与计算机视觉42

    VTBench:评估自回归图像生成中视觉分词器的基准

    VTBench 基准系统评估了图像重建、细节保留和文本保留三项核心任务,揭示连续变分自编码器在空间结构与语义细节上优于离散视觉分词器。该研究基于 GPT-4o 图像生成实验探讨其自回归特性,并公开代码与数据集以推动通用开源视觉分词器发展。论文已接受 AACL-IJCNLP 2026 主会收录。

  2. arXiv · 机器人与计算机视觉48

    Moving Forward with Video Saliency:SalTempto 数据集与基准评测发布

    SalTempto 是一个包含 224 个高动态片段、源自 HACS-Segments 且配有最多 16 名受试者注视记录的视频显著性新基准。在该基准上,微调后的时序架构相比静态基线性能显著提升,但最强模型仍无法解释近半数头部空间增益。该工作表明现有视频显著性模型在捕捉动态信息方面仍有改进空间,并揭示了人类视觉倾向中模型缺失的部分。

  3. arXiv · 机器人与计算机视觉42

    Confidence-Controlled XAI Auditing for Pedestrian Detection under Domain Shift

    该研究审计了固定 YOLOv8s 行人检测器在 PIE 和 JAAD 数据集上的域偏移解释性,发现基于删除的忠实度与检测强度强耦合。控制检测强度后,D-RISE 忠实度仍依赖领域(PIE 高于 JAAD),且非扰动式 EigenCAM 基线也存在类似分数耦合现象。结果证实了置信度控制的 XAI 审计对安全关键感知的重要性,论文已获准参加 ICVES 2026。

  4. Hugging Face Daily Papers72

    HERA:利用环境与 harness 的协同进化实现可靠的智能体拒答

    HERA 是一个针对智能体拒答问题的框架,通过自动构建可行与不可行任务对以及基于性能失败的协同进化流程,将智能体在保留任务上的完成率和拒答准确率分别提升至 76.7% 和 83.3%,并在 19 种其他大语言模型上实现了平均提升 15.3 个百分点的通用性。

10月2日周五
  1. 量子位70

    丘成桐新论文致谢 GPT 和 Claude:从排斥到接纳的转折

    丘成桐参与的关于七维空间球面曲率的新论文在致谢中感谢了 ChatGPT 6 Astra 和 Claude Pro 辅助探索证明思路与计算,解决了悬置 70 年的经典猜想。材料回顾了丘成桐近三年对 AI 态度从“无影响”到“改变效率”的转变,并引用陶哲轩等菲尔兹奖得主关于数学研究核心在于概念理解的警告,探讨 AI 在基础科学中的边界与价值。

9月30日周三
9月25日周五
  1. IEEE Spectrum · Robotics12

    IEEE 团队开发 RoboMeshA 便携式教育平台,将机器人与 AI 带入墨西哥高中课堂

    ITESO 团队联合 IEEE Guadalajara Section 开发 RoboMeshA,通过 EPICS in IEEE 项目构建含四台机器人的移动学习网络。该平台无需预装软件即可经浏览器直接控制,支持机械、嵌入式及计算机视觉等学科教学。目前已与 CETI Colomos 和 Prepa ITESO 两所高中合作验证,并计划在墨西哥及国际范围内推广。

9月24日周四
  1. Vision Systems Design0

    Focus On Vision 聚焦视觉系统 AI 进展:2026 年 9 月发布的技术综述

    该文章由 Endeavor Business Media 多媒体总监 Justine Murphy 撰写,于 2026 年 9 月 23 日发布,旨在回顾光学与光子学行业在视觉系统 AI 领域的最新进展。作者拥有超过 20 年的新闻出版及公关营销经验,曾长期担任国际杂志编辑并主持播客。其作品曾获新英格兰新闻协会及 SIIA/Jesse H. Neal Awards 奖项认可。

9月23日周三
  1. OpenCV Blog45

    OpenCV 演示合成数据在真实车险与租赁车队检测中的部署应用

    Click-Ins 系统利用几乎全由渲染数据训练的模型,从普通手机照片执行保险、租赁车队及经销商的车辆检测。该流程涵盖跨品牌车身的程序化生成凹痕、划痕及形变,并实现像素级自动标注。OpenCV CEO Dmitry Geyzersky 在直播中展示了这一合成数据驱动的真实世界检测方案。

9月22日周二
  1. Vision Systems Design20

    Fanous Photonics 提出“模糊预算”概念,利用 GANSCAN 与 BlurryScope 技术将运动模糊转化为成像工具

    Fanous Photonics 在 Visions 播客中提出“模糊预算”理念,主张主动工程化运动模糊以替代传统避免策略。该技术通过平衡阶段速度、曝光、光学与计算,利用 GANSCAN 和 BlurryScope 等连续运动成像方法提升成像架构效率。研究强调基于真实采集条件训练模型对计算成像策略的关键性,为工程师提供新视角。

9月16日周三
  1. Vision Systems Design1

    VSD 发布每周机器视觉猜词游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周更猜词挑战,要求玩家猜测与机器视觉、工程或系统集成相关的五字母单词。游戏提供六次尝试机会,通过绿黄灰格反馈提示字母位置,并支持查看玩家在竞争者中的排名及历史谜题回顾。