跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉67

    EMRD:VLM 在安全关键场景下的探索、建图、记忆与决策基准

    本文提出 EMRD 评估框架,将视觉语言模型(VLM)的时空推理解耦为探索、建图、记忆和决策四阶段,并在 16 栋建筑及三种环境压力下评测了 11 个 VLM。结果显示,无外部记忆的开放权重模型在 95% 的回合中未访问房间且物体检测率不超过 51%,且其选择受语义先验影响显著;运动噪声、黑暗和烟雾分别导致位置误差增加、建图召回下降及可见物体减少。

  2. arXiv · 机器人与计算机视觉15

    物理 AI:手持对焦堆叠与无接触镜面系统实现蝶类标本高保真新视角合成

    针对 pinned 蝴蝶标本难以数字化的小尺寸、脆弱性及腹面拍摄难题,该研究提出无需三脚架的手持对焦堆叠与非接触首表面镜系统。结合免分割的镜面感知 3D Gaussian Splatting 扩展,该方法在九种多样标本上验证了全方向查看的光真实感重建效果。

  3. arXiv · 机器人与计算机视觉35

    Controllable Texture Tiling with Transformed RoPE-Enhanced Diffusion Models 提出新框架实现可控纹理平铺

    该方法基于扩散 Transformer,通过坐标变换旋转嵌入机制与分离注意力掩码,在无需像素扭曲下精准控制频率、方向和平铺模式。实验显示其在控制精度和纹理保真度上均优于现有最先进基线,且能保持场景原始光照与几何结构。代码与数据集已公开访问。

  4. arXiv · 机器人与计算机视觉68

    VLM‘修正’学生作业:识别与惩罚多行手写数学 OCR 中的过度修正现象

    针对现有基准无法有效评估多行手写数学转录的问题,本文揭示了视觉语言模型(VLM)倾向于“修正”而非忠实转录学生作业的过度修正失效模式。作者提出 PINK 指标,利用大语言模型进行基于评分标准的打分并明确惩罚过度修正行为。

  5. 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。

  6. arXiv · 机器人与计算机视觉82

    Matisse:基于证据空间的主动三维重建推理方法

    Matisse 是一种无需训练的框架,通过利用预训练生成式 3D 模型提供的证据,统一了主动重建与关键帧选择任务。该方法估计证据不确定性并推导证据信息增益,以指导视图获取和关键帧选择。在 GSO30、YCB-V 和 Replica 数据集上,Matisse 相对于最佳基线分别将 Chamfer 距离降低了 12.7%、3.8% 和 9.2%,并在 GSO30 上实现了 1.5 倍的整体加速。

    推荐理由:该工作提出无需训练的框架,利用预训练生成式 3D 模型的证据来指导主动重建与关键帧选择。

  7. 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。

  8. arXiv · 机器人与计算机视觉66

    重新思考表征自编码器中的重构 - 生成差距

    该论文指出将浅层编码器层融合进表征自编码器(RAE)虽能锐化像素重构但会损害扩散生成,传统归因于潜在内容本身,实则源于编码器 - 解码器界面的几何失配。作者提出冻结基础编码器以保留丰富视觉信息,同时正则化解码器以平抑其对潜在变化的敏感性,并将扩散坐标与冻结解码器的度量在相同干净重构处对齐。

  9. arXiv · 机器人与计算机视觉82

    Who Says What:音频 - 视觉大语言模型中的符号三模态绑定机制研究

    当前音频 - 视觉大语言模型在处理多说话人对话视频时难以解决“谁说了什么”的问题,这要求模型具备文本、音频和视觉的三模态绑定能力。该研究揭示了利用模态特定符号变量(如时间序列和空间坐标)在抽象空间中建立跨模态链接的机制,并发现绑定失败主要源于音画连接错位。

    推荐理由:针对多说话人视频中的指代消解难题,提出利用现成主动说话人检测模型进行无训练提示的方法,显著提升了跨模态绑定性能。

  10. arXiv · 机器人与计算机视觉75

    通过解释驱动的对抗性测试揭示 VLM 的忠实度缺口

    该研究提出 Explanation-Driven Counterfactual Testing (EDCT) 协议,通过提取模型解释中的视觉概念并进行验证后的最小编辑,测试回答与解释是否仍与修改后的图像一致。作者构建了涵盖知识密集型问答、安全关键驾驶和三维空间推理三个领域的 EDCT-Bench 基准。评估显示现有 VLM 存在显著的忠实度缺口,且基于此生成的对抗样本可作为高效的微调训练信号。

  11. arXiv · 机器人与计算机视觉58

    WALDO:基于世界模型特征的单样本杂乱场景实例检测

    arXiv 论文 WALDO 提出一种无需针对每个物体单独训练的实例检测方法。该方法将冻结的自监督图像特征(DINOv3)与视频世界模型特征(V-JEPA 2.1)进行融合,利用轻量级条件头在杂乱真实场景中定位特定物体实例。研究指出,通过模型图像通路读取 V-JEPA 的特征可改善其定位性能,且两种特征互补;相比强视觉语言模型,该方法显著提升了单样本查询下的实例定位效率与精度。

  12. arXiv · 机器人与计算机视觉82

    Scalable Black-Box Model Attribution for Images

    该研究提出了 RPA(Raw-Patch Attribution),一种轻量级卷积神经网络,旨在解决仅凭图像判断其生成模型的归因问题。该方法在严格黑盒设定下运行,通过处理多图像补丁以适应不同尺寸并提升精度,在 25 类 DRAGON 数据集上达到 98.9% 的准确率,在 27 类 OpenFake 数据集上达到 95.0%。

    推荐理由:提出 RPA 轻量级 CNN,在严格黑盒设定下以毫秒级成本实现高精度图像生成模型归因。

  13. 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。

  14. 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。

  15. 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。

  16. arXiv · 机器人与计算机视觉70

    TPD:文本到视频扩散模型的时序先验解耦

    针对文本到视频扩散模型在描述‘早期场景持续且新事件涌现’时出现的时序先验抑制失效问题,提出无需重训的采样修正方法 TPD。该方法通过构建仅基于早期片段的反事实条件,将被抑制的信号方向加回指导更新中,主要作用于晚期帧和结构形成步骤。实验表明该方法能显著改善晚期概念的实现效果,同时保持时序连贯性与视觉保真度,适用于任何暴露分类器自由引导更新的骨干网络。

  17. 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。

  18. arXiv · 机器人与计算机视觉7

    Cotton-SF YOLO:复杂田间环境下早期棉铃检测的频域结构特征学习框架

    针对复杂田间环境中小目标易受光照与背景干扰的检测难题,Cotton-SF YOLO 基于 YOLO26m 引入动态蛇形卷积与频域调制模块。该模型在自建标注数据集上实现 mAP50 为 0.8196、召回率 0.7939,较基线提升 1.25% 至 2.96%,验证了结构与时频特征互补的有效性。因作者发现方法局限需进一步研究,该版本已撤回并暂不开源。

  19. 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。

  20. 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。

  21. arXiv · 机器人与计算机视觉67

    基于频率感知的 Mamba 用于两视图对应关系学习

    针对两视图对应关系学习中的异常值剔除问题,论文提出了 SFMambaNet。该方法将匹配对按簇扫描以区分平滑的正确匹配与 erratic 的错误匹配,并在前向和反向传播间引入可学习的频域门控滤波器。实验表明,该架构在相机位姿估计、外点去除和单应性估计任务上优于空间域 Mamba 基线,且参数更少;其核心发现是参数化的低通滤波器效果优于同等规模的逐点层,证明了频率是描述对应关系一致性的自然语言。

  22. arXiv · 机器人与计算机视觉57

    RACE-AD:面向零样本视觉异常检测的关系感知证据路由与置信度引导适应方法

    论文提出 RACE-AD 框架,旨在解决零样本视觉异常检测中异质模式与跨域变化带来的挑战。该方法整合局部异常响应与注意力衍生的关系信息,利用香农熵表征视觉注意力分布的离散度以捕捉块间关系,并通过关系感知路由构建图像条件化表示。

  23. arXiv · 机器人与计算机视觉45

    HolisticMotion:稀疏跟踪下的全身运动重建新模型

    HolisticMotion 提出统一骨架布局视角,通过课程掩码、身体分区与运动学注意力三大设计,在 AMASS 和 HPS 数据集上实现各类跟踪协议下最低的定位误差。该统一表示还能兼容额外可穿戴传感器,进一步提升重建精度与动作平滑度。代码与论文已作为预印本发布于 arXiv。

  24. arXiv · 机器人与计算机视觉63

    SKYPART:基于原型的语义部件发现实现抗恶劣天气的跨视角地理定位

    论文提出了 SKYPART,一种轻量级可替换头部的视觉 Transformer 方法,通过原型竞争、高度条件调制和图注意力读出解决跨视角地理定位中的纹理与尺度问题。该方法在 SUES-200、University-1652 等数据集上实现最先进结果,且在多种天气干扰条件下保持优势。材料为 Neurips 2026 接收的预印本,代码已开源。

  25. 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。

  26. arXiv · 机器人与计算机视觉45

    Flow Matching 模型实现 Sentinel-2 影像 4 倍超分辨率:CONUS 区域生成 1.58 万亿像素产品且分类准确率达 89.11%

    该研究引入流匹配模型,在单步采样下优于扩散与 Real-ESRGAN 实现 Sentinel-2 影像 4 倍超分辨率。基于 CONUS 区域生成的 2.5 米四波段产品涵盖超 1.58 万亿像素, Chesapeake Bay 流域土地覆盖分类整体准确率达 89.11%。该成果为地理空间应用提供了高效的高分辨率影像生成方案。

  27. arXiv · 机器人与计算机视觉42

    Grounding Video Reasoning in Physical Signals 基准发布:CVPR 2026 VidLLMs Workshop 接收版本

    Grounding Video Reasoning in Physical Signals 基准扩展 V-STaR 结构,涵盖 SSV2、YouCook2 等四源共 1,560 条视频及六物理领域。结果显示物理推理为最强范式,空间定位最弱,且扰动增益集中于原始弱案例。该基准建议报告物理锚定与提示感知的诊断指标,论文已接受于 CVPR 2026 VidLLMs Workshop。

  28. 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。

  29. arXiv · 机器人与计算机视觉59

    ParallelVLM:基于视觉对齐感知的无损视频大模型加速方法

    针对视频大模型自回归解码效率受限于海量视频 token 的问题,本文提出了 ParallelVLM,一种无需训练的草案 - 验证推测解码框架。该方法通过并行化两个阶段最大化硬件利用率,并引入无偏验证器引导的剪枝策略以消除注意力引导剪枝中的位置偏差。

  30. arXiv · 机器人与计算机视觉5

    UniE2F:基于视频基础模型的统一事件到帧重建框架

    UniE2F 利用预训练视频扩散模型生成先验,通过引入事件基帧残差指导,实现了从稀疏事件数据到高保真视频帧的统一重建。该方法在真实与合成数据集上多数定量指标优于以往方法,并以零样本方式达到专用插值预测方法的竞争性能。代码将在公开平台发布,论文已被 IEEE TIP 接收。