跳到正文
11月19日周四
  1. arXiv · 机器人与计算机视觉75

    MedHarness:一种用于可靠医疗影像智能体的统一预算运行时

    针对医疗影像智能体在多模态表面部署时面临的验证预算有限及错误接受风险问题,研究提出 MedHarness 框架。该框架将后回答控制重构为提案器预测后的共享决策对象附着机制,通过共享策略与表面配方适配器实现跨模态的停止、开放证据、修复或拒绝控制。

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78

    LEDGE:分离文本到图像自修正中的批评者与编辑器故障

    论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。

    推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。

11月11日周三
11月10日周二
  1. arXiv · 机器人与计算机视觉72

    Precise:面向流匹配模型强化学习后训练的 SDE 一致随机采样方法

    论文提出 Precise 方法,通过冻结干净潜在后验均值实现 SDE 一致性,解决现有采样器在强化学习中离散化噪声过大或收敛不足的问题。实验显示该方法在保持最佳域内性能的同时,将训练时间减少 13.1% 至 53.2%,并达到 PickScore、HPSv2.1 等最先进的对齐分数。材料为 NeurIPS 2026 接收的预印本版本。

  2. arXiv · 机器人与计算机视觉42

    Resource-Constrained UAV-Based Weed Detection for Site-Specific Management on Edge Devices 资源受限边缘设备上的基于无人机的特定田块杂草检测研究

    针对资源受限边缘平台,该研究评估了 YOLOv8-v12 与 RT-DETRv1-v2 模型在无人机端的实时杂草检测性能。实验显示,RT-DETRv2-R50-M 以 79% mAP50 实现精度效率平衡,YOLOv10n 推理最快,而高容量模型虽达 86.9% mAP50 但延迟过高。

  3. arXiv · 机器人与计算机视觉49

    SegDis:前景分割后判别类型以解决显著与伪装目标检测难题

    SegDis 将输出解耦为显式前景概率与条件类型概率,利用 FLR 提供任务无关支持并通过 RTA 依据前景背景关系细化分配。在 USC12K 数据集上,该模型基于 PVT-v2-B2 架构,参数量约为 USCNet 的八分之一,实现了 68.98% 的前景 mIoU 和 78.35% 的整体 mIoU,显著优于 CSCS(提升 5.75)。

  4. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  5. The Robot Report28

    Synaptics Scan Core 架构如何最小化自主移动机器人的 Wi-Fi 漫游中断

    Synaptics Scan Core 采用专用扫描架构,在保持主无线电处理应用流量的同时持续监测邻近接入点,实现主动漫游以支持<80ms 延迟和<2%丢包率。该方案通过分离网络发现与应用流量,解决了传统 Wi-Fi 因背景扫描导致的连接中断、高功耗及延迟问题。此技术适用于制造、物流等需连续视频流与 AI 推理的自主移动机器人场景。

11月9日周一
  1. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

11月6日周五
  1. arXiv · 机器人与计算机视觉65

    Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback

    该论文针对文生图模型存在的局部细微失败问题,提出结构化缺陷定位(SDG)框架,将诊断转化为包含位置、类型、原因及重要性的元组集合预测。作者构建了包含 30K 图像的 SDG-30K 数据集及专用评测协议 SDG-Eval,并设计了基于视觉语言模型的检测器与 BoxFlow-GRPO 奖励转换机制以支持模型对齐。实验表明该方法在结构化缺陷定位上优于主流专有模型,并能有效改善生成质量。

  2. arXiv · 机器人与计算机视觉78

    ManimCode:面向教育动画生成学习的视觉自我修正

    ManimCode 是一个针对教育动画生成的数据与训练框架,旨在解决渲染后存在的视觉缺陷、解释缺失或内容错误问题。研究构建了包含 24,034 条经过渲染验证和过滤的 ManimData 数据集,记录了中间程序、执行错误及修正轨迹。

    推荐理由:该工作提出 ManimCode 框架,利用渲染反馈数据训练单模型实现教育动画的视觉自我修正与代码迭代。

11月3日周二
  1. arXiv · 机器人与计算机视觉65

    视觉强化学习增益能否在测试时扩展?基于分位数的后训练量化分析

    论文系统发现视觉生成模型中,强化学习(RL)后训练带来的单样本质量提升并不总能随测试时采样预算增加而转移;在高采样预算下,RL 增益可能衰减甚至反转。作者提出 Quantile Utility Policy Optimization (QUPO) 方法,通过优化不同推理预算对应的分位数效用混合,在保持高质量尾部输出的同时显著提升对困难提示的扩展能力。

11月2日周一
  1. arXiv · 机器人与计算机视觉18

    GPU 加速增量欧氏距离变换用于移动机器人在线运动规划

    该系统利用 GPU 并行计算技术,构建包含多传感器数据的体素地图并实时输出高频局部距离信息以支持在线运动规划。实验表明该方法在无人机和地面车辆上实现了有限算力下的实时性能,优于现有机器人建图系统且适合未探索区域映射。论文已发表于 IEEE RA-L 2022,作者接受的手稿代码可通过链接获取。

10月31日周六
10月30日周五
  1. arXiv · 机器人与计算机视觉78

    Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

    arXiv 论文提出 Don't Risk It Planner (DRIP),这是一个端到端的仅 LiDAR 规划框架,将占用预测与轨迹条件清除及不确定性估计相结合。

    推荐理由:提出仅用 LiDAR 的 DRIP 规划器,通过轨迹条件分布风险评估碰撞概率,在密集人群导航中相比基线减少冻结并提升成功率。

10月28日周三
10月24日周六
  1. NVIDIA Technical Blog12

    Scaling NVIDIA TensorRT Performance Optimization Beyond a Single Build Route with the Global Performance Tuner, Part 1

    部署训练好的神经网络不仅是将算子转换为 GPU 内核,更是一个存在多种合法答案的编译问题。NVIDIA TensorRT 构建引擎时需对图 IR 变换、融合、实现选择、内存放置及量化等相互依赖的决策进行调度。该过程被称为调度(scheduling),是性能优化的核心环节。

10月22日周四
  1. arXiv · 机器人与计算机视觉44

    ASVD 实现盲式压缩图像恢复的免训练加速

    ASVD 通过激活校准奇异值分解,在 PromptCIR 模型上实现免训练加速,参数减少 59%、计算量降低 16.1%,PSNR-B 优于 TSVD 基线。该方法离线推导低秩因子且无需在线校准,保持原有恢复流程完整。研究已接受发表于 IEEE Journal on Emerging and Selected Topics in Circuits and Systems。

10月21日周三
  1. arXiv · 机器人与计算机视觉42

    AI 流水线重用保障证据的效度条件与失效关闭发布门研究

    该研究明确定义重用早期治理控制结果的效度条件,并验证了基于 Ed25519 数字签名的“失效关闭”发布门能阻断九成操纵场景。对 714 个公开数据版本控制流水线的回放显示,仅按声明依赖重用结果可避免 83.4% 的执行阶段,但仍有 3.3% 的提交因未声明依赖导致重用错误代码或配置。

10月20日周二
  1. arXiv · 机器人与计算机视觉73

    YUTELA:一种支持多站点视频异常检测的可扩展边缘云 AIoT 系统

    YUTELA 是一种基于 NVIDIA Jetson Thor 边缘设备的边缘 - 服务器 - 云端 AIoT 系统,用于长期、多站点的视频异常检测。该系统通过相机批处理与重分布、共享内存及 TensorRT 加速推理优化了多摄像头流水线,并为每个相机维护独立的异常模型,在收集到足够的伪正常数据后于集中式 GPU 服务器上重新训练并将更新权重下发至边缘端。

  2. arXiv · 机器人与计算机视觉66

    FEDNBO:联邦学习后知识向异构新架构迁移的基准评测

    Xinyuan Zhao 在 arXiv 上发布 FEDNBO 基准,旨在量化历史客户端不可用后,遗留模型知识对后续异构架构的效用。该研究分离了知识供给、策略识别与私有模型编译环节,揭示了架构依赖导致的转移反转现象及教师精度与私有模型效用间的差距。

10月16日周五
  1. arXiv · 机器人与计算机视觉67

    EV-JEPA:面向任意设备及跨设备推理的弹性 V-JEPA 模型

    arXiv 论文介绍 EV-JEPA,一种单次训练即可在智能眼镜、手机、机器人及服务器等异构边缘 - 云端连续体上部署的视觉基础模型。该模型具备可重构宽度和原生跨设备分区能力,核心采用过渡感知三元组训练(T3),使同一权重同时支持单设备和跨设备执行。

  2. Hugging Face Daily Papers75

    JevAgentHarness:构建共享 LLM 控制的决策模型基准与部署方案

    针对大型语言模型代理在每一步调用大模型导致任务缓慢且昂贵的痛点,本文提出 JevAgentHarness 框架以将决策权委托给轻量级决策模型。研究构建了 AgentDecisionBench 评测基准,发现直接委托工具选择会降低成功率;为此设计了适配置信度阈值机制的 JevAgentHarness,并在包含错误状态的轨迹上训练了开源模型 AgentDecision-4B。

10月13日周二
  1. Hugging Face Daily Papers74

    EdgeWise:通过选择性云端委托将长视界智能体推向边缘

    论文提出 EdgeWise 框架,旨在解决长视界智能任务中全量调用云端大模型带来的高昂推理成本问题。该方案在本地设备部署小语言模型(SLM)作为主要求解器,仅当需要更强能力时通过强化学习或外部裁判策略选择性地将关键步骤委托给云端大语言模型(LLM)。

10月12日周一
10月9日周五
  1. 量子位78

    DeepSeek-V4系列因分块KV Cache压缩出现相位敏感性:同一任务准确率随Token站位周期性起伏

    字节Seed团队研究发现,DeepSeek-V4系列模型在长上下文检索中表现出显著的“相位敏感性”,即同一条信息仅改变输入位置(Token站位),其检索准确率便会呈现与压缩步长一致的周期性波动。

    推荐理由:字节Seed团队发现分块KV Cache压缩引入相位敏感性,导致模型检索能力随输入位置周期性波动,后训练与架构迭代可显著缓解该问题。

  2. arXiv · 机器人与计算机视觉72

    ViT 的架构-Token-位宽多轴联合优化:面向半导体封装的部署研究

    该论文提出首个联合优化架构、Token 压缩和位宽的 ViT 框架,通过 AutoFormer 搜索紧凑骨干网络、ToMe 合并 Token 以及 fp16 混合精度推理提升效率。在 ImageNet-1K 上验证后,将其应用于半导体 IC 封装的 3D X 射线缺陷分类任务,实现了超过 10 倍的吞吐量提升和参数、FLOPs 及能耗降低,同时保持所需准确率。

10月8日周四
  1. arXiv · 机器人与计算机视觉58

    Anaximander:在任意计算后端交互式运行地理空间深度学习模型

    Anaximander 是一个开源系统,旨在解决遥感从业者在使用地理信息系统(GIS)时面临的模型格式不兼容和部署摩擦问题。该系统通过统一的推理服务器支持从多种常见来源加载模型,并可在本地工作站、无服务器云服务或远程 GPU 等任意计算后端运行。

10月7日周三
  1. arXiv · 机器人与计算机视觉65

    通过单次通量校准器对齐重校准实现量化 ViTs 的测试时自适应

    针对量化视觉 Transformer 在分布偏移下的脆弱性,本文提出无需反向传播或更新参数的 QuAR 方法。该方法仅对输入激活进行单次通道统计重校准,将测试流映射回源校准范围。实验显示,QuAR 在 ImageNet-C 上优于最强基线,且在多种精度、非独立同分布标签偏移及多个 out-of-distribution 套件中保持领先,同时显著降低延迟并减少内存开销。