跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉5

    ZOPGA-KD:零阶 PGA 引导无数据知识蒸馏方法

    ZOPGA-KD 提出一种仅需教师模型输出 logits、无需访问其架构参数或梯度的无数据知识蒸馏方案。该方法通过投影梯度上升从平滑随机噪声生成合成数据,并利用零阶梯度估计替代反向传播。在多个基准数据集上的评估显示,其蒸馏性能与可访问教师参数的方法相当。

  2. arXiv · 机器人与计算机视觉78

    旧数据非谬:用于交互式视频世界模型的有效时间记忆

    该研究针对交互式视频世界模型在撤销动作后无法正确读取当前状态的问题,提出了一种名为 ReDate 的方法。该方法利用智能体行动日志中的有效时间戳对检索到的帧进行标记,使冻结的生成器能区分新旧视图而无需重新训练。

    推荐理由:提出基于有效时间戳的 ReDate 方法,无需训练即可解决交互式视频世界模型在撤销操作后的状态读取错误问题。

  3. arXiv · 机器人与计算机视觉78

    Learning from an Imitable Teacher: Competition Solution for the MetaFine Challenge

    该论文介绍了 Team Friday 在 MetaFine Open Competition(CoRL 2026)中的二名解决方案。团队未微调大模型,而是为每个任务训练了独立的 19M 参数策略与指令分类器,数据由模拟器中的特权脚本化教师生成。

    推荐理由:报告提出通过设计可模仿的虚拟教师来纠正学生策略,在 MetaFine 挑战赛中实现分数翻倍。

  4. arXiv · 机器人与计算机视觉45

    SketchForge:免训练场景转矢量素描的解耦结构纹理优化框架

    SketchForge 是一个无需额外训练或微调的免训练框架,能将输入光栅图像转化为分辨率无关且可编辑笔触的 SVG 矢量素描。该方法通过贝塞尔曲线实例级测试时优化,利用轮廓引导初始化并在专用目标下将结构轮廓笔触与自由纹理笔触解耦,经乘积混合层合成。实验表明,SketchForge 在结构保真度和生成质量上持续优于现有的基于矢量的基线方法。

  5. arXiv · 机器人与计算机视觉48

    Pano2BIM:基于几何约束的视觉语言智能体生成竣工 BIM 模型

    Pano2BIM 是一款几何约束型视觉语言智能体,能利用已知尺寸的平面图和单张 360°照片生成 LOD 200 级别的近似 IFC4 建筑信息模型。在实验室初步评估中,其测量工作流家具足迹交并比(IoU)达 0.53,优于基线的 0.44,且单次运行耗时约 42 分钟、API 成本仅 11 美元。该研究证明了低成本快速生成竣工 BIM 的可行性,有助于维护反映物理状态变化的数字孪生体。

  6. arXiv · 机器人与计算机视觉78

    生成的平面图止步何处:基于构建基准的校准样本级检查

    针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。

    推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。

  7. 量子位35

    Orilo 发布语音优先个人智能体,双层架构实现 1.08 秒打断响应

    Orilo 发布语音优先个人智能体,通过前端轻量模型与后端高推理 Agent 的双层架构解决延迟难题。实测在 Full-Duplex-Bench 测评中打断重开速度达 1.08 秒,优于 GPT Realtime(1.50 秒)和 Gemini Live(2.62 秒)。该产品由百川智能联合创始人焦可团队打造,旨在以自然语音交互重塑人机关系。

  8. 盖世汽车 · 汽车资讯33

    机本智能连续完成两轮融资近千万美元,聚焦强化学习路线打造软硬一体灵巧手解决方案

    机本智能于近日连续完成由 Alphaist Partners、耀途资本领投的两轮融资,累计金额近千万美元。公司成立于 2026 年 9 月,CEO 李浦豪与 CTO 陈泽源分别来自清华自动化系和北大,长期研究灵巧操作底层交互算法。团队选择强化学习路线,正探索将仿真、真人演示与生成轨迹结合构建数据体系,推进模型从仿真向真实硬件迁移验证。

11月2日周一
  1. 盖世汽车 · 汽车资讯2

    Stratasys F870™ FDM®系统在欧洲首次展出并展示批量生产应用案例

    Stratasys在Formnext展会上于欧洲首次推出F870™ FDM®系统,旨在通过可扩展方案丰富面向大规模生产的聚合物终端零件制造能力。该系统专为汽车、航空航天与国防等行业设计,展示了来自丰田、通用汽车等制造商的工厂车间应用案例。Stratasys首席执行官Yoav Zeif表示增材制造正从单一应用扩展至整个生产工作流程,赋予制造商更高效率与韧性。

  2. 智东西 · 机器人42

    RoboScience机器科学完成A2轮数亿融资,360战投领投

    RoboScience机器科学宣布完成A2轮融资,由琥珀资本、鸿瑞达投资及上海半导体产投联合领投,360战投跟投。资金将用于迭代Visics通用具身大模型与REX G1机器人,推进物流等场景POC验证。公司发布多模态物理仿真引擎RoboMirage,视频训练数据规模从2026年初的100万小时增至400万小时。

  3. arXiv · 机器人与计算机视觉82

    Gaussian Splatting-based Volumetric Video Compression with Sparse 4D Anchors

    论文提出 SAGA 方法,利用稀疏锚点辅助高斯泼溅表示实现动态场景的体素视频压缩。该方法采用分层稀疏锚点构建时空骨架,通过核插值生成精细特征并共享参数,结合正交性感知槽位更新策略捕捉长程依赖以优化熵编码。在 Neu3D 测试集上,相比 GIFStream、TED-4DGS 和 OMG4,其基于 PSNR 的 BD-rate 分别降低了 90.88%、64.30% 和 65.14%。

    推荐理由:提出基于稀疏锚点的体素视频压缩新架构,在 Neu3D 数据集上显著降低比特率。

  4. arXiv · 机器人与计算机视觉83

    Adaptive-WAM:一种基于视频扩散中间特征的自适应早退规划方法

    论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。

    推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。

  5. arXiv · 机器人与计算机视觉16

    3D-ARD+ 模型实现序列文本到场景生成,统一多模态 Token 自回归与物体扩散生成

    3D-ARD+ 模型通过统一多模态 Token 序列的自回归生成与下一物体 3D 潜变量的扩散生成,解决了现有方法难以同时生成复杂布局与物体的问题。该模型在包含 230K 室内场景及配对文本指令的数据集上训练,并在 7B 参数规模下验证了其对非平凡空间布局和语义描述的遵循能力。

  6. arXiv · 机器人与计算机视觉38

    Semap 数据集与多尺度分割工作流实现异构历史地图泛化分割

    Semap 是一个包含 1,439 个手动标注补丁的开源基准数据集,旨在解决历史地图风格、比例尺及地理焦点高度多样化的难题。该研究提出的结合程序数据合成与多尺度融合的分割工作流,在统一基准下表现最强且能泛化学习异构数据。结果显示分割性能在不同地图集合、比例尺、地理区域及出版背景下保持基本稳定,为整合长尾制图档案提供了共享本体与评估方案。

  7. arXiv · 机器人与计算机视觉82

    AdaGS:面向无位姿稀疏视角 3D 高斯重建的置信度门控扩散适应方法

    针对稀疏视角户外场景下高斯泼溅(Gaussian splatting)重建的挑战,本文提出 AdaGS 框架以解决扩散引导重建中易将伪影误判为真实结构的缺陷。该方法引入感知伪影的双阶段适配器,在扩散修复前抑制漂浮物视觉线索;采用双向置信度融合机制,仅当生成区域获得跨视角几何证据支持时才接受其结果;同时利用高斯稳定化策略衰减多视图不一致的高斯分布,防止后续优化中反复触发幻觉。

    推荐理由:针对稀疏视角无位姿重建中扩散模型易产生幻觉的问题,提出基于置信度门控的自适应框架以抑制伪影并提升渲染保真度。

  8. arXiv · 机器人与计算机视觉68

    MIC-BEV:面向基础设施的多视角相机鸟瞰图 Transformer 及其关系感知融合方法

    论文提出了 MIC-BEV 框架,用于解决多视角基础设施下异构相机配置的 3D 目标检测难题。该框架采用基于图的融合模块建模相机与 BEV 网格间的几何关系,并引入 M2I 合成数据集以覆盖多样道路布局、环境条件及传感器退化场景。实验表明,MIC-BEV 在模拟 M2I 和真实 RoScenes 数据集上均展现出强检测性能与鲁棒性,且融合权重能自适应适应退化输入。

  9. arXiv · 机器人与计算机视觉82

    ReuScope:Capsule Vision 2024 的数据复用与评估敏感性审计报告

    论文提出 ReuScope 审计协议,以 Capsule Vision 2024 为例量化数据跨划分重叠及评估敏感性。研究发现移除 Kvasir-Capsule 相关训练样本后公开验证集准确率显著下降,且匹配对照实验排除了样本量与类别分布的干扰。该工作已被 NeurIPS 2026 接收,代码与数据已开源。

    推荐理由:提出 ReuScope 审计协议,量化 Capsule Vision 2024 数据集的跨划分重叠与评估敏感性,为计算机视觉领域的公平性与可靠性提供可复用的验证方法。

  10. arXiv · 机器人与计算机视觉58

    WorkIng:面向自动驾驶的高速公路施工区真实与仿真基准数据集

    作者发布了 WorkIng 基准数据集,包含覆盖 32 公里的真实世界高速施工区数据(12000+ 标注帧、227399 个跟踪 3D 边界框)及基于 CARLA 的仿真场景。研究证实真实数据仍是性能主要驱动因素,而分层合成增强能提升感知与规划架构的表现。

  11. arXiv · 机器人与计算机视觉78

    VoxLution:一种用于高保真室内场景生成的体素进化方法

    该论文介绍 VoxLution,这是一种基于粗到细(coarse-to-fine)的 Transformer 架构,旨在解决现有生成模型几何过于平滑的问题。该方法将高分辨率体素超分辨率建模为多分辨率稀疏体素网格上的序列问题,通过无训练、与分辨率无关的标记化方案编码八分体信息,并利用相邻块边界信息确保局部生成的连贯性。

    推荐理由:提出基于粗到细的 Transformer 方法,在标准基准上显著降低几何模糊度与生成差异。

  12. arXiv · 机器人与计算机视觉78

    GenDSR:从视频生成模型转移表征以进行动态空间推理

    GenDSR 是一个框架,它将视频生成模型(VGM)的中间表征转移给视觉语言模型(VLM),用于解决 VLM 在保持场景状态的同时追踪空间关系演变的挑战。该框架构建了两个互补分支:一个保留整体生成上下文的原始分支和一个强调时间变化的增量分支,并通过任务条件化的逐 token 门控融合信号并注入原生视觉表征。

    推荐理由:该工作提出将视频生成模型的中间表征迁移至视觉语言模型,在动态空间推理基准上取得新最优结果。

  13. arXiv · 机器人与计算机视觉58

    精选世界模型数据提升空中检测:Dreams Are Cheaper Than Flights

    针对机器人感知依赖昂贵且难以采集的真实现场数据的痛点,该研究利用 70 亿参数世界模型生成合成视频以扩展训练集。实验显示,在无人机上预训练的模型中,加入精选的合成帧使 mAP@50--95 提升 4.3%,完全替代真实数据时提升 10.3%,在城市基准测试中最高可达 33.5%。

  14. arXiv · 机器人与计算机视觉58

    Prior-Guided Single-Exposure HDR Novel View Synthesis via Base-Gain Representation

    该论文提出了 PriorGS 框架,旨在从单曝光低动态范围(LDR)视图恢复高动态范围(HDR)场景并估计相机响应函数。方法通过伪 HDR 监督引导 HDR 重建,并利用可学习先验正则化 CRF 建模以保证单调性;同时引入 3D base-gain HDR 表示以解决跨视图不一致问题并支持编辑。实验表明该方法在基准测试中表现显著优于现有方案。

  15. arXiv · 机器人与计算机视觉60

    UFMF:雷达引导的运动学先验用于实时 4D 占用预测

    论文 UFMF 提出一种实时 4D 占用预测器,通过无注意力对角状态空间核心结合雷达引导的速度感知动态先验(VADP),在保持低延迟的同时提升长时域对快速移动目标的预测精度。该方法在 nuScenes 数据集上达到 0.45 mIoU,单 RTX 4090 运行帧率达 122 FPS,显著优于近期占用世界模型且计算成本更低。

  16. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

  17. arXiv · 机器人与计算机视觉78

    FlapSim:一种可组合的 MuJoCo 扑翼仿真平台及降阶气动模型层级

    该论文提出了 FlapSim,一个模块化的开源 MuJoCo 仿真平台,用于解决扑翼飞行中高频气动动力学与低频飞行控制/强化学习动态之间的协调问题。研究在 48 个涵盖频率、舵机、风场等场景的独立测试集中,对比了五种降阶配置,发现结合多速率时钟同步、三维流入耦合及相位锁定谐波合成的五块模型架构,在保持 65.19 倍 CPU 加速的同时将平均力矩保真度提升至 0.9646。

    推荐理由:该工作提出了 FlapSim 模块化开源平台,在 MuJoCo 框架下实现了高频扑翼气动与飞行控制的确定性模拟,并量化了不同简化模型在精度与速度间的权衡。

11月1日周日
  1. Hugging Face Daily Papers75

    Is Your Long-Horizon Benchmark Really Deep? Measuring and Synthesizing Depth in Terminal Tasks

    该论文指出长视界终端任务评估中,现有方法用回合数衡量长度、LLM 标签衡量难度存在偏差。作者提出以工作量和深度(必须顺序执行的回合数)定义任务,审计发现合成数据多为增加工作量而非深度。提出的 DEPTH 基准包含 105 个高深度任务,现有六款模型均无法通过半数,但微调 Qwen3-8B 后在两个终端基准上表现提升。

10月30日周五
  1. arXiv · 机器人与计算机视觉33

    DiTSG:基于多智能体扩散 Transformer 的空域交通场景生成

    DiTSG 提出一种利用堆叠多智能体逆 Transformer 层作为去噪骨干的扩散模型,从记录的多机轨迹中联合生成空域交通场景并条件化于各智能体的到达时间要求。实验表明该模型生成的多样化场景既复现了记录流量的统计特性,又保留了真实空中交通管制中观测到的逼真机间交互模式。

  2. arXiv · 机器人与计算机视觉42

    面向网联车辆编队的任务导向语义通信框架:基于 SD-VAE 的紧急语义消息与仿真评估

    该研究提出集成实例分割、单目深度估计及 SD-VAE 压缩的任务导向语义通信框架,通过 V2X 协议广播紧急语义消息(ESM)以支持危险预警和远程操作。评估显示 SD-VAE 在低信噪比下优于 JPEG 等格式且具备平滑降级特性,7,290 次仿真运行中车辆碰撞率仅为 0.99%。论文已提交 IEEE 待刊,代码与数据许可状态未明确说明。

  3. arXiv · 机器人与计算机视觉54

    Turbo4DGen:面向 4D 生成的超快加速框架

    Turbo4DGen 是一个针对基于扩散的多视角 4D 内容生成提出的超快加速框架,旨在解决长链一致性带来的计算与内存开销问题。该框架引入时空缓存机制以跨去噪步骤复用中间注意力,并结合动态语义感知注意力剪枝及自适应 SCM 链旁路调度器,大幅减少冗余的 SCM 注意力计算。

  4. arXiv · 机器人与计算机视觉28

    无训练合成图像归因中的表示与参考选择研究

    该研究分析了无训练参考式归因中比较空间与参考构建方式的交互作用,发现 CLIP 和 DINOv2 中间层表示在语义抽象主导前更易获取源判别线索。实验表明,语义对齐的参考策略在中等规模参考池下提供了更好的精度 - 成本权衡,而重合成适用于低参考预算场景。代码与数据集已公开,论文被 IEEE WIFS 2026 接收。