跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉20

    实时非侵入式生命体征监测系统设计与评估

    该系统基于 Face2PPG 管道与 FRP-Actor 混合模型,在双电脑环境下实现 30 FPS 连续运行并提取心率、呼吸率及血氧饱和度。研究在 COHFACE、LGI-PPGI、UBFC-RPPG 等四个公开数据集上评估了性能,并在五场各 10 分钟的现场测试中验证了与医用指夹式脉搏血氧仪的一致性。代码已开源,系统旨在解决资源受限平台上的可扩展性与互操作性挑战。

  2. arXiv · 机器人与计算机视觉16

    CSSL:基于类级补丁与轮廓自适应一致性的对比半监督分割方法

    CSSL 提出一种针对医学图像分割的对比半监督方法,通过类级采样、混合难负样本的监督对比损失及基于轮廓系数的特征扰动一致性损失提升性能。在 MoNuSeg(50% 标注)和 CHAOS T2(25% 标注)数据集上,该方法分别达到 80.87±0.17 的核 F1 分数与 89.01 的 Dice 系数,显著优于 Self-Loop、DAFNet 及基线配方。

  3. arXiv · 机器人与计算机视觉38

    时空学习提升孔隙空间演化与流体置换量化精度

    该研究提出基于 Transformer 的 4D 分割框架,融合时空信息以区分物理变化与分割误差。在矿物溶解数据集上,该方法比忽略时序信息的等效 3D 模型更准确地测量孔隙体积增长和岩石边界,且无需逐图调整参数即可将数百张三维图像转化为可靠的量化数据。

  4. arXiv · 机器人与计算机视觉48

    AROMA:面向视觉语言模型的自适应表征导向多模态控制框架

    AROMA 是一种冻结 VLM 的控制框架,通过分离干预位置、几何增益及目标选择等维度解决因果敏感性与激活能量不匹配问题。在 Llama-3.2-11B-Vision-Instruct 上,该方法将未触碰过程数据的精确计数准确率提升 8.00 个百分点,迭代最小努力动作(MEA)达成率从冻结策略的 34.444% 提升至 38.730%。

  5. arXiv · 机器人与计算机视觉78

    聚合准确率掩盖了医疗视觉语言模型中特定诊断的失效

    该研究审计了 MedGemma-4B、Lingshu-7B、HuatuoGPT-Vision-7B、Qwen2.5-VL-7B 和 MedVLM-R1 等五款开源医疗 VLM,在包含 6,048 个问题的 ChestX-ray14 数据集上发现,尽管模型能流利描述气胸体征,但在 432 张阳性 X 光片中零检出或仅部分检出。

    推荐理由:审计显示五款医疗 VLM 在气胸检测上存在严重诊断特异性失效,内部表征正常但输出被抑制,仅靠聚合准确率无法评估真实能力。

  6. arXiv · 机器人与计算机视觉73

    TTB:一种用于解码器仅视图合成模型的测试时烘焙高效渲染方法

    本文提出 Test-Time Baking (TTB) 策略,旨在解决解码器仅大型视图合成模型(LVSMs)在保持高质量的同时提升渲染效率的问题。该方法利用轻量级多层感知机(MLP)显式学习跨视图注意力映射,而非完全替换注意力机制,从而在保证与最先进方法同等质量的前提下实现高达 23 倍的渲染加速速度。

  7. arXiv · 机器人与计算机视觉73

    ProtoVis-Nav:基于原型的视觉想象用于视觉 - 空间对齐的无人机导航

    针对无人机视觉语言导航(VLN)中因三维运动预测误差导致碰撞的挑战,作者提出 ProtoVis-Nav 框架。该方法迫使模型为预期的下一个动作想象与结果关联的局部视觉表征,通过预测特征原型及其线性组合来估计目标区域的视觉特征,从而促进视觉上下文与航点输出的对齐。实验表明该框架在现有基线上取得了显著改进。

  8. arXiv · 机器人与计算机视觉56

    物体即地址:Vision Transformer 注意力中的实例绑定机制

    该预印本论文研究了预训练 Vision Transformer 如何内在实现物体绑定能力。研究发现在八个预训练模型中,实例分离主要体现于注意力路由而非 token 内容;同一物体的不同部分共享特定的‘注意力地址’(查询组件指向的图像区域),而相同类别的不同个体则获得可移动的独立地址。编辑该查询组件即可重定向注意力地址以区分个体。

  9. arXiv · 机器人与计算机视觉8

    MALNISI-Infused Graph Construction 与加权对比损失 GAT 实现无监督 HSI 表征学习

    该研究提出基于 MALNISI 指标构建加权邻接矩阵的图神经网络,通过增强多头注意力机制及残差连接提升高光谱图像表征能力。实验在六个基准数据集上验证了该方法优于十四种最先进方法的有效性。论文为 arXiv 预印本(arXiv:2611.17199),代码与数据许可状态未明确说明。

  10. arXiv · 机器人与计算机视觉48

    Consensus Capture in Reference-Based UAV Video Stabilization:动态城市场景基准评测与开源代码数据发布

    针对悬停无人机视频稳定中的“共识捕获”现象,研究在繁忙路口等动态城市场景建立了包含静态与动态协议的基准。评测显示未掩蔽 ORB 算法在实时动态对中成功捕获 28/304 对,中位角点误差为 18.8 px,且掩码操作可消除该效应而不影响领先管线性能。代码、数据及结果已公开,包含 50 页论文、17 张图与 24 个表格。

  11. arXiv · 机器人与计算机视觉68

    SpotDiff:一种用于遥感影像零样本变化检测的即插即用框架

    SpotDiff 是一个无需训练的即插即用框架,旨在解决传统遥感变化检测依赖大量标注数据的可扩展性问题。该方法组合了 DINOv3、AnyUp 和 SAM 3 等视觉基础模型,利用多尺度推理策略在感兴趣区域比较重建特征以测量变化,不包含可学习组件或微调。

  12. arXiv · 机器人与计算机视觉51

    HiVE-VQA:基于体素嵌入的层级交互用于视频质量评估

    针对用户生成内容带来的无参考视频质量评估挑战,该研究提出 HiVE-VQA 框架,首次将 JEPA 架构的视频编码器应用于此任务。该方法从预训练的 V-JEPA 2.1 编码器中提取多深度 token 网格并堆叠为层级时空体积,利用紧凑的 3D 卷积头融合各层特征与语义上下文,且保持编码器冻结仅训练头部。

  13. arXiv · 机器人与计算机视觉38

    SALT:面向遥感影像的单时相跨数据集结构定位新方法

    SALT 框架通过冻结 DINOv3 骨干网络并引入状态对齐低秩迁移,解决了单时相遥感影像变化检测中源域过拟合问题。在 LEVIR-CD 与 WHU 航空建筑数据集双向迁移实验中,该方法仅用 0.068M 可训练参数和 40.2ms/张的推理延迟,像素级 AP 提升最高达 9.45 点且优于四大基线。相关源代码已公开以支持复现与进一步研究。

  14. arXiv · 机器人与计算机视觉25

    基于眼底图像的 AMD 疾病特异性视网膜衰老生物标志物 FAA 提升晚期年龄相关性黄斑变性进展预测精度

    针对传统按生理年龄评估不足的问题,研究提出并验证了基于眼底的 AMD 年龄(FAA)指标以量化疾病特异性视网膜衰老。该模型在 AREDS 数据集上使 C-index 从 0.836 提升至 0.888,并将 5 年 Brier 评分从 0.050 降至 0.046;AREDS2 数据集中 C-index 也从 0.715 升至 0.756。

  15. arXiv · 机器人与计算机视觉78

    第 8 届 LSVOS 挑战赛:移动统一多模态理解报告

    本报告总结了与 ECCV 2026 联合举办的第 8 届大规模视频目标分割(LSVOS)挑战赛中,关于移动统一多模态理解(MUMU)轨道的评测结果。该任务要求单一模型在 0.5B 参数和 8 GB 推理显存预算下,同时完成质量/场景/事件词汇的多概念图像标签、开放词汇目标检测和简洁图像描述。

    推荐理由:报告总结了 ECCV 2026 LSVOS 挑战赛中 MUMU 轨道的评测结果,展示了在 0.5B 参数预算下基于 Florence-2-base 的统一多模态理解方案。

  16. arXiv · 机器人与计算机视觉72

    Raysemble:基于单张 X 光片的度量三维骨骼重建

    Raysemble 通过分离形状与位置,利用共享解码器预测归一化骨骼形状,并结合深度与相机几何将形状重采样至毫米级公共网格。该方法在无需刚性对齐 CT 的情况下,在 23 名受试者的 43 个 CT 扫描生成的模拟正位 X 光片上评估,平均 Dice 为 65.24%,HD95 为 9.09 mm,ASSD 为 3.32 mm,优于 VolumeNeRF 等 15 种方法。

  17. arXiv · 机器人与计算机视觉82

    Kosmo-GFM:一种生产就绪的几何基础模型

    该预印本提出 Kosmo-GFM,这是一个集成了几何基础模型、位姿优化引擎及来自 KosmoWorld 的重建监督的场景重建系统。GFM 可从图像和视频预测相机参数、深度、跨视图对应关系及动态 3D 点;PoseEngine 结合这些预测与几何优化恢复场景级位姿和几何结构,用于下游 3D 和 4D Gaussian Splatting。

    推荐理由:该预印本提出 Kosmo-GFM 系统,在 SpatialBench 上实现最低深度误差与最高位姿 AUC,PoseEngine 运行时间约为 GLUEMAP 的 20%,支持将学习到的几何先验集成到重建流程中。

  18. arXiv · 机器人与计算机视觉42

    EG360:通过自适应全景 - 视角蒸馏与球体跨层级特征融合实现高效通用深度估计

    EG360 是一种针对全景深度估计的高效通用模型,利用场景几何引导的自适应全景 - 视角蒸馏策略及球体跨层级特征融合模块。该模型重参数化后仅含 6.593M 参数,在 Jetson Orin NX 16GB(MAXN 模式)上实现 35 FPS 推理速度,远超 ViT-small 模型的不足 2 FPS。代码将公开以支持未来研究。

  19. arXiv · 机器人与计算机视觉48

    DashBench 评测视频大模型对自动驾驶长尾场景的理解能力

    DashBench 基准测试了 25 个视频大语言模型在涵盖碰撞及非碰撞类共 1709 条精心筛选的驾驶视频上的表现。结果显示所有被评估模型均远低于安全关键应用所需阈值,常误判危险事件或产生幻觉。该基准结合严格评测工具与详细诊断报告,旨在推动更安全、可解释的自动驾驶系统发展。代码和数据将在指定链接共享。

  20. arXiv · 机器人与计算机视觉82

    从基础 VLM 到多功能驾驶 VLM:一种三元组增量训练方法

    针对将通用视觉语言模型(VLM)适配自动驾驶需大量空间先验或架构重构的难题,本文提出非侵入式的三元组增量训练框架。该方法利用自动构建的图像、深度和问答三元组,通过统一三流训练管线注入 3D 几何感知:主 VLM 流适应驾驶任务,辅助深度流引导视觉骨干网想象场景几何,冻结的双生 VLM 流防止语义漂移。

    推荐理由:提出非侵入式三元组增量训练框架,在保留通用 VLM 能力的同时通过辅助深度流注入几何感知,部署时无推理开销。

  21. arXiv · 机器人与计算机视觉45

    考虑 texting 行人的注意力感知导航框架通过代价地图调优提升安全与效率

    针对手机分心行人不可预测的偏离行为,该研究提出基于 3D 骨骼特征和随机森林分类器的实时注意力感知导航框架。用户研究显示,在 252 次试验中,该方法相比仅用 LiDAR 或仅轨迹预测的基线,显著提升了平滑度与可预测性且未增加通行时间。实验证实,只有结合注意力状态感知的代价地图调整,才能有效改善主观导航质量。

  22. arXiv · 机器人与计算机视觉45

    热红外无人机检测瓶颈分析:跨数据集基准评测揭示数据构成主导性能

    针对公开热红外无人机数据集的相机系统与标注差异,研究建立了涵盖光学效应与图像增强的缺陷分类法。实验表明检测性能主要由训练数据构成决定而非 YOLO 模型容量,最佳配置仍漏检超 40% 目标且存在显著跨域不对称性。该预印本论文揭示了现有数据集在复杂背景下的局限性,为提升连续监控能力提供关键改进方向。

  23. arXiv · 机器人与计算机视觉48

    MuViRL:通过校准视图聚合实现多模态视图不变视觉语音表征学习

    MuViRL 是一种自监督框架,结合同步 3D 高斯视图合成与多模态自监督,利用决策模型校准分数指导信息聚合并蒸馏至单分支。实验在真实与合成多视角数据上验证了该方法能提升跨视图的多模态表征一致性及视觉语音识别性能。该研究共 30 页含 7 张图,属于计算机视觉领域的预印本论文。

  24. arXiv · 机器人与计算机视觉45

    Learning the Missing Derivative:神经多重散射算子用于逆体积渲染

    该方法通过神经网络预测多重散射场并在逆渲染中对其求导,利用蒙特卡洛监督微调以解决优化漂移问题。在独立测试的光学厚云层上,同等耗时下其重光照效果优于冻结源层析成像,且大幅节省时间即可超越可微路径追踪基线。论文包含 21 页、11 张图和 18 个表格,已上传至 arXiv 供下载。

  25. arXiv · 机器人与计算机视觉18

    Improved CNN-Transformer Network for Neutron Image Super-Resolution 提出新模型

    针对中子图像斑点噪声与细节缺失问题,该研究提出结合 CNN 与 Transformer 的超分辨率网络。通过利用预训练模型增强真实中子图像作为高质量参考,并引入混合先导引导通道融合等模块优化纹理重建。仿真结果显示,相比双三次插值、SRCNN 及 SRGAN-VGG 等方法,新模型在 PSNR、SSIM 等全参考指标及 AGM、SMD 无参考指标上均表现更优。

  26. arXiv · 机器人与计算机视觉48

    ReFineR:单图像素级稠密点云配准与点溅射优化框架

    ReFineR 是一个离线框架,利用可微分点溅射光栅化和平滑梯度方向度量(GOM),通过分析与合成优化迭代微调相机姿态以解决图像到点云的精细配准。该方法在手动校准的异构数据集上评估了性能,并证明可在优化前自动估计点云缩放因子,从而在多种场景下实现尺度不变鲁棒性。

  27. arXiv · 机器人与计算机视觉38

    RICapBench:遥感领域视觉语言模型的细粒度理解基准数据集发布

    针对现有基准难以评估无目标文本提示下的端到端实例定位与描述问题,RICapBench 发布了包含 245,466 个实例级标注和 498,005 个空间关系元组的遥感数据集。研究提出 RelCap-F1 指标并结合定位性能构建复合评分 RICScore,评估发现 LocateAnything 以 31.68 分获最高综合得分但空间描述较弱。代码与数据已公开,旨在推动遥感图像细粒度理解发展。

  28. arXiv · 机器人与计算机视觉54

    Gravity and Flight:一种用于遥感场景专业化的少监督框架

    论文提出 Gravity and Flight (G&F) 框架,旨在解决视觉语言模型在复杂遥感场景中推理粗糙且缺乏任务相关视觉证据支撑的问题。该框架结合 Evidence-of-Thought 微调与关系转移策略优化,通过基于评分标准的验证机制(Gravity 检查视觉保真度,Flight 评估证据使用)来耦合策略更新。

  29. arXiv · 机器人与计算机视觉59

    FuGIBench:面向流式视频的可靠准备能力评估基准

    FuGIBench 是一个流式视频基准,用于评估模型在因果视频前缀和任务契约下,于等待、可逆准备及响应之间的决策能力。该基准包含 19,893 条合成工具辅助视频,覆盖交接、普通活动及取消需求三个轨道。主要评分指标奖励持续准备并惩罚无谓活动,实验显示较长的准备领先时间会导致较差的响应对齐度。

  30. arXiv · 机器人与计算机视觉78

    Hand in Silhouette:基于二值掩码的仿真到现实多视角手部重建

    论文介绍 Hand in Silhouette (SilHand) 框架,利用低成本获取的二值手部掩码替代 RGB 特征进行 3D 重建,以缩小合成数据与真实数据的观察差距。该方法在包含 4.68 万个抓取姿态和 6 万个自由手势的大规模合成数据集上训练,并在五个现实基准测试中将相对重建精度从 49.2% 提升至 63.4%,且对掩码噪声具有鲁棒性。

    推荐理由:该工作提出基于二值掩码的仿真到现实手重建框架,通过掩码射线证据融合缩小外观差距,在五个基准测试中相对精度提升显著。