基于随机位置外置相机的机器人导航与避障研究
该研究针对室内环境下利用固定外置相机进行机器人导航的问题,指出标准 PPO 算法因视角不匹配而失效。为此提出 Viewpoint-Invariant Navigation from Exocentric Cameras (VINE) 方法,通过监督学习构建障碍物地图估计网络,输入外置图像、相机位姿、机器人位姿及房间尺寸以生成观点不变障碍图。
该研究针对室内环境下利用固定外置相机进行机器人导航的问题,指出标准 PPO 算法因视角不匹配而失效。为此提出 Viewpoint-Invariant Navigation from Exocentric Cameras (VINE) 方法,通过监督学习构建障碍物地图估计网络,输入外置图像、相机位姿、机器人位姿及房间尺寸以生成观点不变障碍图。
针对低分辨率红外图像中多热源重叠导致的模糊与幻觉问题,论文提出了 FlowIR 框架。该方法利用伪三维深度提升和深度引导的三维卷积分离前景物体,并通过簇间注意力抑制特征污染,辅以热几何一致性损失强化对齐。基于轻量级校正流骨干网络,FlowIR 仅需少量步骤即可生成边界清晰、抗退化且几何保真的高分辨率红外图像。该工作已接受至 2026 IEEE ICME 会议。
论文提出了 ReCan-GS 框架,旨在从随意视频中重建动态场景并抑制瞬态遮挡物、阴影和体积效应。该方法基于学习到的变形场推导雅可比矩阵以计算变形敏感度分数,以此作为重建模糊性的经验代理,指导将内容分离为动态核心高斯和每视图干扰项高斯,或进行后处理剪枝。实验在合成与真实动态场景及烟雾/雾场景中验证了其在不同干扰制度下的有效性。该工作已被 WACV 2027 接收。
基于 Voltera NOVA 平台的参数化直接墨水书写流程,在 PET 和 TPU 基底上实现了含多层 Velostat 及全印刷碳架构的柔性力传感器。实验显示单层至六层 Velostat 器件呈现强非线性响应,最佳线性拟合 R²介于 0.475 至 0.641 之间,且无一致单调关系;八层印刷碳器件主要在 2 N 以下有效工作。
SPEM 是一种利用扫描先验熵建模进行激光雷达几何压缩的新框架,无需将编码几何转换为球面或束对齐坐标系。该方法通过多频球形旋转位置编码及解码记忆自回归预测器,在保持原始笛卡尔几何精确恢复的同时,实现了有损与无损压缩的最先进性能。
针对非道路环境多相机观测可靠性差异大的问题,提出 QVS-LIVO RiskMap 系统,将状态估计中的视觉处理与语义建图解耦。前端基于共享激光雷达 - 惯性后验进行只读预跟踪以评估观测健康度与几何互补性,利用通道健康记忆和切换迟滞选择至多一个视图进行光度校正;后端在共享世界网格中融合所有可用视图的语义观测。
推荐理由:提出 QVS-LIVO RiskMap,通过解耦视觉处理实现多相机状态估计与语义建图,在越野环境下提升鲁棒性与实时性。
论文介绍 GOOSELoc 基准,包含德国慕尼黑四季采集的 9,356 个场景,配对地理配准航空正射影像、环视 RGB 图像与 3D LiDAR 点云。研究对比了四种现有跨视角定位基线在越野环境下的性能下降情况,并提出结合环视图像与 LiDAR 几何的多模态基线以提升定位效果。数据与基线已开源。
论文提出 split-and-scale 方法解决潜在表示在捕捉复杂物体细节上的局限。核心思路是将 3D 场景视为坐标的连续函数,利用预训练 tokenizer 在推理时对任意小区域进行局部化分配,使相同潜在容量服务于更小空间范围从而提升细节表现。实验表明该方法在计算、内存与重建质量间取得平衡,生成的 3D 模型质量可与更大规模模型竞争,且支持高质量的自回归 3D 生成建模。
针对仅检测位置未评估严重性的痛点,该研究提出结合几何测量与 Gemini 2.5 Pro 的五阶段离线框架。在 1,119 个行车记录仪场景的 3,092 个坑洼测试中,相比纯图像基线,该方法将高紧急度场景移出 26.7%,关键等级分配提升 109%。每场景成本为 0.105 美元,其机动建议仅作为研究参考而非车辆引导指令。
BiScopeNet 是一种无需修改视觉编码器或语言模型的视频大语言模型增强框架,通过 FocusAlign 模块和 MetaLoss 损失函数实现左/右手角色及操作物体的显式识别。该框架基于 BiScopeCap-100K 数据集在多个视频大语言模型骨干上进行了评估,在子动作检测任务中取得了优于对应监督基线的最强聚合性能。相关研究已获 BMVC 2026 接收,代码与数据许可状态待进一步确认。
Iris-Z 是一个通用图像生成器,能在同一骨干网络中同时生成外观和几何信息、从照片估计深度以及将图像绘制到给定深度上。该研究验证了统一架构在单目几何任务上的可扩展性,表明其在不增加专用层的情况下,于既定深度基准上超越了最先进专用模型。作者开源了两个版本的模型供社区使用。
针对 FPS 游戏《Counter Strike: Condition Zero》中的目标检测任务,该研究对比了 YOLOv5s 与语义分割模型,发现后者虽推理稍慢但形状识别更优。
该论文提出 DuoJEPA 框架,通过在每个模态编码器后附加变换层实现跨模态翻译,而无需直接比较两个嵌入空间的损失函数。实验表明,在 CheXpert Plus 数据集上该方法实现了 86.6 的零样本 AUC 和 78.5 的检索分数;在 Sentinel-2 与 Sentinel-1 遥感影像对上,冻结编码器下的跨模态检索成功率介于 77% 至 79%。
推荐理由:提出无需直接对齐嵌入空间的跨模态翻译架构,在医学影像与遥感数据上验证了零样本检索性能。
该论文针对环境中的隐蔽物体查找问题,提出了 concealment-adaptive mixed-observability MDP(CA-MOMDP)框架及 COMBS-score 评分机制。
该论文提出 Lang-SVG 方法,旨在将位图重构为紧凑且可编辑的 SVG 矢量图形。针对现有方法缺乏语义层级对齐的问题,该方法引入显式树结构组织 SVG 原语,利用粒度可控和开放词汇分割先验初始化对象部分层级,并结合多模态大语言模型(MLLMs)分配语义标签。
该研究将障碍物检测、Koopman 运动预测及在线误差估计集成至碰撞规避机制,通过聚合邻近障碍降低计算复杂度。仿真闭环对比显示,Markov 残差收紧使物理接触率从 10.0% 降至 1.33%,平均耗时仅增加 0.68 秒。人群导航语义消融实验表明,行人感知处理下机器人足迹与个人空间重叠占比为 2.11%,显著低于通用障碍物处理的 22.84%。
AIFR 通过插入轻量级模块在冻结人脸识别模型中间层预测样本级校正强度,实现无需参考图且无需重编码的嵌入恢复。该框架仅含 1.22M 可训练参数,将 FAR=10^-4 下的平均 TAR 从 ArcFace 基线的 66.1% 提升至 90.2%,并兼容 Arc2Face 生成任务。
研究团队构建了一套无需训练的视觉语言模型系统,针对 ECCV 2026 EBMV 挑战中的事件流理解任务。该系统利用冻结的 Qwen3.5 9B 模型处理四类任务,仅在动作识别上使用 EventGPT-Plus-2B,在 2,084 个测试问题中整体准确率达 62.28%(排名第 9/27)。分析显示手势识别与事件 OCR 表现受限,且详细理解预测存在选项偏差。
CGOcc 是一个监督多相机框架,通过显式建模跨高斯依赖解决重叠原语导致的类别预测模糊问题。该方法在 nuScenes 数据集上实现了最先进性能,在高高斯重叠率和边界区域表现更佳。消融研究验证了协方差感知预测与几何交互的协同有效性,论文代码及权重暂未公开。
FLIC(Frequency-Lipschitz INR Curriculum)提出一种容量可控的自先验隐式神经表示框架,通过联合频率-Lipschitz 课程引导网络从稳定全局解剖结构逐步恢复精细细节。
工业巡检机器人需在从区域到物体的不同空间尺度间进行导航,现有方法因高计算和存储成本难以在无无线覆盖或依赖机载计算的场景部署。本文提出 EMS-Nav 框架,其核心创新是将感知、空间理解与导航围绕“区域”组织,将局部空间作为环境理解和计算的基本单元,构建从局部区域到广域环境的层级结构。
论文提出 FoveaDet 框架,通过软件端动态识别显著区域预测注视点并结合 ViT 激进剪枝丢弃无关背景数据,配合优化插值与选择算法;在标准 GPU 上相比稠密基线减少 65.4% 至 92.2% 浮点运算量并加速推理 4.76 倍且 mAP 损失可忽略。
RipBench 是一个统一基准,支持在海滩安全场景下对海啸流进行多任务评估。该基准涵盖 $304$ 个视频(含 $51,011$ 帧标注数据),在相同数据集上实现了从分类到实例分割的多级视觉抽象对比。
该论文提出了 SCR-Mamba 方法,旨在解决基于 Mamba 的视频三维人体姿态估计中缺乏直接利用骨骼关系及全分辨率计算开销高的问题。核心创新包括骨骼条件状态建模(SCSM),通过骨连接和左右对称性生成骨架上下文以指导状态信息的读写传播;以及跨尺度增量细化(CSIR),通过内容自适应聚合构建多尺度运动表示,并利用粗粒度建模产生的增量逐步细化保留的单帧特征。
针对桌面卡牌游戏中物体识别成本高、标注难的问题,作者开发了一套全自动的合成数据采集管线。该方法利用已知三维坐标的重投影自动生成标签,并结合域随机化技术以弥合仿真与现实的差距。
推荐理由:提出利用重投影与域随机化构建合成数据管线,在真实机器人上实现卡牌游戏状态检测的高精度感知。
该论文针对体层 CT 超分辨率任务中合成配对数据缺失真实采集效应的痛点,提出了 Physically-anchored Implicit Network (PIN)。
FloCOS 提出一种基于条件流匹配的框架,将前向占用集表示为随时间变化的半空间凸多边形并集,以解决现有方法覆盖不足或过于保守的问题。在 Waymo Open Motion Dataset 上的评估显示,该方法生成了高覆盖率且更紧凑的集合,交互完成率优于基线。真实车辆实验进一步证实了其在交互式场景中支持无碰撞规划的能力。
本文介绍 FOMO,一种基于 Transformer 的端到端可训练架构,用于零样本模型驱动的目标检测。该方法通过双向注意力机制融合潜在令牌、多视图 CAD 模板和图像特征,生成对象感知特征与条件查询,进而解码为边界框及置信度预测。
WaveFlow-UIE 提出了一种单管道小波域流模型,直接学习将退化水下小波表示转化为清晰图像。该方法在 UIEB、LSUI、UFO-120 和 EUVP 数据集上实现了质量与效率的平衡,相比强基线显著降低推理成本。实验显示,将推理步数从五步减至单步可在保持恢复质量的同时提升约 4 倍速度。
针对文本感知图像超分辨率(TAISR)中严重退化文本难以仅凭局部视觉证据恢复的问题,本文提出利用多模态大语言模型的推理能力进行修复。研究构建了 ReasonText 基准和 GTTCA 指标,发现现有模型在需推理的文本上存在系统性盲区。
论文提出了 SteinPnP,这是一种概率性的透视-N-点(PnP)求解器,利用非参数姿态粒子集对相机位姿后验进行建模。该方法结合 Stein 变分推断的优势,旨在解决传统方法在捕捉多模态不确定性时的不足。实验表明,SteinPnP 能在合成与真实世界基准上准确捕获复杂的多模态不确定性并保持竞争力。
ThermalSplat 是首个无需已知相机位姿、RGB 引导或场景特定训练的通用前馈高斯泼溅框架,直接利用软普查损失和边界结构损失解决热成像低纹理与发射率依赖难题。
论文提出 IncR-3DSGG,该方法利用训练阶段的深度监督学习参数化关系预测器,仅凭带位姿的 RGB 图像在推理阶段构建度量一致的 3D 场景图。在 3RScan 数据集上,其对象召回率和谓词召回率分别达到 52.2% 和 30.8%,显著优于 MonoSSG。
ChartGalaxy++是一个包含 217,195 张信息图的新数据集,核心采用场景图表示法以编码视觉元素的层级与空间关系。该数据集支持图像到场景图的预测、增强型问答及生成中的场景图保持评估三项应用。其预印本已上传至 arXiv,旨在推动图表理解与生成的前沿研究。
AcrossPlace 是一个基于 GSV-Cities 构建的溯源感知基准,包含 23 个城市共 56,726 个地点、156,800 条描述及 113,404 张目标图像。
该论文提出了 APG-Planner 框架,旨在解决基于视觉的高速导航中无模型策略梯度方法训练效率低的问题。该方法利用微分平坦性从规划轨迹中解析重构车辆状态,构建了可微分的 episode rollout 并计算策略梯度,从而在无需显式底层动力学模型的情况下实现高效训练。
论文 Track4D 研究了如何利用预训练的视频扩散模型(VDM)解决数据稀缺下的稠密 3D 点跟踪问题,系统评估了残差 3D 跟踪视频(RTV)和归一化坐标图视频(NCMV)两种表示方法的有效性。
论文提出一种将赛道编码为地形语义层的统一学习框架,解决两轮机器人越野导航难题。该方法在仿真中将导航任务嵌入训练环境,部署时利用相机和 LiDAR 数据重构该层;通过联合优化局部导航与运动控制,无需经典控制层级接口即可实现高速赛车与敏捷跑酷。
DroneDiffusion 是一款专为本地三维无人机轨迹生成设计的感知感知扩散规划器,能显式规避由镜头眩光、过曝和反光表面导致的失效区域。该模型在仿真中训练并实现零样本真实部署,其可靠性条件将生成的轨迹平均感知可靠性从几何基线的 0.63 提升至 0.71。此外,无需重新训练的 CHOMP 引导策略将学习先验的碰撞率从 14.7% 降低至 7.8%,有效平衡了传感器不可靠区域的规避与导航性能。
Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。
推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。