跳到正文
11月13日周五
  1. arXiv · 机器人与计算机视觉78

    无需训练的个人化图像分割框架:解决多图实例召回瓶颈

    该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。

    推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。

  2. arXiv · 机器人与计算机视觉52

    OT-BLS:面向跨域少样本分割的 DINOv3 骨干层选择新方法

    针对跨域少样本分割中传统方法未显式评估查询与支撑标签一致性的问题,本文提出基于最优传输对应关系的骨干层选择准则 OT-BLS。该方法通过估计最优传输计划并聚合传输质量来生成评分,从而反映预测前景与背景同支撑数据的匹配程度。

  3. arXiv · 机器人与计算机视觉12

    GingivitisSeg:口腔图像牙龈炎分割公开数据集与基准评测

    GingivitisSeg 发布包含 961 张标注图像的公开基准,涵盖训练、验证和测试集划分。UPerNet 配合 ResNet50 骨干网络在标准条件下取得最高 mIoU 76.49% 及牙龈炎 IoU 54.91%,但经 Holm 校正后与 DeepLabV3+ 等基线差异无统计学显著性。数据集、基准划分及源代码已公开,目前为预印本状态并正在期刊审稿中。

  4. arXiv · 机器人与计算机视觉48

    V-JEPA Features 用于多视角三维重建的预印本研究

    该研究利用视频预训练特征结合相机估计与场景聚合,在 CO3D 数据集上对比了全局与空间相机回归配置。结果显示空间相机配置虽降低轨迹误差但深度表现不及恒值中位数深度,联合相对目标优化改善了归一化内参误差却增加了原始 Chamfer 距离。研究强调需分离组件比较以区分表征适应、对齐形状与原始重建效果,代码已开源。

  5. arXiv · 机器人与计算机视觉53

    MiniPose:基于微型模型的 6D 姿态估计真实数据采集方法

    针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。

  6. arXiv · 机器人与计算机视觉45

    Test-Time Selective Adaptation for Cross-Modal UAV Object Tracking with Token Shift 提出 TSAT 方法

    TSAT 通过无标签测试序列进行在线优化,利用可控 token shift 辅助任务生成空间适配信号并抑制不可靠样本干扰。在 CM-UOT 数据集上,该方法在频繁模态切换和严重空间位移下表现优于现有测试时自适应技术,验证了其在跨模态无人机目标跟踪中的鲁棒性与泛化能力。

  7. arXiv · 机器人与计算机视觉78

    EM-ViT:通过视差细化与机器人自运动在线适配单目深度估计

    针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。

    推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。

  8. arXiv · 机器人与计算机视觉72

    从像素到提示:用于 AI 生成图像检测的物理引导语言增强

    针对现有 AIGC 检测器依赖生成器特定伪影且泛化性差的问题,本文提出一种无需外部文本提示的检测框架。作者首先分析了超过 20 个生成模型的 15 种手工物理描述符,通过 FSDVA 评估选出拉普拉斯方差、Sobel 统计量和残差噪声方差等五个核心特征。

  9. arXiv · 机器人与计算机视觉20

    SyntheIce:冰川层重建的雷达图标注基准与算法验证

    SyntheIce 数据集包含 600 张涵盖多复杂度及真实噪声条件的合成雷达图,其中 150 张大图被划分为四块相邻瓦片以测试边界连续性。研究提出的斜率感知贪婪片段链接算法在专家标注的真实数据上实现了高精确度、召回率和 F1 分数。该成果已接受 IEEE BigData 2026 会议,证明了轨迹链接在处理碎片化空间特征时优于外观匹配方法。

11月12日周四
  1. Luxonis DepthAI · Releases12

    Luxonis DepthAI v3.12.1 发布:修复 OAK4-FFC 单目驱动与多设备同步故障,ToF 相机健康检查改用 ToF 节点

    Luxonis DepthAI v3.12.1 修复了 OAK4-FFC 单目模块误用彩色驱动的问题,并解决多设备管道因不支持外部帧同步而启动失败及固件崩溃等缺陷。在特定条件下,ToF 场景处理帧率从 12.34 FPS 提升至 30.06 FPS(+144%),同时优化了 macOS 退出时的遥测数据保留机制。该版本已集成测试 Luxonis OS 1.48.0,旧版系统行为保持不变。

11月11日周三
  1. arXiv · 机器人与计算机视觉50

    CARV:扩散模型梯度方差缩减框架

    CARV 是一种计算感知的方差核算框架,将蒙特卡洛估计重构为两阶段采样问题以复用昂贵上游计算。该方法在文本转三维和数据归因任务中实现 2 至 3 倍有效算力倍增,其中时序重要性采样与分层逆 CDF 采样贡献约 25% 增益。该成果已作为 NeurIPS 2026 相机就绪版本发布,适用于预训练扩散模型作为冻结教师的教学管道。

  2. arXiv · 机器人与计算机视觉83

    MC^2:用于快速椭圆偏微分方程求解的蒙特卡洛校正方法

    论文提出 MC^2,一种结合神经网络与蒙特卡洛方法的混合求解器,通过单次前向传播对低预算蒙特卡洛解进行结构化校正以恢复高保真解。该方法在匹配精度的情况下比传统 Walk-on-Spheres 快约 218 倍,推理时间较最先进扩散方法减少约 171 倍且精度更高。

    推荐理由:提出 MC^2 混合求解器,在保持精度的同时将椭圆偏微分方程求解速度提升约 218 倍,并开源 PDEZoo 基准。

  3. arXiv · 机器人与计算机视觉42

    DORIS:水下图像复原中的偏振感知多模态退化感知框架

    DORIS 提出统一的多模态语言驱动框架,联合利用偏振与 RGB 信息生成退化描述并增强复原表示。研究构建含真实退化的 MixPolar 基准支持系统评估,实验表明该方法在混合退化场景下有效整合双源信息并取得竞争性性能。代码与数据通过 arXiv:2610.17991v2 公开,涵盖计算机视觉与模式识别领域。

  4. arXiv · 机器人与计算机视觉42

    SciFigure2Code:AI 重建的科学图表转代码基准评测

    SciFigure2Code 是一个 AI 重建的基准,包含 6740 个审查过的面板和 337 个测试集,涵盖 31 种子类型及五个领域。在 14 个零样本模型中执行保真度较弱,Claude Opus 4.7 主导纯图像重建而 Opus 4.6 主导辅助重建,提示规划提升所有四款测试模型表现。该资源提供可审计的测试床以构建视觉上忠实且可编辑的科学图表展示。

  5. arXiv · 机器人与计算机视觉78

    UpCount:一种具有空间感知的类别无关物体计数方法

    针对现有通用物体计数方法在处理结构复杂物体时空间建模能力不足的问题,论文提出了 UpCount 模型。该方法从 ViT-B/16 编码器提取多层特征并重组为经密集预测 Transformer 和 FeatUp 优化的多尺度金字塔,以增强结构与空间敏感性;随后利用提议 - 验证计数头识别重复模式并生成密度图进行最终计数。

    推荐理由:UpCount 通过多尺度特征金字塔与密集预测 Transformer 增强空间结构感知,在复杂物体计数任务上取得优于现有方法的 MAE/RMSE 指标。

  6. arXiv · 机器人与计算机视觉35

    RepFusion:利用多模态先验在表征空间去噪的视觉生成方法

    RepFusion 复用多模态大模型(MLLM)输出作为扩散 Transformer 的条件信号,在相似推理预算下优于训练新去噪器的基线。该方法将 MLLM 从文本编码扩展至噪声输入,利用其表征自编码器特性加速推理并保留性能。该工作为 NeurIPS 2026 预印本,代码与论文托管于 arXiv (arXiv:2606.14700)。

  7. arXiv · 机器人与计算机视觉72

    PaGeR:基于多视图基础模型的统一全景几何估计方法

    论文介绍 PaGeR(Panoramic Geometry Reconstruction)框架,旨在利用多视图基础模型从全景图像中重建 3D 场景结构。该方法通过最小化架构改动并在训练中混合视角与全景数据,使预训练变换器能够单次前向预测尺度不变深度、度量深度、表面法线和天空掩膜。

  8. arXiv · 机器人与计算机视觉52

    通过旋转毫米波雷达实现复杂农田农业无人机地形感知

    针对农业无人机在复杂农田中地形跟随飞行受遮挡、几何复杂及环境干扰影响的问题,本文提出一种低成本旋转毫米波雷达地形感知框架。系统采用机械旋转设计以扩大空间覆盖并提升动态低空飞行下的地形可观测性,并设计了适配稀疏噪声数据的姿态一致重建流程以实现可靠的地面提取与连续表面估计。完整系统在真实农业无人机平台上部署并通过大量田间实验验证,地面分割 F1 分数达 94.42%,优于最佳竞品 90.48%。

  9. arXiv · 机器人与计算机视觉72

    DVFace:面向真实世界视频人脸复原的一步扩散框架

    DVFace 是一种用于视频人脸复原的一步扩散框架,旨在将退化视频增强为具有逼真细节、稳定身份和时序连贯的高质量结果。该方法引入时空双码本设计以从退化视频中提取互补的时空人脸先验,并提出非对称时空融合模块将这些先验注入扩散主干网络。在多个基准测试中,DVFace 展现出优于近期方法的复原质量、时序一致性和身份保持能力。代码已开源。

  10. arXiv · 机器人与计算机视觉68

    LucidNFT:面向流匹配真实世界超分辨率的多奖励偏好优化

    针对生成式真实图像超分辨率中随机采样导致的语义幻觉问题,论文提出 LucidNFT 框架。该框架引入基于内容一致性的退化池与硬负样本训练出的 LucidConsistency 评估器以检测局部幻觉,并采用解耦的奖励归一化策略保留各目标间的对比度。实验表明,该方法在保持低分辨率输入参考一致性的同时提升了感知质量,且在独立人类评测中,72.5% 的比较结果认为其输出更忠实于原始低分辨率输入。

  11. arXiv · 机器人与计算机视觉72

    预测潜在风险:面向自动驾驶的视觉语言推理研究

    现有自动驾驶数据缺乏对风险前兆与应对措施的关联标注。本文介绍 PotentialRiskQA 数据集,提供场景证据、潜在风险及缓解动作的结构化注释;基于此训练 PR-Reasoner 模型,通过多任务监督提升场景理解、风险认知与行动质量,减少无依据的风险推断。消融实验表明中间推理步骤的监督进一步降低错误推断并改善行动质量;在 NAVSIM 上的表征学习提升了开环规划性能。

  12. arXiv · 机器人与计算机视觉68

    3D-Guided Scalable Flow Matching for Generating Volumetric Tissue Spatial Transcriptomics from Serial Histology

    论文介绍 HoloTea,一种基于流匹配的三维感知框架,用于从连续组织切片和 H&E 图像推断未检测切片的基因表达。方法利用相邻切片的注册位置信息通过轻量 ControlNet 提供跨切片上下文,确保预测沿解剖结构连续;采用学习到的零膨胀负二项分布先验处理计数数据的离散性;引入全局注意力块以线性成本整合全片上下文。

  13. arXiv · 机器人与计算机视觉58

    Vision-Language 医学图像分割中的标注衍生提示词范围泄露反事实分析

    针对文本引导的医学图像分割模型过度依赖提示词中病灶范围信息的现象,该研究通过反事实实验发现,仅保留大小或位置描述即可恢复大部分性能提升,且部分模型从训练数据习得了命名诊断的习惯。论文提出了一种无需训练新模型即可量化提示词泄露程度的评测协议,并报告了在不使用测试掩码的情况下,基于图像估计病灶范围的最佳方法在结肠镜任务上达到 74.59 Dice,略低于已发表的 77.23。

  14. arXiv · 机器人与计算机视觉58

    当胸部 X 光基础模型可用时,CNN-Transformer 集成是否值得?

    针对 NIH ChestX-ray14 数据集的官方患者不重叠测试集,研究对比了五种 ImageNet 预训练骨干网络与 EVA-X-S 基础模型的集成效果。结果显示,EVA-X-S 单独测试宏 AUROC 为 0.828,而五模型集成仅为 0.814,且计算延迟和参数量分别增加约 7.8 倍和 10 倍。

  15. arXiv · 机器人与计算机视觉16

    Large-area Spatially Aligned Anchors 解决 XR 大范围空间追踪漂移问题

    该方法利用外部无漂移追踪作为真值,在准备阶段同步采集头显与外部的三维锚点以建立对应关系。运行阶段通过云配准对齐两种追踪方法,结合头显内置能力实现独立功能并扩展精准追踪范围。实证评估显示系统能有效对齐虚拟内容与现实世界,适用于制造、建筑及教育娱乐等场景。

  16. arXiv · 机器人与计算机视觉42

    FlyNet 模型在连接组约束下能效提升但鲁棒性不及 CTRNN,揭示生物视觉与对抗攻击的共性脆弱机制

    FlyNet 模型在碰撞检测任务中仅用 RAFT 的五分之一算力却对常见视频腐蚀更稳健,但面对对抗纹理仍易失效。研究证实连接组约束通过降低边数提升效率而非鲁棒性,且反向 phi 错觉与对抗攻击共享同一底层运动统计脆弱点。该工作已接受 NeurIPS 2026,为理解生物感知漏洞提供了可验证假设。

  17. arXiv · 机器人与计算机视觉43

    RS-JEPA:基于 Vision Mamba 与扫描路径视图的遥感跨传感器图像检索架构

    RS-JEPA 提出一种仅含 3.88M 参数的紧凑联合嵌入预测框架,在 BEN-14K、CBRSIR-VS 和 DSRSID 基准上实现最高 F1@5(分别为 72.92%、80.35% 和 94.43%)。该方法利用 Vision Mamba 编码器共享及对抗视图耦合机制,在无需人工标签的情况下实现了 SAR-光学与 PAN-多光谱图像的高效跨模态检索。

  18. arXiv · 机器人与计算机视觉42

    BoviShift:跨越六年的牛只视觉表型多属性审计数据集发布

    BoviShift 是一个由 2021 至 2026 年连续六个年度群体构成的牛只视觉数据集,包含 2,657 头牛、10,610 张静态图像及 2,566 段视频。研究基于固定 ResNet-50 基线评估了体重、年龄等五项属性在跨年份部署中的表现差异。该资源是目前已知跨度最长的结合连续年度群体与物理视觉属性的牛只视觉数据,旨在解决相关图像帧导致的可靠评估难题。

  19. arXiv · 机器人与计算机视觉5

    轻量级可微分皮肤渲染与数字化方法

    该方法通过直接估计次表面散射参数,填补了离线路径追踪与实时游戏引擎着色器间的差距。系统采用低成本单光单视采集方案,在 Monk Skin Tone Scale 的 45 人真实数据集及合成数据上验证了泛化性与角度一致性。最终生成的混合轮廓图可直接适配标准实时渲染管线,无需额外硬件支持即可实现生产级应用。