PlotPick:开源工具利用 VLMs 批量提取科学图表数值数据
PlotPick 是一款开源工具,利用视觉语言模型(VLMs)从科学图表中批量提取表格数据。在 ChartX 基准的六种图表类型上,九款来自不同提供商的 VLM 总体优于专用模型 DePlot,其中箱线图表现最佳;但在 PlotQA 子集测试中,DePlot 达到 87.0%,仅两款最强 VLM 持平或略高。
PlotPick 是一款开源工具,利用视觉语言模型(VLMs)从科学图表中批量提取表格数据。在 ChartX 基准的六种图表类型上,九款来自不同提供商的 VLM 总体优于专用模型 DePlot,其中箱线图表现最佳;但在 PlotQA 子集测试中,DePlot 达到 87.0%,仅两款最强 VLM 持平或略高。
RetinaDiff 框架利用相位相关配准与运动校正先验,仅需少量帧即可重建视网膜时间域激光散斑对比成像图像。在自研系统稳定序列测试中,该方法将 SSIM 从 0.159 提升至 0.533,PSNR 从 14.83 dB 增至 18.06 dB,FID 从 211.50 降至 111.55。代码与权重将在论文接收后开源。
该研究针对交互式视频世界模型中每块生成需多次昂贵去噪的问题,提出无需训练的 CtrlCache 框架。该方法利用控制信号提前到达的特性,分析相邻块在动作变化处的结构相似性差异,将块标记为初始、过渡、转向或稳态阶段。
推荐理由:提出无需训练的 CtrlCache 框架,通过控制感知调度与频率混合先验指导,在保持交互响应度的同时显著降低视频世界模型的推理成本。
该研究提出冻结的视频语言模型(VideoLLMs)内部天然携带关于‘是否已收集足够证据’的可线性读取信号,且该信号独立于模型输出并受问题条件调制。实验显示,在严格采样下 AUROC 介于 0.733-0.905,即使回答错误时该信号仍有效(AUROC 0.722)。
推荐理由:研究发现冻结视频语言模型内部存在可线性读取的证据就绪信号,将其转化为门控策略可在匹配时长下提升准确率。
针对 VLA 模型因处理长序列导致计算成本高、难以实时部署的问题,本文提出 VLA-ACL(Action Consistency Learning)方法。该方法通过动作级监督学习轻量级视觉 Token 剪枝策略,在保持基座 VLA 模型完全冻结的前提下,确保剪枝后的视觉上下文生成的动作与全量上下文教师保持一致。
REViT-v2 提出了一种基于分层特征架构和窗口群卷积自注意力的可扩展旋转反射群等变视觉 Transformer。该方法已验证可在 ImageNet 规模数据集上训练数百万参数的模型,代码与预训练权重已在 arXiv 开放。该工作被 NeurIPS NeurREPS workshop 2026 接收,属于计算机视觉领域的预印本研究。
该平台采用 3D 打印与水射流推进技术,开发成本为 600-1500 美元且重量低于 5 公斤。系统最高时速达 2 m/s,具备避障能力并擅长水深测量与水质量检测。论文已作为 IROS 2024 最佳应用奖决赛入围作品在 arXiv 发布,代码与组件均基于现成开源方案构建。
SimCortex v2 框架利用多尺度静止速度场,从 T1 加权 MRI 同步重建左右脑白质与皮尔表面。该模型在涵盖 6-89 岁人群的 560 个案例中,实现了平均对称表面距离 0.253 mm 的精度,且 92.14% 的案例无跨表面碰撞、自相交率仅 0.044%,优于所有基线。相关代码、权重及数据已公开,论文已提交至 Medical Image Analysis。
针对机器人规划与控制中信号时序逻辑(STL)鲁棒性重复评估的计算瓶颈,本文提出 ScanSTL 方法。该方法结合关联时间聚合与并行扫描技术,利用范围极值处理 Eventually 和 Always 算子,并构建通用范围引擎以高效处理有界及移位区间。
针对资源受限的行星车与微型飞行器,作者提出一种基于 FMCW 雷达与惯导的嵌入式状态估计框架。所有传感器驱动、数据处理及辅助惯性导航均在单核微控制器上完成。飞行实验显示相对于运动捕捉系统的平移绝对误差为 0.51-0.82 米,相对位置误差小于 3%,并实现了未修改 PX4 栈的闭环飞行。固件与 PCB 设计已在 GitHub 开源。
R2RI 是首个专门针对机器人 - 机器人(RRI)任务的大规模数据集,包含超 650 万帧及约 5000 个 120 fps 视频,涵盖事件与 RGB 模态。数据提供各机器人的以自我为中心视角及外部固定相机的以他人为中心视角,支持对交互动态的丰富空间理解。研究团队公开了数据集及其所有任务与模态的标注文件。
该研究填补了金属增材制造领域公开事件相机基准的空白,发布了包含 15 个来源共 85 个物理校准事件分片的 SynAM-E 数据集。实验表明,单机器案例中事件空间监测精度接近密集帧(宏观 F1 为 0.874 对 0.863),融合后绝对强度仅损失 0.006;在 NIST AMMT 构建上,近传感器事件率计数器以约 380 倍的更低读取量恢复了 528.7 Hz 的强度振荡。
OpenCV 将于 2026 年 10 月 8 日周四上午 9 点(太平洋时间)举办名为"OpenCV Live! 228"的直播,主题聚焦构建从 OpenCV 到 NVIDIA Isaac Sim 的物理 AI 管线。NVIDIA Isaac Sim 作为开源参考框架,支持在基于物理的虚拟环境中进行机器人仿真、测试及合成数据生成,并能摄入 CAD、URDF 或真实世界捕获等多源数据。
针对城市峡谷等 GPS 信号受限环境下的无人机定位需求,作者提出了一种网络自适应的边缘辅助多视角定位框架。该框架结合了可扩展的正交性正则化变分信息瓶颈编码、基于信息价值的请求控制以及价值感知的边缘调度策略。
IBPA 方法将原始球枢轴算法改造为支持流式点云的增量、实时且无需重叠假设的自由曲面重建技术。该方法在构建可定向流形网格的同时引入孔洞检测机制,能处理悬垂结构等复杂拓扑而无需先验几何约束。参考实现源代码将在预印本上线后公开,适用于 ROV 与 AUV 水下测绘数据的实时可视化决策。
AFP-GIC 提出一种将冻结预训练 AdaCode 模型的图像自适应融合先验转移至解码器的方法,无需传输先验即可指导潜在变量形成。在统一基准下,该方法相比 DC-VIC 降低 18.1% 解码延迟并减少 20.5% 推理参数量(从 3110 万降至约 2479 万)。
针对多模态大语言模型微调中数据冗余问题,提出 OnceSelect 一次性训练的数据选择器。该方法在冻结的多模态空间编码图像 - 指令对并聚类,利用固定验证集标准训练轻量级选择器,可跨数据集与模型架构直接复用而无需重训或依赖特定模型评分。
推荐理由:提出一次性训练的通用数据选择器,在无需重训情况下跨数据集与模型架构复用,显著降低多模态指令微调成本。
Pi-Seg 将开放词汇遥感图像分割重构为分布式像素 - 文本对齐问题,通过引入可学习变异提升跨数据集迁移与泛化能力。研究构建了包含约 9.5 万张标注图像的 GlobalRSOV95K 基准,覆盖 35 个语义类别及超 17 万张图像、122 个类别的下游测试集。该框架在单源与多源协议下均有效改善了现有方法的性能,为可迁移的遥感分割研究提供共同基础。
MultiLoc 是一款多视角引导的相对位姿回归器,能在未知场景中通过单次前向传播生成一致的 3D 特征,实现亚秒级推理速度。该模型在 Indoor6、Cambridge Landmarks 和 WaySpots 等基准测试中均优于现有方法,且支持 Scannet++ 数据集训练与 RoPE CUDA 内核优化。代码即将开源。
FoMo 是一个在寒带森林记录的多季节机器人导航数据集,涵盖超过 64 公里的六条不同轨迹,全年进行了 12 次部署。数据包含旋转与固态混合激光雷达、FMCW 雷达、立体相机及单目相机图像、双 IMU 以及通过后处理 GNSS 接收器计算的真值。材料展示了季节变化对现有最先进定位建图方法重定位能力的严重影响,并提供了开发套件下载链接。
MIND 提出一种融合潜在扩散与 Holoplane 的生成模型,解决微结构设计几何与物性难以协同控制的难题。该模型在涵盖桁架、壳体等形态的多类数据集上训练,能生成满足目标属性且保持几何有效的多样化可平铺结构。代码与示例数据已公开,相关成果更新至 SIGGRAPH '25 发表版本。
论文提出通用测试时训练(Universal Test-Time Training, uTTT),主张记忆所有权不应绑定于网络深度,所有层读写同一共享记忆并在时间与深度两个维度上递归。
推荐理由:提出 uTTT 架构,让所有层读写共享记忆以突破深度限制,在语言建模与新颖视图合成任务上均优于现有私有记忆设计。
针对现有世界动作模型(WAMs)在多步去噪和专家串行执行上的效率瓶颈,本文提出 RealtimeWAM 架构。该方法通过教师锚定一致性蒸馏实现一步动作生成,并利用跨专家波前流水线消除等待开销。实验显示,该模型在 LIBERO、LIBERO-Plus 及 RoboTwin 等基准上性能损失小于1%,在 H100 硬件上端到端速度提升约25倍。代码与检查点已开源。
FrontVeg V2 是一个开源且无需训练的软件框架,用于高分辨率棚架作物图像中前景感知的零样本植物性状分割。该流程结合单目深度估计与基于谷值的深度阈值提取,集成 Depth Anything V2 和 SAM3 模型以抑制邻近植被干扰。系统支持命令行批处理及 Napari 图形界面,为多作物数字表型提供可复用方案。
针对地球观测场景,该方法在仅含单任务标注的示例下实现超分辨率与语义分割联合学习。通过提出混合架构变体及重投影损失,实验显示其效果优于当前最先进顺序变体。源代码将在 arXiv 发布,论文将投稿至 2026 IEEE ICIP 会议。
RefineCBCT 框架利用伪标签引导和短步长扩散技术,在无配对 CBCT 与规划 CT 数据上显著降低散射等伪影并保留解剖结构。该方法在 LUNG TCIA 数据集各项指标均最优(MAE 19.411、PSNR 30.845 dB),PELVIC TCIA 亦取得最佳 MAE、PSNR 和 SSIM,图像条纹与阴影伪影明显减少且软组织均匀性提升。
BossouChimpanzee70h 数据集包含博苏野外实验室 1988-2018 年间超 1,200 小时连续录像的初始约 74 小时快照,覆盖 23 只已识别个体。该资源面向行为学认知与机器学习模型训练评估,提供完整视频档案结构及历史科学贡献概述。
针对预训练世界模型难以适配特定用户视频场景的问题,论文提出 PWM 框架,通过在线强化学习(GRPO)或扩散优化(DiffusionNFT)从短视频中定制交互式世界模型。
推荐理由:提出 PWM 框架,利用在线强化学习从短视频定制交互式世界模型,在保持生成质量的同时实现场景个性化。
COMPASS 通过结合深度学习分割、损伤测量及自动彗星选择,实现了单细胞凝胶电泳(comet)分析的自动化。该 Python 工具免费提供 rsinghlab/COMPASS 仓库中的预训练权重与示例代码,旨在减少人工工作量并提升结果可复现性。
Jar Jar ROV 是一款面向中学生水质监测的低成本开源遥控车(ROV)平台,已在美一州超 100 名学生中完成大规模部署。该框架构建了草根监测网络,生成了近一万一千条经验证的温度、pH 值等数据,且机器人搭建环节获导师满分评价。评估发现学生在电子组装与数据上传等复杂任务中存在参与度下降的缺口,研究据此提出降低技术门槛的未来改进路线图。
论文介绍了 DABACO 数据集,旨在支持嵌入式系统中屏幕检测与基于摄像头的指向算法的开发与评估。该数据集包含由 Raspberry Pi 4B 和 ESP32-S3 等低成本平台采集的视频序列,涵盖单色全局快门和彩色卷帘快门传感器。
Google DeepMind 于 2026 年 10 月 5 日发布物理引擎 MuJoCo 3.15.0,解决了 64 位模型在 mj_saveModel 和 mj_loadModelBuffer 中超过 2 GiB 的序列化限制。此次更新还引入了实验性的非插值 3D 弹性简化算法、胶囊几何体的单次多接触检测以及 insidesite 传感器的封闭属性测量功能。
该系统针对手写孟加拉文图像实现与纸张颜色、墨水类型及阴影无关的单词分割。在包含 7374 个单词的定制数据集上,系统生成 7278 个边界框,召回率 90.60%、精确率 91.80%,F1 分数达 91.20%。论文已作为 EICT 2023 录用版本发布,代码与数据可通过 arXiv:2610.01191 获取。
针对高光谱遥感领域碎片化严重、张量规范不兼容及评估非标准化的问题,该工具通过模块化框架统一了涵盖 CNN、ViT、Mamba 等六种范式的 55 个代表性模型。
推荐理由:该库统一了 55 个高光谱模型与 24 个基准场景,提供标准化评估流程与防重叠划分方案。
作者发布了 AGT-CV 数据集,利用 Clearpath Husky 地面车与 Autel EVO II 无人机在森林、岩石路等非结构化环境中采集了超过 13,000 帧同步数据。
论文提出利用 Timed Rebeca 对 ROS2 多机器人系统进行形式化建模与模型检测,通过定制离散化策略解决连续动力学到离散模型的转换难题,并引入优化技术加速验证。作者公开了配套的 Rebeca 和 ROS2 代码库,为研究者提供系统设计与验证的参考基准。
VTBench 基准系统评估了图像重建、细节保留和文本保留三项核心任务,揭示连续变分自编码器在空间结构与语义细节上优于离散视觉分词器。该研究基于 GPT-4o 图像生成实验探讨其自回归特性,并公开代码与数据集以推动通用开源视觉分词器发展。论文已接受 AACL-IJCNLP 2026 主会收录。
论文作者发布了 Isaac-Net,这是一个集成到 Isaac Lab 的 GPU 批处理 5G NR 模块,能在单卡上模拟约一百万个机器人环境。该工具在锁步更新物理引擎的同时精确复现了 ns-3 5G-LENA 的中位延迟与 AoI 指标,解决了传统独立延迟模型无法捕捉网络拥塞尾部效应的缺陷。代码已开源,适用于需要高保真网络仿真的大规模具身智能训练场景。
论文介绍 GlanceWAM,一种基于共享视频 DiT 骨干的异步世界 - 动作模型架构。该方法将视觉想象解耦为后台慢速时钟运行的异步提议器,在潜在空间解码动作块,从而打破同步生成带来的延迟瓶颈。
推荐理由:该工作提出 GlanceWAM,通过异步解耦视觉想象与动作控制,在 RoboCasa 和 LIBERO 基准上实现实时推理与高成功率。
针对脑结构可塑性定量分析中手动标注不可行的难题,该流水线统一了 YOLOv6 引导的 SAM 提示、迭代掩膜细化及 nnU-Net 高分辨率修正,实现无需人工干预的自动分割。在控制大鼠和癫痫诱导大鼠的海马 CA1 SBF-SEM 数据集上,该方法达到 Dice 0.93 与 0.91 的高语义准确率并恢复细突触突起。代码已开源,但密集区域实例识别仍是主要局限。