跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉68

    重新审视视觉上下文分割中的演示遵循:背景映射偏差与部分到父级扩展问题及改进方案

    该研究指出视觉上下文分割中存在背景颜色映射偏差和部分到父级扩展等演示遵循问题。作者提出语义对比提示选择方法,利用语义对比编码区分目标部分与其所属对象,并结合检索分数与开发集质量估计筛选演示样本。在七个检索方法和三个基准测试上的平均结果显示,该方法将目标 IoU 提升了 0.054,并将对象内部泄漏减少了 22.7%。

  2. arXiv · 机器人与计算机视觉44

    MySign:首个马来西亚手语高保真动作捕捉数据集发布

    MySign 是首个针对马来西亚手语(BIM)的孤立手势动作捕捉数据集,包含由五名聋人母语者采集的 5000 个样本及 1000 个词汇项。该数据集提供经重定向的高保真 SMPL-X 序列以解决伪标签在手指细节上的模糊问题,显著提升了生成质量并确立了新的基准挑战。数据现通过 arXiv 公开,为计算机视觉领域的三维手语生成任务提供了关键资源。

  3. arXiv · 机器人与计算机视觉44

    Differentiable Virtual-Slot Partitioning (\dvsp{}):视觉 Transformer 自适应分区的可微方法

    \dvsp{}通过保留每$2{\times}2$区域的四个虚拟槽位并混合特征,在 COCO 检测任务中移除64.2%视觉 Token的同时保持97.9%的Box AP。该方法相比熵基选择等基线实现1.61倍端到端加速,且移除注意力质量仅损失1.59 Box AP。研究基于EVA-02-B模型验证,代码与权重尚未开放许可。

  4. arXiv · 机器人与计算机视觉58

    RoboMoCap:面向人形机器人学习的全身运动捕捉数据集

    针对现有第一视角数据集缺乏高精度光学动作捕捉及下肢行为覆盖不足的问题,作者发布了 RoboMoCap 大规模多模态数据集。该数据包含超过 200 小时的记录,由 14 名参与者完成,集成了六个头戴式相机、腕部视觉与惯性传感以及 120Hz 的全身体光学动作捕捉。

  5. arXiv · 机器人与计算机视觉45

    SGAC:一种用于低比特手部网络在设备端学习的灵敏度门控累加器缓存方法

    针对部署后需适应用户摄像头的 4-8 比特手部追踪网络,该方法引入灵敏度门控累加器缓存(SGAC),将每权重状态降至 8.1 比特。在 38.3 万参数网络上,其适配后的 4/8 比特网络在两路模拟相机上取得九种低比特部署方案最高平均准确率,且在十二类 ImageNet-C 腐蚀下表现优于 PEQA、ECO 等基线。

  6. arXiv · 机器人与计算机视觉59

    语义合成优于暴力搜索:LLM 引导的变换设计实现高效学习

    该论文提出利用大型语言模型(LLM)在预定义空间之外合成可执行的数据变换程序,以解决计算机视觉训练分布设计中计算成本高昂的问题。研究对比了包括标准增强策略、暴力搜索及两种 LLM 直接代码生成在内的九种策略,结果显示 LLM 生成的变换程序在所有数据集上均优于暴力搜索(评估超过 6000 个候选者)。

  7. arXiv · 机器人与计算机视觉5

    VFI-ReID 框架实现带实时视觉反馈的交互式行人检索,在 VFI-PEDES 数据集上优于现有基线

    VFI-ReID 框架引入动态累积证据检索器与检索感知提问优化,利用候选人的实时视觉反馈作为后续追问依据。该方法构建了 VFI-PEDES 数据集及评估协议,解决了传统文本检索无法利用视觉差异的局限。实验表明该框架在交互式行人检索各阶段均持续提升性能,显著优于现有基线方法。

  8. arXiv · 机器人与计算机视觉48

    VectorMark:正交水印实现抗合谋图像指纹识别

    VectorMark 将用户密钥映射为高维单位向量,利用余弦相似度在理想平均下保持 $1/\sqrt{K}$ 的信号强度以精准识破合谋。该方法经 MS-COCO、OpenImages 及 AI 生成图像验证,在几何与光度畸变下维持鲁棒性并实现最佳全合谋检测。代码已公开,论文被 NeurIPS 2026 接收。

  9. arXiv · 机器人与计算机视觉20

    海底地形嵌入的可靠性:冻结编码器在合成孔径声纳中的重复观测测量

    针对合成孔径声纳(SAS)图像,研究使用冻结的自然图像编码器 DINOv3 ViT-S/16 发现其重复观测一致性差,距离内类相关系数仅为 0.20。尽管线性探针在珊瑚分类任务上表现稳定(AUC 0.93),但标准指标未能检测出这种几何依赖的测量不可靠性。研究建议评估海底表示时应补充重复观测可靠性分析,以区分斑块特征与采集几何的影响。

  10. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  11. arXiv · 机器人与计算机视觉23

    Writer-independent handedness identification from offline Bangla handwriting under controlled acquisition

    该研究利用包含 42 名作家的 BanglaHand 数据集,在受控采集条件下实现了离线孟加拉文手写笔性识别。基于墨色梯度的描述符在未见过作家测试中达到 77.4% 的平衡准确率,且去除光照影响后仍保持显著性能。实验证实笔迹形状特征较弱,而光度控制对解释此类线索至关重要。

  12. arXiv · 机器人与计算机视觉55

    基于选择性对比同策略自蒸馏的微小证据区域定位

    针对多模态大语言模型在细粒度视觉任务中易受背景区域干扰的问题,本文提出 SPN-OPSD 方法,结合证据与背景区域监督并引入选择性的 Token 级蒸馏。实验显示,该方法在 Qwen3.5-2B 和 Qwen3.5-0.8B 模型上显著提升了 V* Bench、ZoomBench 及 MME-RealWorld-Lite 等基准的准确率。

  13. arXiv · 机器人与计算机视觉56

    LIFT:一种结合局部度量对齐与基础模型引导传播的少样本深度补全方法

    该论文提出 LIFT 框架,利用冻结预训练单目深度估计(MDE)基础模型的深度与特征先验进行少样本深度补全。方法首先基于粗粒度网格估计局部尺度和平移参数并插值生成空间自适应度量深度初始化,随后通过多尺度深度传播逐步细化,最后由轻量级残差解码器结合多级基础模型特征与传播修正完成最终优化。

  14. arXiv · 机器人与计算机视觉58

    Permute-then-Adapt:一种基于弱 - 强对比的图像文本适应方法

    论文提出了 Permute-then-Adapt (PTA) 框架,旨在改进 CLIP 等图像文本对齐模型中对比学习的负样本假设。该方法利用高效弱模型识别被遗漏的正样本,并通过条件排列参考分布校准正集,避免启发式阈值带来的噪声惩罚。实验表明,在物体识别、跨模态检索和数据效率方面优于现有的启发式软标签方法。该工作已接受于 NeurIPS 2026 Spotlight。

  15. arXiv · 机器人与计算机视觉48

    Heterogeneous Asymmetric Contrastive Distillation (HACD) 方法实现异构架构知识蒸馏

    HACD 通过映射 logits 至共享单位超球面,将教师模型的预测关系结构转移给学生模型。该方法无需学习参数且每样本仅需一次教师前向传播,在 CIFAR-100 和 ImageNet-1K 数据集上无真值标签即取得最优或次优精度。相比传统蒸馏,HACD 在异构架构对上的平均准确率分别提升 8.82 和 1.33 个百分点。

  16. arXiv · 机器人与计算机视觉53

    FG-DSA:面向高效稠密预测的频率引导深度可分离注意力框架

    针对资源受限场景下稠密预测与生成建模中高频特征丢失的问题,本文提出 FG-DSA 框架。该方法利用 2D FFT 高通滤波模块将频域先验注入空间注意力机制,使轻量网络能以线性复杂度恢复锐利的边界过渡。实验表明,FG-DSA 在语义分割任务中能一致地提升性能,且作为扩散生成 U-Nets 的模块使用时,可在极低的额外参数和 FLOP 成本下显著改善生成图像的纹理细节。

  17. arXiv · 机器人与计算机视觉36

    MotionGraphicsBench:程序化验证的运动图形生成评测基准

    MotionGraphicsBench 引入由专家 curated 的 100 个实例基准,用于评估大语言模型结合空间、外观及时间要求生成运动图形的能力。在 180 个动画测试集上,其程序与人类判断达成 93.3% 的一致性,优于 GPT-6 Astra VLM 基线的 83.3%,并覆盖 47 种来自 32 个大语言模型及 12 家提供商的配置。

  18. arXiv · 机器人与计算机视觉25

    CNNs 视觉注意力在决策空间的对齐效应分析

    研究提出决策空间框架,将乘法注意力建模为中间特征扰动并推导其对分类边距的一阶预测。基于 CIFAR-100 数据集,利用 SimAM 和 CBAM 模块在 ResNet-18/50/56、MobileNetV2 等五种骨干网络验证了预测与实测边距变化的一致性。决策对齐分数(DAS)显示注意力位置越靠后,其与局部边距梯度的正相关性越强。

  19. arXiv · 机器人与计算机视觉59

    通过递归贝叶斯比较对 LiDAR 测量进行在线几何一致性评估

    针对 LiDAR 定位建图系统中因配准误差导致的重复表面和结构变形问题,本文提出一种无需独立参考的在线几何一致性评估方法。该方法构建递归贝叶斯比较框架,利用 Normal-Inverse-Wishart 模型表征历史体素几何及其不确定性,并通过 Normalized Drift Evidence (NDE) 指标在评估后更新历史状态或触发告警。

  20. arXiv · 机器人与计算机视觉43

    Scaling Optimization-Oriented Hypernetworks for Implicit Neural Representations

    该方法提出一种无需测试时优化的超网络,通过用注意力机制替代 MLP 主体解决参数增长问题。在五个二维及三维隐式神经表示基准上,其性能超越最先进单步与优化导向基线,且能扩展至使基于 MLP 的范式耗尽 GPU 内存的目标网络宽度。代码已开源,论文为 arXiv 预印本状态。

  21. arXiv · 机器人与计算机视觉53

    WordEval:评估文档编辑中单词原生操作保真度的基准

    针对现有办公自动化评测多依赖关键词匹配或截图对比、忽视 Word 内部对象模型修改的问题,该工作提出 WordEval 基准。该基准包含 642 个案例,覆盖文本、列表、图表等 15 个功能区域,其中 546 个原子案例对应 231 个命令,96 个组合案例涉及多步编辑。

  22. arXiv · 机器人与计算机视觉82

    从反思到协同进化:具备本地化验证记忆的自演化智能体

    论文提出 Anchor 框架,旨在解决大语言模型智能体在长周期交互中记忆冗余或强化不当行为的问题。该方法通过定位关键轨迹步骤、提取候选记忆,并在相同上下文下对比保留与不保留该源决策的效果,评估其对分布的偏移量及角色对齐度。

    推荐理由:提出 Anchor 方法,通过局部验证记忆源决策来筛选有效经验,在 ALFWorld 和 WebShop 任务上提升成功率并减少 Token 消耗。

  23. arXiv · 机器人与计算机视觉78

    不确定而非隐瞒:对视觉语言模型顺从行为的机制重估

    该研究针对医疗检索增强生成中视觉语言模型(VLMs)面对 X 光片与报告冲突时的行为提出质疑。通过表征探测、激活引导和双向强制选择等诊断方法,在四个指令微调 VLM 上验证了矛盾回避现象。

    推荐理由:研究证实 VLMs 在医疗场景下因不确定性而非隐瞒回避矛盾,为安全部署提供新诊断视角。

  24. arXiv · 机器人与计算机视觉72

    基于跨多风格标签一致训练的无偏目标检测域泛化方法

    针对目标检测在未见视觉领域性能下降的问题,本文提出 Origin-Anchored Multi-Style Consistency 框架。该方法利用扩散模型将源数据扩展为 20 种不同风格并人工验证标注一致性,同时在训练阶段施加场景与物体层面的原点锚定约束以抑制风格敏感捷径学习。

  25. arXiv · 机器人与计算机视觉78

    ATLAS:一种多程序基准与手术解剖分割的上下文感知模型

    针对微创手术中解剖结构识别受限于小样本数据集和自然场景方法的痛点,该工作发布了包含 121,018 个标注帧的手术视频语义分割数据集 ATLAS-120k。同时提出了 ATLAS 模型,利用域内基础模型嵌入并引入程序与手术阶段的上下文查询及帧间传播机制。

    推荐理由:该工作发布了包含 12 万帧的手术解剖数据集 ATLAS-120k 及上下文感知模型 ATLAS,在分割精度与时序一致性上超越现有基线。

  26. arXiv · 机器人与计算机视觉48

    隐私感知深度学习基准:基于几何特征的 facial emotion recognition 评测

    该工作提出仅使用面部 landmarks(478 点)和 blendshapes(52 系数,ARKit 标准)的轻量级隐私感知流程,消除原始视频存储。在 CREMA-D 和 RAVDESS 数据集上训练的六款架构,相比 ImageNet-pretrained ResNet50 基线,在未见过主体上参数少 12-124 倍且对悲伤等细微表情更鲁棒。

  27. arXiv · 机器人与计算机视觉65

    SurvAD:基于扩散模型的异常检测中异常的生存规律与改进方法

    本文提出 SurvAD 方法,揭示了扩散生成过程中异常信号随噪声衰减的指数级生存规律,并证明该泄露现象源于暴露偏差。作者通过在推理起点微调重构器并引入残差图证据比较器,在 MVTec AD 和 VisA 基准上分别将 DeCo-Diff 的多类像素平均精度(P-AP)从 76.8% 提升至 80.7%,从 57.5% 提升至 60.0%。

  28. arXiv · 机器人与计算机视觉58

    预条件隐式中点朗之万采样用于非光滑贝叶斯成像

    论文介绍 P-IMLA,一种针对高维对数凹目标且含非光滑正则化的预条件隐式中点朗之万采样器。该方法利用 Cayley 变换消除预条件欧拉 - 马鲁雅玛方案的方差膨胀问题,实现任意步长下的高斯精确性;通过白化将收缩率转移至有效条件数,并在显式平滑假设下仅保留漂移偏差而非欧拉型扩散偏差。实验在受控的高斯和总变差正则化成像任务中验证了该方法能消除随条件数增长而出现的长暂态现象,保持方差精确性。

  29. arXiv · 机器人与计算机视觉48

    ReelCache:多轮视频生成的高效 KV Cache 压缩与管理系统

    ReelCache 是一种针对多轮长视频生成的 KV cache 压缩系统,结合片内低秩分解与片间树状状态管理。实验显示该系统在五种视频模型上将 KV 存储减少 14.46-21.13 倍,加速下一片段生成 1.25-3.36 倍,且 VBench 指标下降小于 1%。代码开源于 GitHub,论文为 arXiv 预印本。

  30. arXiv · 机器人与计算机视觉43

    MAPA:一种用于三维医学分类的感知模式原型分配潜在数据集蒸馏方法

    MAPA 提出了一种针对冻结自编码器潜在空间的蒸馏方法,通过软分配将原型均匀分布至类内不同模式以解决原型集中问题。该方法在五个三维医学分类任务上,相比最强潜在基线使聚合平衡准确率提升 4.2 个百分点且保持相同原型数量。论文已获 WACV 2027 接收,代码与数据许可状态需参考原文补充材料。