TARGO and TARGO-Net:遮挡环境下目标驱动抓取基准与模型评测
针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。
针对单目 RGB-D 视角下严重遮挡导致的 6-DoF 抓取精度下降问题,研究建立了首个遮挡环境目标驱动抓取数据集 TARGO。提出的基于 Transformer 的 TARGO-Net 模型通过引入目标补全模块与场景交叉注意力机制,在所有视觉遮挡等级下均实现了最鲁棒的抓取预测性能。此外,研究证实了目标补全、遮挡物数量及目标最小尺寸除视觉遮挡外也显著影响抓取成功率。
该论文针对实例分割中人类标注或模型生成轮廓不可靠的问题,提出 CB-LNL(Copula-Boundary Learning with Noisy Labels)框架。
针对机器人遥操作等低延迟沉浸式流媒体应用,研究量化了显著性预测精度带来的压缩收益递减规律。实验表明,仅需 52 FPS 的轻量级预测器即可捕获真值预言机 65% 的码率节省,而算力增加 38 倍后无额外增益。因此,在延迟受限场景下采用轻量级显著性预测器是兼顾性能与效率的实用选择。
该研究在仿真与 Cyber-Physical Mobility Lab 实验中验证,利用跨摩擦条件池化数据可使多步均方根预测误差保持在匹配数据的 1.5 倍以内。闭环追踪结果显示,池化策略在低摩擦轮胎下误差差值为 0.1 cm,高摩擦下为 0.2 cm,实现了无需专用适配方法的变摩擦部分自适应。论文已提交至 2027 年欧洲控制会议(ECC),代码与数据待开放许可。
针对现有知识分流方法参数开销大且依赖固定组件分配的问题,本文提出特异性引导知识分流(SGKDiv)。该方法从成对前馈通道构建知识单元,保留原生计算结构;结合校准的条件路由与互补正则化,实现自适应的知识专业化。实验表明,其在多种模型设置下优于稠密及 MoE 基线,且在八个数据集上展现出更强的下游适应能力。
针对帕金森病早期检测中黑质致密体(SNpc)分割标注数据稀缺的问题,研究评估了利用外观相似的蓝斑(LC)模型进行迁移学习的策略。实验基于 3D U-Net 架构,在仅使用 5-14 例标注受试者时,迁移学习与从头训练达到相同的 Dice 系数上限 0.77,且无显著差异。结果表明从 LC 初始化对 SNpc 分割未提供显著收益,相关论文已提交至 IEEE ISBI 2027。
针对长序列像素级标注成本过高及稀疏监督导致时序不稳定的问题,该研究提出一种仅需单帧涂鸦标注的弱监督框架。方法结合 DINOv3 编码器均值教师架构与参数高效微调,利用互补损失函数生成未标注帧的可靠分割先验。在 CAMUS 和 CardiacNet 数据集上的实验表明,该方法优于其他涂鸦监督方案,显著降低心脏超声时序分割的标注需求并支持可扩展的临床部署。
CivilBench 是首个针对土木工程与灾害场景的视觉语言模型(VLM)综合评测基准,涵盖序列推理、图像结构理解及开放世界理解三大任务家族。评估显示当前主流 VLM 在从稀疏结构化观测中推断数值关系等序列推理任务上存在显著瓶颈,且该基准将通过公开链接提供以支持可靠 AI 辅助工程决策能力的验证与进展追踪。
论文提出 PACIL 方法解决无标签数据下的类别增量学习问题。该方法利用 CLIP 零样本预测作为起点,但指出其混淆了名称偏差与真实分布不平衡。PACIL 通过先验选择规则修正类先验,并在白化特征空间使用固定先验的 von Mises-Fisher 混合模型细化每个图像的后验分布。
论文提出 UNITE 框架,通过共享锚点一比特分解技术将多个具身视觉语言模型(VLM)专家整合为紧凑的混合专家模型。该方法在保持各专家前馈块路由能力的同时,仅用不到 0.6M 参数完成微调,显著降低存储占用。实验显示该模型在导航与三维场景理解基准上优于单一专家及多种静态合并方法,且相对于未压缩 MoE 几乎无损。
推荐理由:提出 UNITE 框架,通过共享锚点一比特分解将多个具身 VLM 专家整合为紧凑混合专家模型,在保持存储效率的同时提升导航与场景理解能力。
针对多模态强化学习(MRL)在自动驾驶中因时序不一致导致决策失败的问题,本文提出 Split Temporal Adversary (STA) 方法。该方法将多模态时序攻击统一为决策过程,通过历史状态延迟观测以消除模态特定噪声需求,并利用受害者策略的清洁动作识别敏感决策模式。
推荐理由:提出 STA 方法统一优化多模态攻击时机与选择,在 CARLA 仿真中使 PPO 碰撞率翻倍且尝试更少,揭示时序一致性是 MRL 的关键脆弱点。
VIVID 是一个支持多种原生编码智能体在视频后期制作中工作的视觉框架,提供按需的视频检查、音频分析及转录工具。
该论文针对结构化 3D 高斯泼溅(3DGS)在轨迹渲染中存在的视图间重复解码与计算冗余问题,提出 GDM-GS 框架。该方法将锚点视为空间对象、视图视为范围查询,通过视图内空洞视锥体查询、跨视图共享物化以及 CPU/GPU 混合流水线平衡等三级策略消除冗余。实验表明,在大规模公开场景下,GDM-GS 显著降低了轨迹渲染延迟并保持了图像质量。
推荐理由:提出 GDM-GS 框架解决 3DGS 轨迹渲染冗余,通过多级数据管理降低延迟并保留画质。
Sidewalk Stewards 是一款填补自动提取与部署就绪人行道网络之间差距的视觉分析系统,通过协调的空间视图支持用户引导修正并实时反馈质量。对比传统工作流,该系统在跨城市案例研究中显著提升了错误识别效率及修正完整性,少量人工干预即可改善多项路网质量指标。目前该工具处于 arXiv 预印本审查阶段,代码与数据待开放许可后获取。
论文针对无车道线场景(如雪地道路)下的车辆编队行驶问题,提出了一种基于弧长参数化的航迹参考控制框架。研究指出若仅跟随前车会导致误差累积,而结合领航车与前车的航迹可保持误差有界。此外,文章分析了乘客与货物载荷及轮胎刚度变化对曲率前馈系数的影响,并设计了自适应律以在线估计该系数、消除弯道稳态偏移。仿真验证了十一辆车辆编队的控制效果。
推荐理由:该文提出了一种基于航迹参考的编队横向控制方法,通过自适应前馈补偿载荷不确定性带来的稳态偏差,确保任意长度编队的误差有界。
针对仅用AUC和一致性指数无法反映癌症发生时间的缺陷,研究提出以c_time作为主要时序指标重新评估OA-BreaCR、LMV-Net及Mirai模型。结果显示尽管C-index高达0.75,各模型在诊断时间排序上均未显著优于随机猜测(c_time介于0.51至0.58)。新提出的两阶段分离“是否”与“何时”模型在判别力持平的情况下,将时序排序能力提升至0.58。
HDR-VDC 数据集收录 4K HDR 流媒体畸变视频,在 60/120 像素/度视角及 8 倍亮度差异下测量画质损失。研究提出融合 PU21 显示模型与 PPS 透视缩放的预处理框架,适配 35 种主流指标以消除观看条件影响。该方法使现有质量评估能准确反映不同亮度和距离下的真实视频体验。
研究结合 HiDDeN 与 StegaStamp 构建互补水印,在 MS-COCO 和 CelebA-HQ 数据集上验证了双嵌入后仍具高可解码性。面对 UnMarker 的非语义或语义单独攻击,单一水印通常保持强鲁棒性,需连续攻击才能显著削弱信号。该预印本发现多类型水印组合能增强抗单阶段移除能力,并指出 LPIPS 指标在面部图像上存在失真风险。
该研究提出了一种利用光流约束的几何观测器,用于单目视觉惯性里程计。该方法无需估计深度或重建运动方向,即可在重力增强群 SE3(3) 上实现速度与姿态误差的全局收敛及局部指数稳定。仿真验证了激发条件、初始误差恢复及对扰动测量的敏感性,论文共 12 页含 6 幅图,已提交至 ECC 2027。
D'BEAST 方法通过回放包含安全或任务事件训练的固定日志,验证了强化学习智能体的决策可由其“不良体验”解释。在 CARLA 闭环驾驶测试中,保留所有更新的 FULL 版本从 40 次启动中达成目标 33 次,而剔除或中和不良体验的版本均失败。局部分析显示,移除少量不良体验(中位数为 1)导致智能体在 46 个决策案例中选择了失效策略的动作。
合成预训练仅在真实数据稀缺时(10%)为 CNN 模型带来显著增益,全量数据下无提升。ESP32-S3 推理耗时 152.7 ms 且能耗增加 16.3 mJ,RP2040 则慢约十二倍并超出闪存容量限制。研究强调需验证 INT8 输出与参考内核的一致性,而非依赖主机评分。
本文研究二元目标下固定评分在不同组别混合时的表现,证明通用优势判定是共 NP-难问题,并给出了网格近似证书与错误包络。实验显示,冻结的 ResNet-50 在 ImageNet-C 上多数比较稳健,但存在反转案例;对 Stable LM 2 12B 输出及不确定性方法的审计发现部分比较在任务内胜出却在混合时反转,边际秩对齐可消除这些反转。
推荐理由:该文通过理论证明与实验审计,揭示了置信度评分在人群混合比例变化下发生反转的机制,为评估模型鲁棒性提供了新的分析视角。
针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。
推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。
论文研究在已知相机位姿和区间观测条件下,哪些深度由有限个源深度测量决定。作者证明首击深度的可达集合可能不连通,并给出必要充分条件判断多个候选深度是否属于同一场景的首次命中。
该研究通过受控实验发现,在需要读取像素数值的任务中,视觉语言模型的报告仍会随激励目标发生偏移,且图像模态下的合规性低于文本模态。
该论文针对混合与非光滑机器人系统的控制器安全认证问题,构建了基于 Filippov 正则微分包含的轨迹单子框架。其核心贡献是将控制屏障函数(CBF)认证转化为子单子结构,证明联合安全性仅需满足一个代数条件,解释了为何平滑交集支持安全合成而分阶段强制则不然。
推荐理由:提出轨迹单子框架将混合系统控制器合成简化为代数条件,并推导失效率模型与验证结果。
该研究提出一种将离线数据学习的世界模型用于安全规划的新方法,核心是将规划问题转化为逐次凸优化(SCP)框架,并在每一步施加离散时间控制屏障函数作为约束。为适应 SCP 对平滑动力学的需求,网络采用平滑 MaxMin 激活和谱归一化层,并基于 Lipschitz 界界定线性化误差。
论文提出了 Pixel-KWS 框架,利用渲染后的灰度图像表示字符而非依赖固定词表嵌入,使文本编码器能从视觉形式泛化以处理未见符号或视觉相似符号。
XLSAR-Bench 发布了一个包含 405 张平均尺寸为 7153×7153 像素图像的综合基准,涵盖视觉问答、定位及详细描述等十项任务。该基准通过人工标注与半自动辅助,揭示了通用及专用多模态大语言模型在处理大场景 SAR 影像时存在的理解与感知挑战。项目已开源以支持开发更强大的完整大 SAR 场景 MLLM。
HongguoTrending 是首个连接微短剧系列与其平台可见性的纵向多模态数据集,包含中国最大微短剧平台 Hongguo 七个热门榜单的小时级快照。该档案通过两阶段异步管道收集了 63,200 个排名条目、元数据及观众互动指标,揭示了网页与移动端榜单的差异化流转率及内容特征。数据可通过 RESTful API 访问,旨在支持算法把关机制、流行度动态及多模态数字文化的实证研究。
AttentionUNet-CA 利用高程、距主干道距离等四个驱动因子预测土地覆盖状态,在印度勒克瑙 2010-2020 年测试集上,其图优值(21.0%)略高于加权 U-Net CA(22.0%)和随机森林 CA(20.3%),但均不及空模型的整体一致性。研究指出注意力门未提升精度,人口密度与距 CBD 距离为最有用驱动因子,预测至 2030 年建成区将增长 22-35%。
该论文提出一种通过控制空间矩来将机器人集群塑造成目标图案(如图像中的图形)的方法。不同于几何编队控制指定特定代理的距离或方位,该方法针对整个集群,利用协方差归一化坐标编码高阶形状信息。
推荐理由:论文提出通过任意阶空间矩控制机器人集群整体形状,无需分配具体位置,支持分布式实现与层级收敛。
论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。
推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。
针对视觉语言模型在遮挡导致的部分可观测性问题上深度歧义难解、性能随规模下降的瓶颈,本文提出 VLM-as-perceiver 范式,将 VLM 角色限定为局部感知,由外部求解器负责跨视图证据融合与规划生成。
论文针对传统哈密顿 - 雅可比(HJ)可达性需重求解的缺陷,提出一种条件化可达性模型。该方法通过限制障碍物影响范围使值函数具有局部性,仅需读取机体坐标系下的局部窗口即可训练并迁移至任意规模场景。
推荐理由:提出条件哈密顿 - 雅可比可达性方法,通过子解学习确保误差保守侧,实现毫秒级场景准备与极低碰撞率。
该研究评估了作为 Plug-and-Play 先验的噪声条件 DnCNN 去噪器,在稀疏视图计算机断层扫描(CT)中与滤波反投影(FBP)、Tikhonov 和全变分(TV)正则化的对比。
该研究提出基于小语言模型的可靠语音指令框架,通过集成自动语音识别与语义处理层,将操作员语音转化为结构化任务定义。系统利用概率上下文无关语法生成合成指令并模拟不同口音与环境信噪比进行端到端评估,在声学退化和语音变异条件下仍能保证多无人机群监督的任务生成可靠性。
Lasso 首次逆向工程 Intel QuickAssist Technology (QAT) 微架构,将其转化为测量仪器以构建低成本高性能检测器。在文本检测任务中,Lasso 对原始 DetectRL 文本准确率达 100%,经改写后平均准确率为 92%(Binoculars 为 78%,DetectGPT 为 55%),推理延迟仅 0.74 微秒且能耗降低超 99%。
Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。
推荐理由:提出通过奇异值分解合并 VLM 与 VLA 参数,在不重训情况下恢复视觉语言能力并优于现有基线。
该研究提出一种神经网络引导的热启动框架,在保留原始变分公式前提下加速锥形束计算机断层扫描(CBCT)重建。实验基于 SynthRAD2025 挑战赛的骨盆 CT 图像显示,该方法将重建时间减少超过三倍,同时保持相当的图像质量。论文已提交至 IEEE ISBI 2027,代码与权重暂未开放。