面向半监督航空目标检测的 Oriented Semi-DETR
该预印本论文提出了 Oriented Semi-DETR 模型,旨在解决半监督定向目标检测中因旋转矩形参数映射导致的二义性训练问题。
推荐理由:针对定向目标检测中的参数歧义问题,提出无需额外前向传播的 Oriented Semi-DETR 方法。
该预印本论文提出了 Oriented Semi-DETR 模型,旨在解决半监督定向目标检测中因旋转矩形参数映射导致的二义性训练问题。
推荐理由:针对定向目标检测中的参数歧义问题,提出无需额外前向传播的 Oriented Semi-DETR 方法。
该论文提出 BoBDeLaN 架构,结合收缩增益受限的循环平衡网络上下文编码器与稳定线性滤波,以塑造不同频率下的扰动敏感性并保证指数级遗忘。研究在仿真及真实硬件操作中评估了低通实现于模型预测控制的效果,相比同等输入滤波器的 LSTM 编码器,该方法在高频上下文敏感性、残差扭矩预测误差及抗注入扰动退化方面表现更优。
CALDS(Cooperative Adaptation of Learned Dynamical Systems)框架利用学习到的动力学系统,使移动操作机器人能在协助穿衣、餐厅清洁及抽屉操作中安全协同执行。该方案通过识别兼容策略组合与确保无碰撞时序适应,在保持演示行为空间结构与收敛性的同时显著改善任务成功率。此为预印本版本,包含 15 页正文、4 张图及 2 个表格,尚未进行同行评审或正式出版。
针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。
推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。
针对现有多模态大语言模型存在冗余视觉 token 或移除图像输入导致知识激活受阻的问题,本文提出 Beyond Token Stacking (BTS) 框架。
论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。
推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。
论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。
DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。
论文提出了 WinDEX 框架,整合了几何时序优化、视觉惯性 SLAM 及端到端鱼眼原生网络,构建了包含 1000 小时标注的 WinDEX-Hand 数据集。
推荐理由:提出 WinDEX 方法,结合几何优化与视觉惯性 SLAM 实现野外高精度手部重建,数据集支持强化学习与遥操作。
Region-VAD 提出了一种新的视频异常检测方法,该方法首先从冻结的基础模型特征中搜索变化最显著的矩形区域,仅基于该区域内的 token 进行异常评分,从而在无需框标注的情况下实现了 SOTA 级别的异常定位效果。论文在 UCF-Crime 和 MSAD 等五个数据集上验证了其在保持检测性能的同时显著提升了定位能力。
论文提出了 Explain The Unexplainable (ETU) 框架,旨在解决弱监督视频异常检测(VAD)模型预测缺乏可解释性的问题。该方法通过反事实干预冻结的 VAD 模型特征空间,将视频特征映射到代理、动作和结果的离散依赖图中,并利用图条件扩散生成器进行特征再生与掩码操作。
论文提出了 Linglong Agent Service (agentsvc),这是一个自托管的 HTTP 服务和可嵌入 Python 运行时,将执行站点作为模型、工具和上下文之外的可配置维度。
该论文提出了IGRecon4D框架,旨在解决当前前馈式4D驾驶场景重建中存在的交通参与者语义泄漏到静态表示以及高斯位置跨视角几何漂移两大问题。
论文提出 ReuseMem 方法,旨在让协作机器人利用已观察到的视觉经验来支持新的操作请求,即使这些具体用途在观察时未知。该方法独立记录视觉特征,检索互补证据并结合当前场景,通过轻量级动作接口实现复用。实验涵盖四个仿真任务和两个物理场景,结果显示该方法在基准任务上的联合目标完成率比均匀记忆策略提升 24.5 个百分点。
推荐理由:该工作提出一种通用视觉记忆机制,支持同一记忆服务于多种后续操作目标。
针对可见伪迹不可靠的问题,该方法利用生成模型将连续帧分组解码导致的周期性误差(即 VAE Rhythm)作为检测信号。通过相位扫描无需训练即可发现该痕迹,并在 31 个生成器的 39 种变体中验证有效。研究将其用作零样本评分、现有检测器插件及训练数据引擎,提出的 CaDet 模型在多个基准上表现最佳且具备无生成视频训练的鲁棒性。
针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。
推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。
GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。
推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。
针对仅少数物种拥有三维标注数据的难题,该方法提出基于 AVES 参数化网格模型的谱系奥恩斯坦 - 乌伦贝克先验,将二元家族对比损失扩展为连续生成形式。在未见物种的 CowBird 基准和 CtrlAVES3D 数据集上,其性能优于 AniMer+,同时在已见物种 CUB 上表现相当。论文状态为 NeurIPS 2026 口头报告(arXiv:2611.21102),代码与权重尚未开放。
针对图像无法表征接触力的问题,ForceHarness 提出一种无需演示或微调的框架,通过自终止力原语闭环控制并翻译力迹为带不确定性的物理量。在真实机械臂上,该方法将 GPT-6 Astra 的零样本成功率从 3.3% 提升至 90.0%,并在仿真基准中超越基于演示的策略及手写专家控制器。作者还构建了 HiddenPhys 七任务 MuJoCo 基准以评估隐藏物理变量下的性能。
推荐理由:ForceHarness 让冻结模型无需微调即可利用力控提升零样本成功率,HiddenPhys 基准验证了其在隐藏物理变量任务上的表现。
该论文提出了 State-Message Interaction Adapter (SMIA),旨在将自然图像预训练编码器(如 DINOv3)适配到医疗或工业领域。
推荐理由:提出 SMIA 适配器,在冻结 DINOv3 参数下实现跨域少样本分割,支持免支持集推理。
MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。
该论文提出了 CoopDistill 框架,旨在解决协同驾驶中优化方法与多智能体强化学习结合时的探索效率、经验分配和执行可靠性问题。该方法利用势博弈(PG)提供纵向参考路径,并通过残差 MARL 策略学习加速、冲突处理时机和横向修正;采用硬案例课程集中处理 PG 未解决的交互,并通过比较展开选择器评估联合后果以决定执行动作。
推荐理由:提出均衡引导的多智能体策略蒸馏框架,在融合与路口场景中相比基准提升成功率并降低延迟。
论文提出了 LightAct 框架,旨在将交互经验转化为个体决策的引导,解决轨迹结果模糊与无指导探索重复的问题。该方法将交互片段总结为经验条目并整合为特定游戏的技能,利用共享冻结策略对候选动作进行短步长回滚比较,基于环境报告的平均得分增益生成相对动作奖励作为强化学习监督。
论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。
推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。
arXiv 预印本论文 Multi-CONDOR 提出一种结合模仿学习与 Lyapunov 稳定性分析的框架,用于学习具有多个离散吸引子或连续目标轮廓的运动基元。实验显示该方法在仿真中将轨迹 RMSE 降低约 72%,并将初始状态落入容差外的比例降至 0%;实物实验利用 Franka Emika 机械臂成功演示了通过两个把手抓取容器的能力,验证了框架在运动复现与多结果收敛方面的灵活性。
论文提出 WiTac,一种预训练的编码器,旨在将触觉信号与手部运动及腕部视角深度融合,以生成更准确的接触表征。该模型在约 300 小时的 SharpaDex 数据上预训练,并作为条件输入下游视觉语言动作(VLA)策略(如 GR00T N1.7 和 pi_0.5)。
这是已知首个将数据集蒸馏(DD)应用于行级手写文本识别(HTR)的研究,通过聚类字符 n-gram 定义伪类别并优化真实起始像素生成合成图像。在 IAM、George Washington、READ,2016 及 LAM 四个数据集上,无论预算为 1% 至 10%,随机选取的行均优于中位数行,且进一步优化反而降低识别率。
arXiv 论文 Body of Evidence 针对多相机设置中遮挡导致单关节仅存单一 2D 观测的问题,提出预测每相机关节深度与 2D 位置的框架。方法结合图像特征与重建的 3D 身体几何作为上下文线索以减少单目深度歧义,并引入可学习深度感知三角化以支持单相机贡献下的重建。实验在 CMU Panoptic 数据集上展示了优于现有技术的性能,特别是在三相机稀疏设置下平均精度提升显著。
ScoutCache 是一种无需修改预训练模型参数的免训练框架,联合优化去噪、历史 KV 读取及缓存构建。该方法在 Self-Forcing 和 LongLive 数据集上分别实现了最高 2.28 倍和 1.86 倍的推理加速,同时利用 VBench 和 MovieGen 评估证实生成质量持续提升且无参数改动。
FlowRow 提出一种基于流匹配的局部规划器,利用长视界相对目标与深度感知建模农业导航行为分布。该方法在 Isaac Sim 构建的 RowNavBench(含葡萄园、柠檬及苹果园共 900 集)上实现 87% 成功率,显著优于同演示重训的最强生成式行为克隆基线(44%)。研究团队将在论文接收后开放基准、数据与代码。
针对视觉语言动作(VLA)模型推理成本高且注意力分数无法直接衡量 token 对动作影响的问题,该方法定义动作敏感度并解决在线评分导致的剪枝图锁定偏差。通过离线计算全图敏感度并蒸馏至不足 30 万参数的学生模型,在推理时无需反向传播即可进行评分引导的多样性选择。
推荐理由:POKE 方法离线计算全图动作敏感度并蒸馏至小参数学生模型,在 LIBERO 等基准上实现高效剪枝与高成功率。
针对高分辨率图像视频生成中稠密自注意力计算成本高的瓶颈,该研究提出通过保留关键查询 - 键交互并省略次要部分来降低算力开销。文章基于"4+1+3"分析框架,从数据组织、执行和数据流三个系统维度,综述了静态与动态稀疏方法的算法设计及硬件实现策略。此外,文中总结了通用评估指标,指出了开放挑战并为研究人员提供了算法与系统联合设计的参考指南。
针对日文技术文档转换中因符号干扰导致数字评分失准的问题,研究对比了 MinerU、NDLOCR-Lite OCR 基线及确定性后处理管线。移除注释符号后两者 F1 分数持平(0.575 vs 0.594),且后处理管线未能改善关键指标。建议去除符号并对照源文件检查关键图表,该研究目前为技术报告。
针对内窥镜等受限空间机器人应用中标准 MoveIt 求解器性能不足的问题,本文提供了现有求解器的基准测试及多种实用改进方案的对比分析。研究提出将逆运动学问题拆分为两部分的方法,在实验场景中实现了低于 100ms 的响应时间和 100% 的成功率。该工作为内窥镜机器人系统的控制策略优化提供了参考方案。
预训练的视觉表征虽富含时序信息,但有效整合到现有视觉语言动作(VLA)策略仍具挑战。本文提出 FAVR,一种轻量级框架,通过线性测试时训练(TTT)维持紧凑的时序视觉状态,并在基于流的动作生成过程中检索动作条件的视觉特征。
针对现有系统仅能实现有限唇部运动或脚本化表情的局限,本文提出 ROSE 框架,整合仿生硬件与跨具身运动表示学习。硬件上构建集成 34 个执行器的 19.5 cm 仿生头部结构;算法上利用 ROSE-VAE 从人、数字人和机器人观测中学习身份无关的共享面部运动隐空间,ROSE-Flow 直接将文本或音频映射为运动轨迹,ROSE-ACT 将其转换为受约束的执行器指令。
推荐理由:提出 ROSE 框架,通过解耦执行器布局与面部动作点实现紧凑头部全脸表达,并构建跨模态运动生成管线。
Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。
推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。
针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。
推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。
论文提出 ReAccess 轻量级框架,旨在解决视觉语言模型(VLM)难以有效利用已编码关键视觉证据的问题。该框架在单次视觉预填充阶段构建紧凑的关联记忆,支持渐进式证据检索以引导注意力查询和隐藏表示,从而在不进行重复图像编码或显式推理痕迹的情况下实现有效的视觉定位。实验表明,该方法在通用视觉理解和细粒度感知方面均取得一致提升,且推理速度显著快于现有的高计算量方法。
针对欠驱动车辆安全约束设计困难且保守的问题,本文提出一种将验证过的相对坐标屏障迁移至同一家族中所有障碍物的方法。核心贡献包括表达状态相对于每个障碍物的广义闭包条件、将缺失信息表示为残差的提升定理,以及用于识别对称性不足情况的秩检验。作者在双积分器、平面飞机和 12 自由度四旋翼上验证了该方法,证明其能在无需重新训练的情况下迁移到新地图中,并在部署与快速启动实验中有效。