跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉62

    D2D:通过检测器到可微批评提升文生图数值能力

    针对文生图扩散模型难以准确生成提示词中指定物体数量的问题,现有辅助计数网络受限于回归架构无法利用高性能检测器的枚举能力。本文提出 Detector-to-Differentiable (D2D) 框架,通过定制激活函数将非可微的检测器 logits 转化为软二元指示符,以此优化推理时的噪声先验。

  2. arXiv · 机器人与计算机视觉60

    面向数据覆盖持续扩展:自动文本引导的边缘案例合成

    针对深度学习训练数据偏差问题,本文提出一种自动化的文本引导边缘案例合成流水线。该方法利用经偏好学习微调的大语言模型将图像描述重述为多样化文本提示,进而驱动文生图模型生成具有挑战性的视觉场景。在 FishEye8K 目标检测基准上的评估显示,该方法实现了优于朴素增强和手动工程提示的鲁棒性。代码已开源,论文已被 CVPR 2026 Workshop 接收。

  3. arXiv · 机器人与计算机视觉58

    探索大型语言模型编码器在胸部 X 光图像 - 文本检索中的能力

    该研究针对胸部放射摄影中医学报告风格异构、缩写多及印象式简写等问题,提出一种域自适应的双向大语言模型文本编码器。通过在风格多样但临床等效的报告变体上进行掩码预测和监督对比学习训练,结合参数高效适应技术集成到双塔对比视觉 - 语言框架中,显著提升了图像 - 文本双向检索精度与外部泛化能力。

  4. arXiv · 机器人与计算机视觉73

    Neurosymbolic Object-Centric Learning with Distant Supervision (DeepObjectLog)

    论文提出 DeepObjectLog,这是一种将槽位感知编码器与概率逻辑层集成的神经符号模型。该模型在仅使用全局任务标签的情况下,直接从图像中学习对象级谓词参数,无需每对象的掩码、边界框或启发式集合匹配。实验表明,DeepObjectLog 在组合推理、物体计数和规则偏移等分布外泛化任务上,优于纯神经网络对象中心模型及标准神经符号基线。

  5. arXiv · 机器人与计算机视觉68

    RefRef:用于重建折射和反射物体的数据集与基准

    针对现有三维重建方法难以处理折射和反射材料的缺陷,作者发布了 RefRef 数据集,包含 150 个合成场景和 60 个真实场景,涵盖复杂几何与多样背景以暴露现有方法的失败模式。研究提供了 Oracle 方法和两阶段基线作为基准,评估结果显示该任务远未解决。材料为预印本版本,代码与项目页面已公开。

  6. arXiv · 机器人与计算机视觉68

    Bias-Eliminated PnP:面向立体视觉里程计的去偏与一致性定位方法

    本文提出了一种具有可证明一致性的去偏加权 PnP(Bias-Eli-W)估计器,用于解决立体视觉里程计中的相对位姿估计问题。该方法基于统计理论构建渐近无偏且根号 n 一致的估计器,能够处理变化的三维三角化不确定性,确保随着特征点数量增加,位姿估计收敛于真值。

  7. arXiv · 机器人与计算机视觉65

    LFX:一种用于密集语义分割和显著性目标检测的形式灵活光场建模方法

    该论文提出了 LFX 框架,旨在解决现有光场感知方法通常针对特定形式设计的局限。该方法通过偏视场角子空间建模(FoP-ASM)将辅助观测与中心图像的特征差异映射为观测特定的角度标记,避免了成对建模和特定形式的几何假设;同时利用共享流形子空间和正则化损失约束角度残差,促进辅助观测间的语义一致性。实验在三个光场数据集上验证了该方法在不同形式下的最先进性能,并开源了源代码。

  8. arXiv · 机器人与计算机视觉42

    FUSE-PnPL:灵活统一的相机位姿估计方法

    FUSE-PnPL 提出一种基于点线联合测量的统一相机位姿估计器,通过 Plücker 坐标表征直线并采用两阶段方案实现统计一致性与渐近高效性。该方法在合成数据及真实世界基准测试中验证了理论性质,展现出在静态全局定位与动态 SLAM 系统中的优势。其线性计算复杂度使其适用于高精度实时机器人位姿估计任务。

  9. arXiv · 机器人与计算机视觉10

    基于计算机视觉的苹果幼果自主尺寸测量与生长率追踪研究

    该系统利用手持立体相机对苹果幼果进行分割、聚类及椭圆拟合,实现直径测量与生长率计算。在果园实测中,其预测脱落率的误差较现有卡尺法降低至 3.5% 以内,速度提升 6 倍且大幅减少人工投入。研究还展示了机器人系统采集的田间图像结果,并讨论了迈向完全自主流程所需的后续步骤。

  10. arXiv · 机器人与计算机视觉12

    小队列放射组学生存分析四步验证协议:胃肠胰神经内分泌肿瘤体成分案例研究

    针对胃肠胰神经内分泌肿瘤缺乏预后生物标志物且小样本易过拟合的问题,该研究提出包含 FDR 校正特征选择、双路径比较及嵌套交叉验证的四步验证协议。在 78 名患者数据中,放射组学特征使 C-index 超过随机水平 0.07-0.15,显著优于噪声基线(0.40-0.42)。该协议量化了 L3 椎体体成分的微弱预后信号与不确定性,代码已开源供其他小队列研究复用。

  11. arXiv · 机器人与计算机视觉63

    重新思考雷达 3D 感知:从原始谱表示学习

    论文挑战了原始雷达谱因噪声过大而不适合直接学习的传统观点,提出利用自监督掩码建模(Leakage-aware Spectral MAE)从原始数据中分离结构信号与噪声。该方法将多普勒作为主要空间维度处理,无需手工降维即可在 3D 感知任务上超越现有基于雷达的探测器和点云自监督学习基线。材料为 NeurIPS 2026 接收的预印本,包含完整正文、5 张图和 18 个表格。

  12. arXiv · 机器人与计算机视觉58

    Plot-to-Code 生成中的简单测试时优化:基于视觉 - 代码诊断

    针对多模态大模型在 Plot-to-Code 任务中缺乏类似人类‘先生成后纠错’工作流的痛点,本文提出首个基于迭代测试时优化的研究框架。作者构建了 Visual-Code Diagnostics 系统,将生成错误分为四类,训练轻量判别器利用渲染出的视觉输出与对应代码进行错误识别与定位。

  13. arXiv · 机器人与计算机视觉18

    Compact Quantum Channel Attention for Static ASL Recognition:参数匹配基线下的受控研究

    QCA-DenseNet 采用八量子比特变分电路作为通道注意力门,在 DenseNet121 特征上实现静态美国手语识别。该模型在保留 17,464 个参数的情况下,于 1,815 张 MU HandImages 图像测试中达到 94.50% 准确率,优于 SE 块基线且无显著量子优势。研究证实紧凑注意力门未带来精度损失,但亦未发现量子优越性。

  14. arXiv · 机器人与计算机视觉42

    频率一致合成与选择性迁移用于医学图像分析

    该研究提出通过自适应频率一致性和选择性特征转移的框架,将医学图像合成与任务学习相链接。在五个数据集上的评估显示,该方法在无配对监督下训练的对抗及扩散翻译器中提升了转换保真度,并在脑肿瘤分割和病灶中心点检测上取得增益。所有 105 组配对比较的点估计均支持所提方法,包括在未重新训练情况下对治疗后 MRI 进行的 36 次外部翻译比较。

  15. arXiv · 机器人与计算机视觉73

    Grasping the Future:基于互联网视频的联合 3D 手 - 物体未来预测

    本文提出 Grasping-the-Future,这是一个统一的生成模型,用于联合预测手腕、手指关节及物体的三维位置与朝向。通过掩蔽时空补全和流匹配技术,该单一模型可执行多种预测任务:预测未来交互、根据物体运动推断手部运动或反之、生成交互轨迹以达成目标物体姿态,以及补全部分观测到的交互过程。

  16. arXiv · 机器人与计算机视觉73

    Click3R:基于稀疏对应点点击的交互式立体 3D 重建

    针对现有前馈大模型 3D 重建无法纠错的局限,提出 Click3R 框架,通过轻量级适配器将用户提供的少量跨视图对应点注入网络以解决几何歧义。研究构建了专门用于暴露现有方法失败模式的基准测试,实验表明仅凭一次点击即可降低重建误差,在标准及自建基准上均提升性能。材料为 NeurIPS 2026 预印本,提供 GitHub 项目页面与论文链接。

  17. arXiv · 机器人与计算机视觉35

    2D Gum-Net:通过对称相关与谱池化实现无监督稠密弹性图像配准

    2D Gum-Net 将原用于冷冻电镜的 3D Gum-Net 架构迁移至 2D,利用冻结基矩阵乘法替代传统池化以提速约 50 倍。该方法在合成数据上训练并零样本评估于指纹基准,使 FVC2004 结构相关度提升最高达 15.7%。论文已获 NeurIPS 2026 NewInML Workshop 接收,代码与权重开放许可待注册。

  18. arXiv · 机器人与计算机视觉42

    DTHA 框架实现零样本脑电图像检索,Top-1 准确率超基线 12.4%

    DTHA 框架利用双教师层级对齐机制,在 THINGS-EEG 数据集上实现零样本脑电到图像检索,Top-1 准确率达 92.4%,较现有最先进方法提升 12.4 个百分点。该研究通过共享编码器结合 CLIP 与 DINOv2 互补偏差,验证了跨范式视觉基础模型在提取层级视觉信息方面的有效性。THINGS-MEG 评估进一步证实了该方法在生物合理性及跨模态泛化上的优势。

  19. arXiv · 机器人与计算机视觉35

    Plant Orbiter:利用视频扩散轨道相机与 3D 高斯泼溅实现植物三维重建与生成

    Plant Orbiter 方法通过视频扩散模型从单张图像生成高质量植物 3D 高斯泼溅,在复杂形态下比基线获得最高 3D F-score。结合 2D 扩散模型,该方法实现了基于文本提示的 3D 植物模型生成,且因对齐更简单、相机布设成本更低而更适合高通量数字表型流水线。论文已提交至 Plant Phenomics 预印本 arXiv:2611.12739,包含代码与数据。

  20. arXiv · 机器人与计算机视觉55

    Spaghetti Splatting:通过卷积区分曲线性 Dirac 质量

    该论文提出了 Spaghetti Splatting 方法,旨在解决生产系统中用点、线、三角形等原语表示 3D 几何的挑战。研究将曲线近似为多段线,并通过卷积使各段复合时不重复计数关节处。该方法支持高斯及贝塔核以外的内核,是 3D Gaussian Splatting 的严格超集,在通用场景中保持竞争力,优于专用于线状几何的方法,原生支持抗锯齿并生成可直接用于物理仿真的长连接丝状结构。

  21. arXiv · 机器人与计算机视觉71

    GeoScope:超越计数视界的无训练程序执行方法用于超高解析度遥感问答

    针对超高解析度遥感图像中物体计数和空间关系判断的难题,该研究指出现有视觉语言模型(VLM)存在固定的‘计数视界’限制,一旦视图内物体超过约五个便会显著失准。作者提出 GeoScope 方法,利用纯文本语言模型将问题转化为空间程序以固定区域和分辨率,仅让 VLM 在其有效范围内进行定位与计数,并显式计算方向关系。

  22. arXiv · 机器人与计算机视觉5

    可微逆渲染从血管内光学相干断层扫描恢复固有属性

    该方法通过梯度下降利用可微物理前向模型,无需训练数据或分割即可从单张 OCT 图像恢复像素级衰减系数。研究在分析解验证基础上,于体外拟真物及 128 名患者的 29,269 张临床血管内 OCT 图像中实现跨平台无修改应用。该技术为定量组织表征提供可扩展框架,支持光学参数与成像模态的通用扩展。

  23. arXiv · 机器人与计算机视觉36

    Google AlphaEarth Foundations Embeddings 实现摩洛哥国家级作物类型映射

    Google AlphaEarth Foundations Embeddings 结合 Fields of the World 边界图,无需处理原始卫星影像即可在约五小时内完成摩洛哥全国级作物分类。该方法针对冬谷物、树生作物及其他作物三类目标,经十次独立测试平均准确率达 (87.17 +/- 0.42%)。实验表明预训练嵌入表示在计算高效的大规模农业映射中具备显著潜力。

  24. arXiv · 机器人与计算机视觉78

    何时切片推理有效?分辨率、分块与稠密融合对小目标检测的影响

    论文重新审视切片推理(如 SAHI)在小目标检测中的收益,发现高分辨率单通训练优于盒融合策略。作者提出 SCAHI 方法,通过加权累积所有通道的密集输出并优化峰值网格分辨率,在 VisDrone 和 DOTA 数据集上显著超越盒融合方案,尤其在 DOTA 高分辨率图像上表现更佳。

    推荐理由:研究证实高分辨率单通优于切片融合,并提出 SCAHI 方法在 VisDrone 和 DOTA 数据集上提升小目标检测精度。

  25. arXiv · 机器人与计算机视觉42

    视频重建与识别碎片化遮挡物体研究

    该工作提出一种基于单相机灰度图像序列的重建框架,通过联合配准优化平均对比度生成集成图像以解决高密度遮挡问题。实验在合成及真实视频上验证了该方法在超过 90% 遮挡密度下的可行性,其效果可与需复杂校准的合成孔径技术媲美。此外,该集成图像作为输入可使标准分类器在严重遮挡下实现可靠的物体识别。

  26. arXiv · 机器人与计算机视觉38

    PAR 框架通过扰动聚合与傅里叶注意力提升多视角异常检测性能

    PAR 提出一种基于重建的多视角异常检测框架,利用特征扰动共识聚合模块生成视图一致伪异常表征,并采用专用解码器结合傅里叶注意力抑制身份映射。在 Real-IAD 数据集上,该方法在样本级、图像级和像素级检测任务中均优于最先进方法。代码已开源,论文已被 ACM Multimedia 2026 接收。

  27. arXiv · 机器人与计算机视觉49

    PTC-IoU:面向边缘视频分析的 CPU 友好型检测质量评估方法

    PTC-IoU 将检测框历史压缩至 CPU 以估算边缘端无标签场景下的检测质量,在 Nvidia Jetson Orin Nano 上相比神经网络基线延迟从 10.3 ms 降至 2.2 ms。该方法流水线吞吐量提升 13.6%,能耗降低高达 95%,同时在多个数据集上保持了具有竞争力的最终检测精度。

  28. arXiv · 机器人与计算机视觉78

    ReVMap:基于连通性感知的局部地图融合矢量全局建图方法

    针对大规模矢量高清地图标注成本高及现有方法忽视预测不确定性的问题,本文提出 ReVMap 框架。该方法利用点级定位不确定性将全局先验融入局部预测以提升鲁棒性,并预测局部到全局的连通性以进行可靠性感知的选择性更新。在 nuScenes 和 Argoverse 2 基准上的实验表明,ReVMap 在局部地图预测与全局地图构建方面均达到最先进水平。

    推荐理由:提出 ReVMap 框架,通过不确定性引导先验与连通性感知融合解决矢量 HD 地图构建中的误差传播问题。

  29. arXiv · 机器人与计算机视觉38

    EFM3D 在法医现场重建中的法证评估框架与案例研究

    该研究提出针对以自我为中心的基础模型的法证评估框架,并以 Meta Project Aria Gen~1 采集的四处室内模拟犯罪场景进行验证。EFM3D 生成网格平均含$12{,}668\pm2{,}430$个顶点,推理处理每场需$50.77\pm6.12$分钟,其能力更适配房间几何与空间关系而非精细法医证据。该框架为未来模型在专业法证环境下的评估提供了可复现基础。

  30. arXiv · 机器人与计算机视觉72

    EgoLabel:基于跨模态一致性的零样本第一人称自动标注

    该论文提出 EgoLabel 流程,在不使用目标域标签训练的情况下整合现成模型以实现几何、物体与人体姿态的跨模态配准与一致性诊断。实验显示,相比单一全局尺度,每只手深度锚定将序列中位手 - 深度残差均值降低 23%,聚合中位为 84.6mm(真值参考 20.5mm),手部 PA-MPJPE 为 14.53±1.29mm。

  31. arXiv · 机器人与计算机视觉68

    RAPA:面向相机 -LiDAR 标定的射线感知物理增强方法

    针对基于目标的相机-LiDAR 标定中 LiDAR 点云提取棋盘格特征困难的问题,本文提出利用圆柱体 LiDAR 反射率图像将棋盘格定位转化为 2D 检测问题。通过射线感知物理增强生成合成数据以解决标注数据稀缺问题,在四个独立采集的室内外场景中,该方法相比最强图像空间增强基线 [email protected] 提升 16.1-43.1 个百分点,且在 242 次观测中实现了最高的有效目标定位数量。

  32. arXiv · 机器人与计算机视觉54

    SAM-VTP:基于视频记忆与深度测量的连续可通行性分割研究

    论文提出 SAM-VTP 方法,通过微调 SAM2 的视频记忆路径实现无提示的稠密可通行性分割,并利用深度信息直接测量坡度、粗糙度和高度等几何特征。该方法在 TartanGround 数据集上相比帧级基线显著提升了 Jaccard 和 IoU 指标并减少了闪烁,且在闭环测试中大幅降低了规划器因预测失效而中断的频率。