跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉42

    EviBridge:编码预测视觉证据以支持主动交互

    EviBridge 框架将冻结的 V-JEPA 2 编码器特征映射至语言解码器,用于工具交接任务中的状态与工具联合预测。在 FuGIBench 基准测试中,最佳变体整体得分达 0.6448 和 0.5892,显著优于各自的任务自适应原生基线(0.2178 和 0.5327)。该成果涵盖目标交接、长时间等待及取消请求场景,验证了预测视觉证据对交互决策的价值。

  2. arXiv · 机器人与计算机视觉19

    Palmprint Decomposer:通过合成学习与实例级细化实现可解释且可编辑的手掌纹分解

    Palmprint Decomposer 框架将手掌纹表示为独立可编辑的因子,利用合成数据监督训练与实例级优化抑制纹理泄露。七数据集实验显示重构高保真度,提取的结构图验证性能与原图相当,在更好分离因子的同时保留了更多判别性纹理信息。

  3. arXiv · 机器人与计算机视觉73

    GJBench:当空间被打破时,图像生成器能否维持场景完整?

    论文提出 GJBench 基准,要求图像生成模型绘制被打散、旋转且分离的拼图式场景,以区分模型是真正理解场景整体还是仅依赖相邻连接。评估显示所有测试模型均无法在碎片化条件下保持场景连贯:要么数量错误,要么轮廓不匹配导致无法拼接,且参考图对解决这些问题帮助有限。该工作揭示了图像生成器在处理空间破碎场景时的根本局限。

  4. arXiv · 机器人与计算机视觉47

    SciWorldBench:视频世界模型是否真正理解科学实验?

    SciWorldBench 基准通过成对科学实验评估十款图文转视频(TI2V)模型,发现其生成的配对视频常呈现相同结果而非依据条件变化产生不同结局。该预印本论文指出当前视频世界模型难以可靠应用底层科学原理,并将公开数据集与开源评测代码。

  5. arXiv · 机器人与计算机视觉60

    Driving the Style:从运动演示中学习速度条件化全身控制

    该研究针对人形机器人模仿运动演示中的风格难题,提出一种基于速度条件的全身控制策略。方法通过强化学习训练策略,利用参考运动监督奖励和评论家网络,但不向演员网络提供关节轨迹或进行教师蒸馏,从而将演示风格编码进策略中。

  6. arXiv · 机器人与计算机视觉73

    ProSE:面向 MoE-MLLM 的语义引导专家跳过与重建误差探测研究

    针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。

  7. arXiv · 机器人与计算机视觉73

    多速率流匹配用于点云上采样

    针对现有流匹配点云上采样器在全局统一时间分辨率下难以兼顾不同形状局部重建需求的局限,本文提出多速率流匹配框架。该方法在推理时冻结学习到的速度场,将离散预算松弛为连续变量,利用输入衍生的几何保真度目标在线优化积分步数,最终投影回离散预算进行求解器 rollout。实验表明,相比仅依赖步长分布的基准,基于局部区域自适应分配的分配策略能显著提升重建质量。

  8. arXiv · 机器人与计算机视觉38

    MVSTF:基于 LiDAR 的多视角时空融合移动目标分割网络发布

    MVSTF 提出端到端多分支网络,利用时序点云生成多视图图像与特征差异,并行提取时空及维度特征以解决动态环境下的边界模糊与遮挡难题。该方法在 SemanticKITTI 和 KITTI-Road 基准上实现最先进结果,并在隐藏测试集表现优异,代码已开源。

  9. arXiv · 机器人与计算机视觉57

    LiDSeg:一种用于恶劣天气条件下高效语义分割的重建引导框架

    该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。

  10. arXiv · 机器人与计算机视觉73

    何时昂贵的方法值得?基于内容的经典拜耳去马赛克分析

    针对拜耳去马赛克中方向性插值法计算成本高但收益不确定的问题,该研究在 80 张基准图像上验证了质量增益与图像饱和度的强相关性(r=-0.86),并构建了无需深度学习的可解释决策树。该方法能根据图像描述符推荐最佳廉价算法,在留一验证中比始终选择最常用方法的基线提升 20.0 个百分点,且所有步骤均可检查。

  11. arXiv · 机器人与计算机视觉45

    CLIP 视觉语言模型实现 Phase-OTDR 事件分类

    研究利用 CLIP 图像编码器与 Tip-Adapter-F 缓存,通过少样本学习实现相位敏感光时域反射仪(Phase-OTDR)的事件识别。在控制数据泄露的协议下,ViT-L-14 架构配合每类 128 个支持样本的配置,在独立测试集上达到 96.81%±0.42% 的准确率与 96.79%±0.42% 的宏平均 F1 分数。相关代码及图像数据集已公开于 GitHub,且性能对提示词表述不敏感。

  12. arXiv · 机器人与计算机视觉43

    FDIR 框架通过改进的 Fréchet Loss 实现图像恢复的高效单步训练

    FDIR 框架利用可计算的 Fréchet 距离在冻结特征空间匹配分布,结合局部补丁与实例自适应统计优化 LoRA 参数。实验显示该方法在简化生成式图像恢复训练的同时,实现了强感知质量的图像恢复效果。该工作包含 20 页论文、14 张图和 7 个表格,代码与权重暂未提及开源许可。

  13. arXiv · 机器人与计算机视觉53

    通过匹配矩实现无对应关系相机位姿估计

    该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。

  14. arXiv · 机器人与计算机视觉78

    TRR:一种用于机器人仿真与 RGBT 数据生成的热交互引擎

    论文提出 TRR(Thermal Robot Renderer),这是一个将空间解析的热状态附加到接触对象、并通过接触/传输/分离更新局部热交换的渲染器。材料展示了受控干预如何证明保留热量对后续接触结果的影响,并发布了包含 2,224 个静态 - 动态对的六任务基准数据集(共 4,448 条轨迹)。

    推荐理由:TRR 引擎引入热力学状态模拟,生成带热历史的 RGBT 基准数据集与工程工作流,旨在提升机器人接触安全选择率并加速仿真到现实迁移。

  15. arXiv · 机器人与计算机视觉58

    QTOP:利用分位数评论家扩展人形运动追踪规模

    针对人形全身控制中运动追踪策略学习需大规模计算资源且泛化难的问题,本文提出 QTOP 方法,通过引入基于状态和参考对的条件分布优势估计来提升样本效率。实验表明,该方法在仿真及真实世界场景中均优于离线与在线强化学习基线,性能提升最高达 10%。研究还建立了 QTOP 的扩展定律,发现对于中等规模的 GPU 小时量级,数据集规模对性能影响有限。

  16. arXiv · 机器人与计算机视觉72

    VA-Assembly:基于视图对齐分数引导的免训练 3D 部件装配方法

    论文提出 VA-Assembly 框架,解决独立 3D 部件在无预设关系和坐标下的装配问题。该方法利用冻结的视图条件扩散模型生成几何对齐的分数梯度,优化部件的平移、旋转和缩放,无需标注布局或特定类别先验。实验显示其在多视角结构线索下优于几何配准基线,且支持部件级编辑与重组。

  17. arXiv · 机器人与计算机视觉58

    PhaseCLIP:面向少样本遥感分类的相位感知频域视觉语言模型适配

    PhaseCLIP 提出一种相位感知的频域适配方法,将相位能力模块与特征门控模块插入冻结的 CLIP 视觉编码器,仅训练 1.30% 的参数。该方法在五个公开遥感数据集上对比八个基线,平均准确率达 84.28%,并在 30 个数据 - 样本组合中的 23 个表现最佳,相位贡献了整体 1.93 个百分点的增益。

  18. arXiv · 机器人与计算机视觉8

    ThermoSight:通过物理引导神经重建从外观到内部热流体场

    ThermoSight 框架利用可微光谱模型,仅凭有限校准火焰图像联合重构三维温度与烟气体积分数场,无需场级真值即可解决解耦难题。合成消融实验显示,波长分辨衰减将高温区温度 RMSE 从 234 K 降至 112 K,且 RGB PSNR 保持 65.23 dB 至 65.24 dB 几乎不变。该成果证明物理引导神经场能恢复视觉上无法直接观测的内部可解释物理量。

  19. arXiv · 机器人与计算机视觉45

    非成像光学触觉传感器综述:传输原理、系统集成与机器人应用

    该综述建立了机械负载传递、光编码读取与触觉推理的统一框架,评估了反射式、波导及光纤光栅等多种架构在力估计、接触定位和打滑修正中的表现。研究指出高灵敏度仅在变量可识别时有效,且空间覆盖与时序反馈需在系统级综合考量,为选择非成像光学触觉架构提供了校准转移与任务验证依据。

  20. arXiv · 机器人与计算机视觉73

    基础模型时代的机器人奖励模型:分类、差距与开源基准

    该论文综述了利用基础模型的机器人奖励模型(RRM),将其按输出语义分为五类,并指出当前评估器难以区分任务完成度与执行时序的缺口。为此,作者构建了包含 1,117 条闭环真实视频的新基准 RRM-Bench-1K 及开源工具集 RRM-Hub,支持对 27 种现有评估器的统一测试与新方法验证。

  21. arXiv · 机器人与计算机视觉73

    CLIFT:基于对比学习的 LiDAR 实例特征用于 3D 行人跟踪

    CLIFT 方法通过在 LiDAR 检测器的中间体素特征上引入实例级对比学习目标,将检测器本身转化为跟踪器,无需依赖运动模型或重识别网络。该方法利用检测框内的体素嵌入,通过余弦相似度和匈牙利算法进行跨帧匹配,并在微调过程中保持检测精度基本不变。

  22. arXiv · 机器人与计算机视觉72

    Selective Sensor Acquisition for Multimodal Place Recognition 论文发布

    该研究介绍了一种选择性、可控的传感器采集机制,允许用户指定第二传感器的目标使用率,系统仅在主传感器性能不足时自动触发额外传感。该方法通过在线阈值调整适应主传感器近期表现,无需针对特定模态或环境进行校准,适用于单帧和序列定位任务。

  23. arXiv · 机器人与计算机视觉73

    AVD:一种具备安全感知控制的遥操作轮椅平台

    该论文提出了 AVD 系统,这是一个基于商用硬件构建的低成本多传感器遥操作轮椅平台,旨在解决严重运动与视觉障碍人士的独立移动问题。其核心贡献在于设计了以安全为导向的控制架构,确立了手动紧急停止和乘员摇杆优先于远程指令的静态权限层级,并实现了计算功能的分区与安全状态的心跳驱动切换。

  24. arXiv · 机器人与计算机视觉43

    SG-ODOM:带稳定性门控接触更新的足式机器人事件驱动本体状态估计

    SG-ODOM 框架利用稳定性门控机制筛选接触更新,仅在足部达到稳定支撑条件后触发估算修正。该方法在 GrandTour 数据集户外序列上评估显示,相比基线估计器将相对姿态误差(RPE)降低最多 25%。代码与视频已公开,适用于四足与人形机器人平台。

  25. arXiv · 机器人与计算机视觉50

    QASK-Edit:面向视频编辑的查询自适应跨源稀疏注意力方法

    该论文提出 QASK-Edit 框架,将视频编辑视为条件生成任务,通过独立评估每个查询在不同关键源(如源视频、参考图像等)上的注意力质量与近似风险来动态调整计算策略。实验表明,该方法在三个视频编辑模型上实现了最高 1.46 倍的端到端加速,同时保持了编辑质量和未编辑区域的保真度,并可直接泛化至参考图生成视频任务,实现最高 1.36 倍加速且维持生成质量。

  26. arXiv · 机器人与计算机视觉53

    基于迭代全局 - 局部代理注意力的多视图高效生成方法

    针对多视图 RGB 图像及法线图生成中的跨视图信息交互成本问题,本文提出全局 - 局部代理注意力(GLPA)机制。该方法在保留单视图全分辨率交互的同时,利用紧凑的全局代理进行跨视图通信,并通过迭代优化代理以复用注意力参数。实验表明,该机制在 FLUX 和 Stable Diffusion 两种扩散骨干网络上均有效,显著降低了计算开销并提升了重建 IoU、NVS LPIPS 等指标。

  27. arXiv · 机器人与计算机视觉3

    自动车道检测安全智能滑板车原型设计

    作者展示了一款利用计算机视觉识别行驶车道并自动调整车辆配置的电动滑板车原型。该系统针对在人行道、自行车道或机动车道行驶的场景,重点解决了此类系统的安全与安全性顾虑。论文发表于 IEEE SOLI 2022,当前为 arXiv 预印本版本(arXiv:2611.20700)。

  28. arXiv · 机器人与计算机视觉35

    STARS:遥感图像阴影去除的级联责任分离框架

    STARS 提出一种级联阴影去除框架,通过分阶段分离区域责任解决掩码先验导致的非阴影区亮度偏移问题。该方法引入特征选择与融合适配器(FSFA)以利用大模型先验知识,无需复杂并行双分支结构。在 UAV-SC+、ISTD+ 和 WSRD+ 2026 三个基准数据集上的实验表明,该框架优于现有方法。

  29. arXiv · 机器人与计算机视觉75

    ARMFUL:面向单臂拾取大物体的全臂抓取配置学习

    针对夹爪难以抓取的存储箱、椅子等大物体,作者发布了首个大规模单臂拾取数据集 WAG,包含 793 个物体共 1.7M 种关节配置。在此基础上开发了 ARMFUL 流水线,利用在 WAG 上训练的扩散模型从点云生成全臂抓取位姿,并由运动规划器确保无碰撞执行。

  30. arXiv · 机器人与计算机视觉71

    Room for Supervision:一种无需训练的物体检测数据集蒸馏方法

    论文介绍 GRASP 方法,旨在解决现有物体检测数据蒸馏依赖学习模型且可能改变对象空间关系的问题。该方法在不进行网络训练或推理的情况下,通过联合搜索图像选择与空间布局的凸分配子问题,将密集的原生监督信息压缩到有限像素中。

  31. arXiv · 机器人与计算机视觉58

    LeaP-VLN:面向长视野视觉语言导航的闭环代理规划与进度增强执行

    针对长视野视觉语言导航中指令追踪困难及执行器在部署时遭遇策略诱导的状态偏移问题,本文提出 LeaP-VLN 系统。该系统耦合进度感知执行与独立进度验证,通过计划 - 执行 - 验证 - 恢复的闭环机制处理子任务完成确认与路线偏离后的双阶段恢复。

  32. arXiv · 机器人与计算机视觉53

    RAMP:通过答案读取协议重新思考多模态评估

    本文介绍 RAMP 框架,系统比较了直接 token logit、表面形式分数及不同接口下的多模态模型表现。研究在固定检查点下发现,输入方式(如打字与裸读)显著改变准确率,且配对转换揭示大量预测变化。作者通过独立离线回放验证了原始分数的可复现性,确立了答案读取作为评估关键组件的地位。

  33. arXiv · 机器人与计算机视觉53

    通过微调视觉语言动作模型实现合规自动驾驶:引入符号交通规则反馈

    本文提出一种规则引导的 VLA 框架,将英国公路守则的部分条款形式化为可执行的一阶逻辑规则,结合专家演示监督微调和强化学习优化策略。在 CARLA 仿真器离线评估中,该方法相比仅基于监督学习的基线,显著提升了动作预测准确性和编码规则的合规率,最佳变体将整体规则通过率从 92.9% 提升至 97.6%,且在评估样本中未观察到违反路权优先级检查的情况。

  34. arXiv · 机器人与计算机视觉28

    Defect-Aware MAE 实现钢铁表面缺陷无监督聚类

    Defect-Aware Masked Autoencoders(Defect-Aware MAE)通过纹理能量掩码与 HOG 描述符重构,在无标签图像上实现钢铁表面缺陷聚类。该方法在 NEU DET 测试集达到 98.6% 匈牙利匹配准确率及 0.968 NMI,优于 SimCLR 基线且无需对比损失或检测分支。论文已接受发表于 IVCNZ 2026,代码与权重暂未提及开放许可。

  35. arXiv · 机器人与计算机视觉42

    Counterfactual Feature Steering 实现扩散模型身份遗忘与相邻概念保留

    Counterfactual Feature Steering(CFS)方法通过一次 SAE 训练,在稀疏自编码器潜在空间实现有界推理时概念编辑。该方法在 Celeb-100 的 4,000 个提示词及 COCO 数据集上验证了身份擦除与相邻概念保留的最佳权衡,且跨干预强度保持稳定。研究还通过 ArcFace 独立评估和裸体抑制基准证明了其在 SD~1.4 上的泛化能力。

  36. arXiv · 机器人与计算机视觉74

    行动前的指令:驾驶视觉 - 语言 - 动作数据的前瞻与回顾性语言监督研究

    该论文研究了驾驶视觉 - 语言 - 动作(VLA)模型中导航指令的收集与评估方法,区分了行动前发出的前瞻性指令和行动后标注的回顾性标签。作者开发了 ADVLAT-Engine 同步语音指令、道路场景视频和车辆轨迹,并在 48 条回放路线上对比了三款导航应用。