跳到正文
10月20日周二
  1. arXiv · 机器人与计算机视觉68

    FunCAD:合成具备功能的 CAD 机制研究

    针对大语言模型生成的 CAD 装配体常无法实现预期物理功能的问题,本文提出 FunCAD-Harness 框架,将抽象需求转化为候选方案专用的物理测试,利用仿真反馈指导设计迭代。研究构建了涵盖 46 类机械结构的 FunCADBench 基准,实验表明该方法能发现视觉检查难以察觉的机械故障,显著优于标准仿真增强基线。

  2. arXiv · 机器人与计算机视觉48

    InfiniDream:通过程序化生成实现开放式的照片级真实 3D 世界

    InfiniDream 是一个由 VLM 驱动的框架,旨在解决现有方法受限于预定义工厂和 API、难以创建新型资产的问题。该框架提出符号约束资产生成与端到端文本到世界管线,在 100 个物体及 20 个场景生成任务上提升了四项感知指标并通过了人类偏好评估。项目页面已公开,代码与权重许可状态待定,相关论文为 arXiv 预印本版本。

  3. arXiv · 机器人与计算机视觉70

    Drive2Gauss:基于多模态生成驾驶视频的 FeedForward 4D 高斯重建

    Drive2Gauss 是一种前馈框架,旨在解决现有方法需对每个序列进行优化以从生成的 RGB 视频中恢复显式场景的局限。该框架利用多模态视频生成器预测参考多视图图像和未来控制信号下的 RGB、度量深度和动态流,并通过高斯查询解码器将深度用于初始化稀疏 3D 查询,利用流关联跨时间查询,结合时空特征聚合与迭代查询细化完成外观信息整合。

  4. arXiv · 机器人与计算机视觉53

    Holi-World:基于人类第一人称经验的整体世界智能构建

    论文介绍 Holi-World 生态系统,整合了经验捕获、世界表征、自动化数据构建、模型学习与独立评估。系统通过结合静态与动态感知自动构建连接场景结构与交互历史的记录,将约 100 个自采集场景整理为包含约 80K QA 对的训练资源用于训练 HOLIWORLD-VL-4B 模型。

  5. arXiv · 机器人与计算机视觉48

    新指标 SO 评估合成人脸数据集身份泄露风险

    针对生成模型在合成人脸数据中存在的身份泄露问题,研究提出新型度量 Scaled Overlap(SO),通过多模型组合补偿分类器误差并适配非参数数据复制测试。分析发现 CemiFace 受条件化影响最严重,且多数合成图像源自多个身份而非单一身份。该工作为社区提供可靠技术以验证合成数据的可信度与隐私保护效果。

  6. arXiv · 机器人与计算机视觉43

    Risk Decomposition for Hallucination-Aware Video Sampling:提出 HA-Sampler 与 HA-Scorer 解决视频模型幻觉问题

    针对视频模型存在的物理幻觉问题,研究提出了二维风险框架并开发 HA-Sampler 与 HA-Scorer。该方法结合外部物理引导与生成器内部信号,在 Physics-IQ 和 VideoPhy 基准测试中优于现有采样与评分的最先进基线。相关代码与数据许可状态待 arXiv 正式注册后确认。

  7. arXiv · 机器人与计算机视觉73

    TamedFlow:一种用于教师辅助扩散采样的轨迹感知蒸馏方法

    论文针对扩散 Transformer(DiT)在压缩模型与自适应推理结合时出现的质量退化问题,提出 TamedFlow 方法。该方法通过跨架构特征对齐、近恒等速度对齐头及随机化展开监督训练压缩 DiT;在推理阶段利用轻量级轨迹估计器路由草稿,接受则跳过教师计算,拒绝则回滚并接收一次教师救援步骤。

  8. arXiv · 机器人与计算机视觉78

    AeroIntent:一种用于无人机任务意图识别的同步多模态基准

    针对现有数据集在评估无人机任务级意图方面的不足,该工作发布了 AeroIntent 仿真基准,包含由 22 条轨迹程序生成的 990 个雷达、RGB、红外和深度观测序列。基于此基准提出的 AeroMIR 推理器在严格的轨迹不重叠协议下,平均准确率达 71.56%,优于最强基线 7.79 个点。该基准与模型为多模态无人机意图识别提供了可复现的基础。

    推荐理由:该工作发布了一个包含多模态序列的无人机任务意图识别基准,并提出了融合雷达轨迹与视觉证据的结构化推理器。

  9. arXiv · 机器人与计算机视觉58

    RxGS:一种基于双向反射分布函数分解的可重光照三维场景风格化框架

    论文提出 RxGS 框架,通过优化反演得到的漫反射反照率场而非直接修改 RGB 颜色,保留粗糙度、金属度和环境光等物理渲染组件,从而实现可重光照的三维场景风格化。方法利用最近邻特征匹配损失和空间平滑先验进行优化,并在几何一致性成本上优于现有 NeRF-Synthetic 场景基准。

  10. arXiv · 机器人与计算机视觉78

    SpaRV:基于稀疏辐射体的可扩展几何一致 LiDAR-视觉建图与渲染

    论文提出 SpaRV(Sparse Radiance Voxels),一种通过可微射线步进渲染的稀疏辐射体地图方法,旨在解决机器人仿真、导航和检测中对照片级真实且几何准确的地图需求。

    推荐理由:提出 SpaRV 方法,利用稀疏辐射体与可微射线步进实现 LiDAR 与图像联合映射渲染,解决大场景几何一致性与显存限制问题。

  11. arXiv · 机器人与计算机视觉48

    FluidGen:通过运动引导后训练实现物理感知的流体视频生成

    FluidGen 模型在预训练视频模型中注入数据驱动的流体先验,利用双流架构预测帧级速度场以修正烟雾、火焰等流体现象的物理一致性。该方法结合 Houdini 仿真真值与真实世界流体视频数据进行混合训练,显著优于强基线及优化方法,解决了传统求解器难以处理野外影像的难题。项目页面已公开,相关代码与权重许可状态待进一步确认。

  12. arXiv · 机器人与计算机视觉72

    Clean Forcing:基于冻结基座的抗漂移自回归视频扩散方法

    该文提出 Clean Forcing 方法,利用冻结的预训练视频扩散模型作为基座,通过训练一个仅含 590 万参数的 LoRA 校正器来补偿自回归生成中的确定性漂移误差。该方法无需真实视频数据即可在文本到视频的 50 秒生成任务中,将Δ-漂移从+11.3显著降低至+1.65(无真数)或-0.16(使用少量真数),且推理成本不增加。

  13. arXiv · 机器人与计算机视觉50

    Tricker 如何以摊销生成攻击欺骗合成图像检测器并降低训练需求

    Tricker 通过独立变化代理检测器与输入生成器的双轴协议评估,揭示迁移性受输入分布影响而非仅取决于检测器。相比 MIG 和 MuMoDIG,Tricker 提供更均匀的白盒规避能力且感知质量更高,同时大幅降低数据与训练需求以支持高效评估。研究将公开代码、评估数据及训练好的攻击模型并附带负责任使用声明。

  14. arXiv · 机器人与计算机视觉43

    UniState:统一记忆与干预的可控世界仿真框架

    UniState 提出一种基于统一世界状态表示的框架,将空间记忆与用户干预融合,支持直接指定物体运动并独立选择相机轨迹。该方法无需规定所有后续动作即可合成合理交互,实验显示其在联合控制物体与相机方面优于现有方法,且干预引发的场景变化在多次 rollout 中持续存在。

  15. arXiv · 机器人与计算机视觉37

    SpriteStage:通过渐进式场景编程与重放实现长时段动画生成

    SpriteStage 框架利用迭代演绎和引擎重组,从已接受的世界检查点构建动画并基于运行时反馈修正剧情。该方法生成了三部时长约 9.9 至 14.3 分钟的完整动画,验证了其在长叙事生成中的有效性。相关代码与论文预印本已在 arXiv 公开(arXiv:2610.24869)。

  16. arXiv · 机器人与计算机视觉42

    LayerEditor 通过成分编辑先验蒸馏实现图像可复用图层编辑

    LayerEditor 统一框架将指令引导的图像编辑与可控 RGBA 图层生成耦合,利用上下文 RGB-Alpha Token 建模在单 token 序列中联合表示画布与有序图层。该方法经 LayerEditor-100K 数据集训练及专用基准评测,在保持高保真编辑的同时支持灵活的层级操作与多层分解。

  17. arXiv · 机器人与计算机视觉58

    BodyBridge:面向弱势道路使用者的 grounded body layers 实现仿真到现实的迁移

    arXiv 论文 BodyBridge 针对仿真视频中行人和骑行者(VRU)缺乏姿态与身份细节的问题,提出一种结合场景几何、像素级身体对应及精确 VRU 掩码的表示方法。该方法在 CARLA 到真实视频的翻译任务中,将近距离 [email protected] 提升 22%,并将身体翻转错误减少 18%。所有代码、数据与模型检查点将公开以支持可复现研究。

  18. arXiv · 机器人与计算机视觉58

    SERO:面向单步对象移除的语义预测框架

    针对现有扩散方法在对象移除任务中存在的语义一致性不足与迭代生成成本高两大局限,本文提出 SERO 框架。该模型通过在嵌入空间预测隐藏区域的语义先验,引导潜在桥接匹配生成器实现单次前向传播即可完成编辑,兼顾视觉真实感与场景上下文连贯性。

  19. arXiv · 机器人与计算机视觉45

    超分即空间降尺度:地球观测中的连贯性、结构与任务效用研究

    该研究将单图超分辨率视为空间降尺度问题,在 190 个场景的 735 张卫星瓦片上验证了轻量网络优于双三次插值。实验显示模型恢复约 30% 奈奎斯特频率以上光谱功率,且强制连贯性下剩余误差至少 99.7% 位于观测算子零空间。研究建议评估需结合像素指标、空间结构及任务级测试,以应对能量基指标偏好虚构细节的问题。

  20. arXiv · 机器人与计算机视觉56

    通过内部几何构造实现 AI 生成 3D 形状的功能化

    针对 Hunyuan 3D 等模型生成的 3D 形状常缺乏合理内部结构的问题,本文提出一种计算框架,利用 VLM 进行形状分割并构建感知内部的部件图。该方法将各部件内部几何建模为广义圆柱体,通过优化从外部几何推断参数,在保持外观的同时确保功能有效性。研究已在容器、家具等类别上验证,并对部分样本进行了实物制造与功能测试。

  21. arXiv · 机器人与计算机视觉45

    CrowdH-Edit:基于参考引导指令的合成朝觐人群图像生成框架

    CrowdH-Edit 提出了一种结合真实图像结构参考与文本指令的框架,用于生成符合神圣场所几何、白衣朝圣者及光照变化的合成朝觐人群数据。该研究选用未额外训练的 Qwen Image Edit 在 ComfyUI 工作流中构建数据集,最终产出含 387 张标注图像的 CrowdH-Edit-Ann-387。下游评估显示,将合成子集加入真实训练数据可降低三个模型的均方绝对误差及两个模型均方根误差。

  22. arXiv · 机器人与计算机视觉56

    SPIRIT:一种用于稀疏孔径 SAR 成像的物理信息逆渲染框架

    该论文介绍了 SPIRIT,一个针对稀疏孔径合成孔径雷达(SAR)成像的物理信息逆渲染框架。面对采集速度与空间分辨率的权衡难题,该方法通过优化策略显式建模可见性、相位相干性和波传播特性,将分布式几何特征聚合为连贯的三维表面重建。实验表明,SPIRIT 在极端稀疏条件下能恢复准确的几何结构和信号,数据收集量减少超过 90%,且几何与信号误差较低,性能优于基线方法。

  23. Hugging Face Daily Papers48

    AnyGoal:世界模型在专家轨迹组合外的泛化基准与开源库

    AnyGoal 是一个基于常用环境构建的目标偏移任务基准及开源库,旨在评估世界模型重组熟悉状态动作因子以产生有效动力学的能力。研究发现当前模型在这些未充分覆盖的组合下普遍失效,揭示了数据覆盖率、动力学泛化与下游规划性能间的关系。该框架为评估迈向能泛化至新规划任务的世界模型提供了基础分析依据。

  24. Hugging Face Daily Papers85

    Fréchet Forcing:基于短片段训练长视界流式世界模型

    论文提出 Fréchet Forcing 方法,用于微调世界模型以解决长序列生成中的漂移问题。该方法在无需教师模型或在线评论器的情况下,利用流匹配损失、上下文保真度和现实匹配三个约束,使模型在机器人操作和相机控制探索任务中能在超过 4,000 帧的长序列内保持稳定性并遵循动作指令。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。

    推荐理由:提出无需教师模型的 Fréchet Forcing 方法,通过流匹配与统计约束解决长序列生成漂移问题。

  25. 量子位60

    商汤大装置:通过异构协同与架构创新提升推理效能

    在CSDI Summit峰会上,商汤大装置副总裁宣善明分享了Agentic时代AI基础设施的实践。面对Token需求千倍级增长与高端芯片供给受限的矛盾,商汤探索以PD分离为核心的万卡级异构推理集群,利用国产算力承担Prefill、高阶GPU承担Decode,在临港AIDC实现整体Token吞吐量提升5倍。

  26. 量子位62

    AI 生命科学进入基础设施竞争:从单点分子走向生命世界模型

    2026 年 AI 赛道出现向生命系统转向的趋势,Biohub 联合多方投入 18 亿美元搭建虚拟生物学计划,国内计算医学也被纳入国家规划。文章分析指出,新药研发难点在于理解完整生命系统的动态演化,因此行业正从单点分子模型转向构建能预测干预后果的“生命世界模型”。

  27. Hugging Face Daily Papers73

    Scaling in Games:具身智能体在多样化虚拟世界中的持续预训练缩放研究

    论文研究了数据量、多样性和模型容量如何影响具身智能体在不同视觉风格和物理动力学下的虚拟世界表现。实验覆盖 0.8B 至 27B 的四种模型规模及多种数据混合策略,结果显示更多数据提升同域性能,多样性有助于迁移到相关世界但远距离世界增益有限;存在早期界面阶段和后期世界阶段的转变规律,且模型在实时设置下表现最佳,但仍需更丰富的训练阶段以构建通用智能体。

10月19日周一
  1. arXiv · 机器人与计算机视觉72

    CoatFusion:一种可控的图像材质涂层方法

    本文介绍了一种名为 Material Coating 的新颖图像编辑任务,旨在在保留物体底层几何细节的同时模拟施加薄层材料。为此构建了包含 110K 图像的 DataCoat110K 合成数据集,并提出了 CoatFusion 架构,该架构通过条件扩散模型结合二维反照率纹理与粗糙度、金属度等 PBR 风格参数化控制来实现任务。实验和用户研究显示该方法在真实性和可控性上显著优于现有材质转移方法。

  2. arXiv · 机器人与计算机视觉45

    FlexPainter:实现灵活多模态引导与高一致性纹理生成的新管线

    FlexPainter 提出一种新型纹理生成管线,通过共享条件嵌入空间整合多模态输入,利用图像扩散先验同步多视角并增强全局理解。该方法在灵活性及生成质量上显著优于最先进方法,解决了传统扩散模型控制受限与多视图不一致的问题。代码、权重或数据开放许可情况原文未提及。

  3. arXiv · 机器人与计算机视觉74

    Cyclops:一种能将 LiDAR 数据转化为彩色视频的框架

    论文提出 Cyclops 框架,旨在解决 LiDAR 数据稀疏且缺乏语义纹理的问题。该方法首先通过冻结的预训练模块将稀疏 LiDAR 强度投影转换为稠密表示,随后利用潜在桥接匹配(LBM)和可微终端奖励优化的速度场,将稠密强度潜变量传输至目标 RGB 分布以生成彩色视频。