跳到正文
11月5日周四
  1. arXiv · 机器人与计算机视觉38

    SLICEChat:渐进式编码器 Token 剪枝的全切片病理语言模型

    SLICEChat 在混合 Mamba-Transformer 编码器中引入语言监督的区域感知剪枝,解决全切片图像的可扩展性挑战。该模型在 SlideBench VQA 任务上 TCGA 队列准确率达 79.84%,BCNB 队列为 59.09%,优于既往全切片病理多模态大模型并拥有最佳综合指标与推理延迟。论文已获 WACV 2027 接收,代码、项目页及 PDF 均已公开。

  2. arXiv · 机器人与计算机视觉83

    VicEdit:基于视觉上下文示例学习视频编辑

    针对文本指令在表达细粒度外观、空间变换和时序动态上的局限,该研究提出了 Visual In-context Editing 新范式,允许用户通过单图、成对图像或成对视频等异构视觉参考指定编辑需求。

    推荐理由:VicEdit-400K 数据集与 VicEdit 框架展示了从视觉示例而非纯文本进行视频编辑的新范式,为可控视频生成提供了新的技术路径。

  3. arXiv · 机器人与计算机视觉28

    RA-CLIPScore:更可解释的生成模型评估指标

    RA-CLIPScore 提出一种新型评估指标,通过双提示解耦属性并利用局部 patch token 捕捉区域语义,解决传统 CLIP 基线在属性分析上的局限。实验表明该指标在分布错位或无关文本属性下更鲁棒,能揭示生成模型的空间偏差且与人类视觉多样性感知高度一致。

  4. arXiv · 机器人与计算机视觉65

    基于 I/O 感知的快速高效小波卷积代数重构方法

    论文提出一种针对小波卷积(WTConv)的 I/O 感知重构方案,通过芯片内重算 Haar 分析、合并多级合成级联及折叠通道尺度等代数变换,将 HBM 流量降低约 2.55 倍。在保持算术计算量相当的前提下,相比参考实现训练速度提升最高 4.35 倍且峰值内存减半,解决了小波卷积因高带宽显存移动过多导致的系统开销问题。材料为 arXiv 预印本,已获 TMLR 录用。

  5. arXiv · 机器人与计算机视觉70

    AI 生成视频检测中的语料身份问题:来自真实片段的新工具与方法

    该研究指出当前 AI 生成视频检测基准存在对来源语料的依赖偏差。作者提出通过固定帧类型模式消除至少 2 秒片段的来源泄露,并发现仅靠重编码无法完全解决运动矢量带来的区分度。工具包与评估集清单已公开,建议结合多基准分数与其他真实集合的误报率来解读检测结果。

  6. arXiv · 机器人与计算机视觉72

    TACache:一种加速 Rectified Flow 模型的轨迹感知缓存方法

    针对扩散和修正流模型迭代计算昂贵的痛点,本文提出 TACache(Trajectory-Aware Cache),这是一种无需训练的训练后加速框架。该方法将离散速度加速度沿轨迹分解为平行分量与正交残差,离线阶段基于累积变化阈值确定跳过步长并界定误差边界,在线阶段结合历史方向重构被跳过的速度场。

  7. arXiv · 机器人与计算机视觉72

    当策略熵约束失效时:通过感知熵保留流式 RLHF 中的多样性

    论文指出在流匹配文本到图像模型的 RLHF 微调中,传统基于策略熵的多样性假设会失效,因为固定的噪声调度导致策略熵恒定而感知多样性坍塌。作者提出用感知空间熵替代策略熵以捕捉真实多样性,并设计了两种熵正则化策略(Perceptual Entropy Constraint 和 Perceptual Constraints on Generation Space)。

  8. arXiv · 机器人与计算机视觉76

    Faces in Things, Faces in Nothing: Probing Face Selectivity in Vision Models with Pareidolia

    arXiv 论文《Faces in Things, Faces in Nothing》利用 FacesInThings 数据集测试了六种视觉模型,探究其将模糊视觉证据转化为类别判断的机制。

    推荐理由:该研究通过 FacesInThings 数据集揭示了视觉模型将模糊证据转化为类别判断的机制,发现不同模型对“人脸”的定义存在默认偏差。

  9. arXiv · 机器人与计算机视觉43

    PubTables-v2:首个多页表格提取基准数据集及模型性能评测

    PubTables-v2 是首个面向全页与多页场景的表格提取大规模数据集,填补了相关标注数据空白。评估显示前沿模型在复杂全文档任务上显著优于小模型(+0.354 GriTS_Con),但在裁剪表格等窄任务中差距可被缩小甚至逆转(-0.056 GriTS_Con)。该数据集已公开可用,为视觉语言模型在文档理解领域的进展提供了统一基准。

  10. arXiv · 机器人与计算机视觉62

    AEGIS:利用对抗扰动保护 3D 面部头像隐私

    论文提出了 AEGIS,这是首个面向 3D Gaussian Splatting 表示的身份掩蔽框架。该方法通过对基础颜色系数施加对抗扰动,在保持头像感知真实性和动画可用性的同时,将自动人脸识别准确率降至近零。评估显示其保留了年龄、性别等关键属性,并引入了跨视角泄漏度量指标。材料为预印本版本,已接受 WACV 2027。

  11. arXiv · 机器人与计算机视觉72

    质疑深度学习中的表征乐观主义:断裂纠缠表征假设

    该位置文挑战了‘性能提升必然意味着内部表征优化’的观点。研究通过生成单张图像的简单任务,对比了经开放搜索进化出的网络与常规随机梯度下降(SGD)训练的网络。结果显示,尽管两者输出行为相同,但SGD训练的网络表现出被称为‘断裂纠缠表征(FER)’的内部混乱,而进化网络则更接近统一的因子化表征。

  12. arXiv · 机器人与计算机视觉35

    Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers 提出序列特征对齐方法提升检测模型跨域性能

    针对检测 Transformer 跨域性能不足问题,研究提出包含 DQFA 与 TDA 模块的序列特征对齐(SFA)新方法。实验在三个挑战性基准上显示,该方法优于现有最先进领域自适应目标检测方法。代码已公开于 GitHub 仓库。

  13. arXiv · 机器人与计算机视觉35

    Cross-Modal Semantic Successive Refinement 模型实现水下声学信道生成式图像通信

    针对水下声学通信带宽受限与信道复杂难题,该研究提出基于跨模态语义连续精度的生成式图像通信框架。实验利用 COCO 2017 图像及 Watermark 实测水下声信道数据验证,文本与瓶颈特征提供互补条件,残差向量量化侧信息进一步提升重建质量。该方法通过分层不等错误保护优化低信噪比恢复效果,为水下视觉传输资源分配提供指导。

  14. arXiv · 机器人与计算机视觉56

    基于反事实检索的证据感知个体动物识别方法

    针对现有个体动物识别模型依赖身份相关捷径而非真实特征的评估局限,本文提出 CounterFactual Foreground Retrieval 协议。该方法在全图、仅前景和仅背景三种视图下评估同一查询任务,将单一检索分数转化为包含原图性能、前景支撑度及背景信号可恢复性的证据画像。作者开源了用于 34 个数据集的约 50 万个掩码生成代码与评估工具。

  15. arXiv · 机器人与计算机视觉82

    同一布局不同数量:文生图模型中‘十’以上的数字词失效研究

    该论文研究了五个开源文生图模型(包括 SD3.5-M、FLUX 系列和 Qwen-Image)在生成物体数量超过十个时的表现。实验发现,一旦请求中的物体数量超过约十个,所有模型都会停止遵循具体的数字指令,其生成的图像布局主要由初始噪声的粗粒度部分决定,而非数字词本身。研究还指出,当物体数量超过十时,精确匹配分数难以区分遵循指令与忽略指令的模型,而相对误差评分甚至可能偏好常数猜测值十六。

    推荐理由:研究揭示文生图模型在物体数量超过十时失去计数能力,且噪声布局比数字指令更能决定构图。

  16. arXiv · 机器人与计算机视觉47

    Context-Aware Autoregressive Image Generation 框架提升视觉生成推理能力

    Context-Aware Autoregressive Image Generation 框架通过动态确定下一 token 位置,使模型能自适应图像结构与语义依赖。实验显示该方法显著提升了掩码及尺度自回归范式的结构鲁棒性,并增强了复杂指令理解与忠实遵循引导的能力。代码已开源,论文已被 NeurIPS 2026 接收。

  17. arXiv · 机器人与计算机视觉82

    Open-HumanWAM:一种用于扩展具身基础模型的开源人类与机器人经验配方

    该研究提出了 Open-HumanScale-50K 数据集及 Open-HumanWAM 模型,这是首个将以第一人称视角的人类视频预训练规模扩展到 5 万小时的完全开放方案。

    推荐理由:原文给出了基于5万小时人类视频预训练的开放配方与实验结果,相关团队可据此复现并验证纯人类数据在机器人策略学习中的缩放规律。

  18. arXiv · 机器人与计算机视觉58

    VA-TDM:通过速度对抗蒸馏改进少步扩散模型的统一视角

    该论文针对少步蒸馏中保持生成质量难的问题,提出了速度对抗蒸馏(VAD)及其轨迹分布匹配变体 VA-TDM。方法利用学习到的评论家比较学生与教师场的差异,统一了分数蒸馏、基于 Fisher 的匹配和矩匹配等策略,并实现了过渡感知的在线速度学习与双重形式监督。实验表明该方法在文本到图像和视频生成中达到最先进四步性能,且在 33B MiniMax-H3 模型上表现优异,更接近原始多步生成的效果。

  19. arXiv · 机器人与计算机视觉58

    Route First, See Later:通过分离路由策略与动作空间实现科学推理的视觉智能体

    本文介绍 ZETA 架构,将路由策略与视觉执行解耦,先解析科学意图再调用专用工具,使测量成为基于显式几何的确定性操作而非生成输出。在包含 51 个科学意图查询的零样本基准测试中,显式路由语义显著提升了路由准确率:对 Qwen 3.8 模型,分割任务路由准确率从 6.2% 提升至 75.0%,检测任务从 60.0% 提升至 100%。

  20. arXiv · 机器人与计算机视觉78

    TailSteer:一种用于抗漂移的多轮图像编辑的轨迹尾部引导方法

    针对多轮图像编辑中因输出复用导致的小误差累积成严重视觉漂移的问题,TailSteer 提出了一种最终阶段训练框架。该方法遵循简单原则:保持早期去噪动力学接近基座模型,仅在轨迹末端集中进行修正以抑制细粒度偏差。

    推荐理由:TailSteer 框架在保留基座模型能力的前提下,通过轨迹末端修正显著降低了多轮编辑中的累积漂移。

  21. arXiv · 机器人与计算机视觉63

    Turns Matter:通过回合级信用分配推进流式视频强化学习

    该论文提出了 TurnWise 框架,旨在改进流式视频理解中的强化学习策略。针对现有方法在轨迹层面共享奖励导致早期成功或失败影响后续回合的问题,该方法利用沉默补全前缀评分构建组相对优势,并将回合内的 token 损失平均化,从而平衡响应与等待决策的权重。实验表明,无需学习评论家模型或额外 rollout,该方法能显著提升流式策略的学习效果并减少冗余回复。

  22. arXiv · 机器人与计算机视觉42

    Human Motion Prediction via Continual Prior Compensation 提出 CPC 与 CPC++ 框架,通过多阶段训练缓解长短期预测干扰并补偿先验遗忘

    该研究开发连续先验补偿(CPC)及增强版(CPC++)框架,将人类运动预测任务分解为子阶段以解决长短时序相互干扰问题。引入可学习随机变量 Prior Compensation Factor 显式度量先验知识损失,并理论上证明其可与模型参数联合优化。在三个基准数据集上结合 PGBIG、siMLPe、MotionMixer 及 LTD 等主流骨干网络验证了框架的有效性与灵活性。

  23. arXiv · 机器人与计算机视觉18

    EfficientNet-B1 在固定分辨率 SD-OCT 视网膜疾病分类中实现最高准确率与干眼斑 F1 值

    EfficientNet-B0 至 B7 八种变体在 Kermany 数据集上评估,B1 以 96.95% 测试准确率和 0.8780 干眼斑 F1 值表现最优。研究揭示更大模型并未持续提升分类性能,且准确率与参数量比显著下降。该结果基于灰度转 RGB 及预训练微调协议,结论受限于特定数据划分。

  24. arXiv · 机器人与计算机视觉72

    DreamRealm:探索与具象化幻觉世界以构建可信的视觉语言模型

    针对多模态大语言模型在依赖细微视觉细节时易产生幻觉的问题,该研究提出 DreamRealm 后训练框架。该方法通过 RealmForgePipe 挖掘目标模型的观测及潜在幻觉,利用图像编辑将其具象化为有效样本,构建了 Realized Hallucination Dataset (RealmSet)。

  25. arXiv · 机器人与计算机视觉78

    NanoKV:面向自回归视频生成的高比率 KV 缓存压缩方法

    针对自回归视频模型在长序列生成中的显存与计算瓶颈,论文提出 NanoKV 框架,通过冻结骨干网并利用 Token 与注意力头的冗余性实现高比率 KV 缓存压缩。

    推荐理由:NanoKV 提出冻结骨干网的高比率 KV 缓存压缩框架,在视频生成任务中显著降低显存占用并提升推理速度。

  26. arXiv · 机器人与计算机视觉83

    Prism:面向统一多模态模型的双向自我教学方法

    该论文提出了 Prism 方法,旨在通过双向自我教学改进统一多模态模型(UMMs)的理解与生成功能。该方法将耦合的交错轨迹解耦为文本链和图像链,并根据其可靠性构建训练目标。在 SenseNova-U1 和 BAGEL 上的实验显示,GenEval、DPG、MME 及 MMVP 等指标均有提升。研究强调无需外部验证器或标注修正轨迹即可实现能力协同增强。

    推荐理由:提出基于自生成轨迹双向监督的 UMMs 后训练方法,无需外部验证器即可提升理解与生成能力。

  27. arXiv · 机器人与计算机视觉68

    超越场景捷径:面向细粒度动作理解的行动中心视频文本对齐方法

    该研究针对微调模型易产生环境诱导动作幻觉的问题,提出了 STARR 框架以打破场景与动作的关联捷径,并通过注意力一致性奖励强化动作聚焦。作者构建了 FineActionR&R 数据集,结合时间局部化描述与层级因果推理数据,在 Qwen2.5-VL-7B 基础上实现了 FineActionVLM-R1 模型。

  28. arXiv · 机器人与计算机视觉45

    CAPE-JEPA:一种概率跨模态联合嵌入预测架构,在遥感图像检索任务中超越基线模型

    CAPE-JEPA 提出了一种概率跨模态联合嵌入预测架构,通过高斯预测器建模不确定性并引入对抗分布正则化。该模型在 BigEarthNet-14K 和 fMoW 数据集上分别比 X-JEPA 提升 13.74 分和 15.59 分,参数量更少(407.30M vs. 432.72M)。论文已接受发表于 BMVC 2026。

  29. arXiv · 机器人与计算机视觉17

    持久同调特征用于 X 射线高光谱图像分割研究

    针对传统分类框架难以处理高维冗余与非线性谱重叠的挑战,该研究提出融合 Vietoris-Rips 持久同调拓扑特征与卷积及图神经网络的混合架构。方法在 UMAP 投影超像素点云上计算 H1 循环结构以编码光谱异质性,并通过广播机制将图表示传播至全空间分辨率。实验表明,该模型在 XRT 多能成像上显著优于纯 CNN 和超像素池化融合基线,证实拓扑特征提供了互补判别信息。

  30. arXiv · 机器人与计算机视觉64

    Annotator-Free Object Detection via Foundation Model Collaboration

    该论文提出一种无需目标数据集标注的目标检测框架,通过结合预训练基础模型的分割与视觉语言系统能力,并引入基于地标的聚类机制以降低计算成本。方法能自主生成分割提案、利用多模态推理分配语义标签,并在无人类标注的情况下适应未见过的物体类别和领域。在 COCO 等基准的零样本设置下,该方法实现了 60.8 AP 的检测性能。