Event-Guided Stereo Video Super-Resolution:首个利用事件相机提升立体视频超分辨率的框架
针对现有方法在快速运动下难以恢复高频纹理的问题,该研究首次提出融合事件相机的立体视频超分辨率框架。通过 EGTE 与 CVTI 模块整合事件驱动的运动纹理信息及跨视角空间关系,实验证明其在真实与合成数据集上均优于现有方法并维持了立体一致性。代码与数据许可状态需查阅项目页面,论文预印本已发布于 arXiv。
针对现有方法在快速运动下难以恢复高频纹理的问题,该研究首次提出融合事件相机的立体视频超分辨率框架。通过 EGTE 与 CVTI 模块整合事件驱动的运动纹理信息及跨视角空间关系,实验证明其在真实与合成数据集上均优于现有方法并维持了立体一致性。代码与数据许可状态需查阅项目页面,论文预印本已发布于 arXiv。
针对文本生成图像模型易产生有害内容的风险,现有全局干预机制常导致语义漂移和画质下降。本文提出自适应空间分类器引导(ASCG)框架,利用 Grad-CAM 进行局部化抑制,仅在检测到危害时激活引导,从而在移除有害概念的同时保持高语义保真度。
针对无示例持续学习中历史数据不可用导致难以直接优化联合风险的难题,该方法通过保留模型对已学类别的分类决策来维持旧知识。具体而言,通过对所有成对旧类别逻辑值边距的变化进行惩罚,将其代数简化为中心相对逻辑值惩罚;同时应用谱白化以消除分类器的谱尺度偏差。
JEPTERA 架构集成联合嵌入预测架构(JEPA)与模型预测控制,在三个 Gym 场景的 180 次运行中完成 28/30 任务。该平台无需修改核心逻辑即可适配 Gazebo、ROS 2、MuJoCo 和 CARLA 等仿真器,并在三张城市地图测试中实现无碰撞单路线飞行。
该研究引入配备髋关节机械止动器的平面 X 型步行器,利用恒定扭矩驱动在下坡面生成高稳定性的轮式步态。数值仿真表明,在四相运动周期中两相不稳定但整体呈现渐近稳定特性。论文已发表于 IEEE ICRA 2026 会议论文集,作者版本修正了参考文献中的姓名错误。
SCoRe 框架利用两个互补的视觉基础模型(VFM)分割器,通过角色融合方法在无需训练的情况下完成跨域少样本分割任务。该方法在 RSRM 和 FSS-SAM3 上基于 10 个数据集共 3,314 次五样本实验评估,平均前景 mIoU 达 72.738%,较 RSRM 提升 5.210 个百分点。
现有自动驾驶数据集多覆盖常规驾驶,缺乏安全关键场景与极端环境的真实数据。本文发布 ExtremeDrive 数据集,包含从海量记录中精选的 589 个涵盖紧急操作、复杂交通互动及雨雪等恶劣路况的场景,提供校准对齐的多传感器数据及人工审核的道路结构与交通参与者标注。
该论文提出 OrthoMark 方法,旨在解决激光雷达 SLAM 中的回环检测问题。该方法无需训练,利用鸟瞰图(BEV)的平移和旋转不变极坐标傅里叶谱进行候选检索,并通过相位相关估计平面位姿。
该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。
推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。
该系统基于 ROS2 架构,结合 Grounding DINO 与 Nav2 栈,在 Gazebo 仿真环境中实现了无需特定训练的端到端语义导航。实验显示 TurtleBot3 机器人成功执行了全部测试的自然语言指令并探测到五个目标中的三个,但性能受限于检测不确定性与深度定位误差。研究证实轻量级 CPU 架构具备可行性,同时揭示了开放词汇感知与传统导航管线集成的当前局限。
论文提出了 AsymEEF 框架,旨在解决跨不同运动学特性的末端执行器收集演示数据成本高且难以复用的问题。该框架通过共享编码器将手腕姿态映射到形态无关的隐空间,利用运动学教师锚点和稀疏真实世界校准点提供几何监督与误差修正,实现了从少量源数据集向两指、三指及五指等多种组合的迁移,无需额外遥操作即可生成可执行的轨迹。
推荐理由:该框架实现了双机械臂在不同末端执行器间的演示迁移,无需额外遥操作即可在仿真与真实机器人上提升任务成功率。
针对预训练文本编码器诱导的语义空间维度高且与视觉特征对齐弱的问题,论文提出 TaSS 框架,通过参数化几何变换优化类间距离和类内紧凑度,并利用轻量级 MLP 将冻结的视觉编码特征对齐至该空间。
推荐理由:提出 TaSS 框架,通过几何变换优化语义空间以提升分类判别性,在多个基准上平均提升超 3 个百分点。
针对大视觉语言模型(LVLM)易受细微输入扰动影响的问题,研究揭示了强攻击依赖精细迭代优化及表征差异在编码器中逐层放大的机制。为此提出 SmoothShift 方法,结合局部平滑削弱细粒度扰动模式,利用空间变换破坏其与编码器补丁网格的对齐,从而大幅减弱攻击效果。
AFRNet 提出自适应频率重分布网络解决频域去雨模型子带间信息交互不足的问题,通过跨波段调制与子带补偿模块实现细节保留。实验显示该模型在多种去雨基准测试中表现优异且结果一致。论文已上传 arXiv,代码与数据许可状态待定。
针对现有零样本单目度量深度模型评估依赖跨数据集平均分数的做法,本文指出其无法反映严重错误比例、偏差方向及共性失效图像。作者提出基于单图结果的评估框架,包含失效率(度量δ1<0.5)、结构对齐指标、尺度偏差与绝对误差等,并对比 11 种架构在 7 个日常场景基准集上的表现。
推荐理由:提出基于单图结果的深度模型评估框架,揭示日常场景中尺度误差仍是主要瓶颈。
论文提出 WTR-Drive,这是一种基于 Drive-JEPA 的规划器,旨在解决提案条件化场景预测缺乏通用对象级参考的问题。该方法将共享场景估计与提案条件化推理分离,利用独立的 World Memory 估计物体状态和地图结构,并通过任务分支更新残差以指导候选轨迹的细化。
论文针对视觉 3D 占用预测在遮挡和深度模糊下的可靠性问题,提出 VoxSAOR 框架。该方法量化局部语义一致性以获取结构稳定性先验,利用跨视角共识过滤不可靠对应关系,并通过类条件对角高斯分布建模特征位移与离散度。
推荐理由:提出基于特征空间代理的语义占用鲁棒性框架,通过建模偶然不确定性提升长尾识别与预测校准。
该论文指出当前基于注意力或多样性的视觉 Token 剪枝方法存在局部不稳定和全局不一致的局限。作者提出 CoRePruner,这是一个无需训练的框架,结合了指令感知的多样性与可靠性感知注意力机制。实验表明,该方法在多种 MLLM 架构和图像基准测试中提升了性能,尤其在激进剪枝下表现更好,且在视频基准上保持竞争力。
Pointillist Maize 项目验证了使用消费级无人机 RGB 视频结合运动恢复结构与多视图立体视觉,可识别出叶片、茎秆等玉米器官。实验显示单轨道采集在植物结构内点浓度更高且空隙更少,而曲线路径虽能区分个体植株但土壤表面仍存在大量空洞。研究揭示了采集策略与重建完整性及点分散度之间的权衡,指出独立几何验证仍是定量表型分析的前提。
针对人类视频数据缺乏显式动作相关表征的挑战,本文提出 LSA 分层预训练框架。该方法通过 Lift 阶段将 2D 观测自适应对齐至 3D 基础模型中间表征以获取稠密表示;See 阶段引入深度图重建与手部区域提示以增强几何感知与交互热点关注;Act 阶段实现鲁棒的机器人操作。
该论文研究了针对视觉语言模型的幻觉缓解对齐流程,利用 16,143 条归一化反馈记录和 8,386 对偏好数据进行实验。研究对比了直接训练、零样本及两样本判定的严重性间隔变体,结果显示零样本变体将 Object HalBench CHAIRs 从 53.00 降至 36.00,AMBER-Hal 分数显著下降且视觉覆盖减少,同时基模型保留了最高的有效 POPE 对抗 F1 值。
该研究在 Cascade Mask R-CNN 架构中引入共享点基掩码细化模块,将掩码分辨率从 28×28 提升至 112×112。Transformer 与 MLP 变体在 PIXray 数据集上分别实现 71.79 和 72.47 的平均掩码 AP,较未细化检测器提升 1.29 至 1.97 个点。MLP 配置表现最优且改善了边界一致性,但需独立数据集验证泛化能力。
针对预训练机器人策略在困难任务中失效的问题,该研究提出 ReRead 方法,在冻结主干网络的前提下,利用校正器重读当前及前两个缓存的表征以预测动作残差。该方法无需图像输入,仅基于 RoboTwin 2.0 任务的离线演示进行训练,额外延迟仅为 4.17%。
LiveView 是一种针对流式源视频的实时相机控制重拍摄方法,旨在合成目标视角并维持低延迟渲染与时空一致性。该方法通过教师到学生蒸馏框架将双向注意力模型转化为因果自回归模型,引入跨帧注入建立视图对应关系,并提出共享相对 RoPE 与循环流式微调以保障长时序稳定性。材料为预印本论文,未报告真实机器人部署结果或具体产品发布。
针对流式视觉语言动作(VLA)模型在使用同策略强化学习时存在的推理延迟高和采样随机性低的问题,本文提出 VLA-SSD 方法。该方法通过布朗路径条件单跳生成器,将预训练的流匹配动作头蒸馏为随机一步策略,并推导条件动作密度以支持基于似然比的后训练算法。
论文提出了 VISTA(Vision-Informed Semantic Traffic Awareness)框架,旨在解决物联网智能交通系统中传输原始视频带宽大及车载设备资源受限的问题。
论文提出了 XMimic 和 XSoma 两个模型,利用世界模型优化策略并通过并行计算将类人机器人在粗糙地形的运动追踪与移动训练时间压缩至一分钟以内。
推荐理由:原文介绍了利用世界模型与并行计算将类人机器人运动追踪训练压缩至一分钟内的方法,相关团队可据此评估其加速潜力。
论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。
推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。
ReScene 通过存储不可变紧凑更新而非完整模型,在保留早期状态的同时避免重复存储未变场景。该方法利用高斯合成权重定位差异以抑制过时元素并细化持久结构,结合学习的多视角深度初始化新表面。相比顺序 3DGS 检查点,其未压缩历史存储减少 2.5--4.8 倍;在相当 PSNR 下,前景深度误差较 ChronoGS 降低 3.2 倍。代码与基准测试已公开。
该报告总结了 arnav007 团队参加 IEEE BigData Cup 2026 UrbanTwin Sim2Real LiDAR Challenge(V2X-Real track)的提交工作。
InterRSGaussian 将交互式实例分割从单视图扩展至多视图框架,支持用户通过任意视角的点点击生成跨视图一致的分割结果。该方法基于 3D Gaussians 构建,引入先验蒸馏网络以提升训练效率,无需人工标注即可实现复杂三维遥感场景的感知。研究构建了包含五个不同场景、每个约一百个视角的多视图数据集,并将二维分割结果投影至三维点云以完成三维分割任务。
针对自动驾驶相机记录中的人脸和车牌隐私问题,该研究提出 FM-Anonymize 流程,结合 SAM 3 定位、SAM 3D Body 评估可见性及扩散模型合成替换。
推荐理由:该工作提出无需训练的匿名化流程,在人脸与车牌保护率上优于现有方法,并支持合成替换以保留关键点精度。
论文针对 Koopman 控制器在潜空间稳定但无法稳定非线性物理系统的矛盾,提出 Tangent-Invariant Koopman (TIK) 方法。该方法通过离线估计局部植物线性化并强制一阶匹配,恢复拟合的 LQR 增益并在大机动中捕获状态依赖的动作。
推荐理由:提出 Tangent-Invariant Koopman 方法,通过一阶匹配解决潜空间线性模型在非线性物理系统上的稳定性问题。
论文发布 DominoBench 基准,包含 854 个二维刚体场景的静态图像对,用于测试多模态模型预测链式反应结果的能力。实验表明,未获提示的前沿模型在关键决策步骤上准确率不足 72%,且无法自主计算决定结果的物理量;仅当提供具体计算和数值时,模型表现才显著提升。该基准旨在验证模型是否能在无提示下发现并计算决定性物理量,而非仅凭流畅描述场景。数据集与评估工具已开源。
推荐理由:该基准揭示了多模态模型在仅凭静态图像进行定量物理预测时的失效,为具身智能与仿真到现实迁移提供了关键评估工具。
本文提出 ISA-Wear 数据集,通过生成式图像编辑为真实街道场景中的限速标志添加雪、锈迹、植被等三种严重程度的磨损。研究发现在检测 - 读取管线中,磨损导致检测器漏检(仅识别出原始帧的 62%),而一旦给定边界框,分类器仍能读取 78% 的标志。
该文指出当前文生图模型虽能保持视觉外观一致,却难以维持反映角色性格的行为表现,即“特质崩塌”。作者引入 ViStoryBench-Personality 基准,结合专家验证的视觉线索词典与六维指标体系,证实了抽象性格标签与视觉证据之间存在语义鸿沟。
VisDrone-ReID 基于 VisDrone2019-MOT 数据集构建,涵盖行人等十类物体共 9,516 个身份与 15.01 万张图像。该基准通过留一法评估协议及 CNN、Transformer 架构基线实验,揭示了跨类别重识别的真实挑战。它为研究真实监控场景下的多类别目标重识别提供了统一的评测平台。
Structure-Aware Multi-Granularity Spatiotemporal Transformer 通过融合关节、骨骼与肢体三级拓扑先验,在降低计算成本的同时提升单目 3D 人体姿态估计精度。
BlockAlign 提出了一种界面一致的偏好优化框架,解决了传统流匹配目标与轨迹蒸馏生成器(如 PDD、PTD)的有限区间块平均过渡接口不匹配问题。该方法通过在有效块边界构建状态并监督归一化后的跨步残差,支持 DPO、NFT 及 rollout 风格的目标函数,同时保留原生少步采样器。
论文发现多模态大模型在融合中常过度依赖文本而忽略视觉线索。作者构建 MR-Bench 基准,显示仅凭转录即可解决大部分本需视觉的任务。提出的 Counterfactual-View Reliability (CoVeR) 方法通过让单模态视图互相监督来抑制语言捷径,在不增加推理成本的情况下显著提升了模型对非语言证据的利用能力。