跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉68

    重新审视视觉上下文分割中的演示遵循:背景映射偏差与部分到父级扩展问题及改进方案

    该研究指出视觉上下文分割中存在背景颜色映射偏差和部分到父级扩展等演示遵循问题。作者提出语义对比提示选择方法,利用语义对比编码区分目标部分与其所属对象,并结合检索分数与开发集质量估计筛选演示样本。在七个检索方法和三个基准测试上的平均结果显示,该方法将目标 IoU 提升了 0.054,并将对象内部泄漏减少了 22.7%。

  2. arXiv · 机器人与计算机视觉72

    针对视觉上下文学习的查询无关提示无感攻击研究

    该论文研究了在仅能获取 RGB 输出且不知晓部署提示词的情况下,对视觉上下文学习模型的鲁棒性攻击问题。作者提出了一种自提示代理(SPS)方法以跨未知提示迁移攻击,并展示了颜色劫持和任务劫持两种攻击手段能有效降低目标实例的可见性与区分度,导致下游检测模型性能显著下降。

  3. arXiv · 机器人与计算机视觉44

    MySign:首个马来西亚手语高保真动作捕捉数据集发布

    MySign 是首个针对马来西亚手语(BIM)的孤立手势动作捕捉数据集,包含由五名聋人母语者采集的 5000 个样本及 1000 个词汇项。该数据集提供经重定向的高保真 SMPL-X 序列以解决伪标签在手指细节上的模糊问题,显著提升了生成质量并确立了新的基准挑战。数据现通过 arXiv 公开,为计算机视觉领域的三维手语生成任务提供了关键资源。

  4. arXiv · 机器人与计算机视觉74

    ObjectWorld:基于大规模 3D 全物体流数据的世界模型

    该论文提出全物体流(3D full-object flow)表示,将稠密 3D 轨迹分配至目标物体完整表面(含遮挡区域),统一适用于刚性与柔性物体。作者构建了一个包含 1210 小时视频与物理仿真的数据集,并训练了接收图像与任务描述、预测全物体流的世界模型。实验显示该表示具有可靠的标注质量、可扩展的流预测能力,并在新型场景与机器人本体上实现了有效的下游操作。

  5. arXiv · 机器人与计算机视觉44

    Differentiable Virtual-Slot Partitioning (\dvsp{}):视觉 Transformer 自适应分区的可微方法

    \dvsp{}通过保留每$2{\times}2$区域的四个虚拟槽位并混合特征,在 COCO 检测任务中移除64.2%视觉 Token的同时保持97.9%的Box AP。该方法相比熵基选择等基线实现1.61倍端到端加速,且移除注意力质量仅损失1.59 Box AP。研究基于EVA-02-B模型验证,代码与权重尚未开放许可。

  6. arXiv · 机器人与计算机视觉70

    超越真假二元论:一种用于摄影评估的双通道真实性与推理协议

    该论文提出 2CAP(双通道真实性协议),将图像取证从单一真假标签解耦为相机指纹通道和语义一致性通道,以区分合成、篡改和 AI 修饰等不同后果。方法结合对比训练的相机编码器与冻结的语义编码器,在共享骨干网络上实现四类真实性分类及证据生成任务。

  7. arXiv · 机器人与计算机视觉48

    REDiff-AD:无需训练与目标掩膜的工业异常图像生成框架

    REDiff-AD 框架通过多样性驱动的 In-context MMDiT,在无需模型训练或目标掩膜的情况下,利用单张参考异常图实现高效采样并生成高保真缺陷。该方案引入自适应参考条件增强与多样性引导模块,解决了真实缺陷稀缺难题,显著提升了下游分类、检测与定位性能。代码已开源,论文被 WACV 2027 接收,适用于大规模工业异常数据增强任务。

  8. arXiv · 机器人与计算机视觉5

    VFI-ReID 框架实现带实时视觉反馈的交互式行人检索,在 VFI-PEDES 数据集上优于现有基线

    VFI-ReID 框架引入动态累积证据检索器与检索感知提问优化,利用候选人的实时视觉反馈作为后续追问依据。该方法构建了 VFI-PEDES 数据集及评估协议,解决了传统文本检索无法利用视觉差异的局限。实验表明该框架在交互式行人检索各阶段均持续提升性能,显著优于现有基线方法。

  9. arXiv · 机器人与计算机视觉42

    Kathmandu Valley 土地利用分割与合成数据增强研究

    针对全球南方城市缺乏地块级用地数据的难题,研究构建了覆盖加德满都谷地 202 km²、含 408 张高分辨率 RGB 场景的六类标注语料库。实验显示标准随机划分导致最大 0.095 mIoU 的空间泄露,而改进后的 SegFormer 基线仅增加 1.9% 参数量即提升平均 IoU,但扩散模型生成的合成配对数据反而降低了所有架构的准确率。

  10. arXiv · 机器人与计算机视觉82

    AmodalBox:基于图像生成资产的自动化 3D 边界框标注框架

    针对稀疏驾驶场景中 LiDAR 点云仅覆盖物体小部分的挑战,本文提出 AmodalBox 框架,利用图像生成的 3D 资产作为非遮挡几何先验。该方法通过建立输入图像与渲染视图的对应关系,将标准非遮挡几何与部分观测的世界空间 LiDAR 点云对齐。

    推荐理由:该方法利用图像生成资产作为几何先验解决部分遮挡问题,在 nuScenes 和 Waymo 数据集上显著提升了检测性能。

  11. arXiv · 机器人与计算机视觉42

    VLM 驱动盲点推理与代理对话实现选择性协同感知

    该研究提出一种混合模型架构,结合传统目标检测、视觉语言推理及物理几何模块,在真实城市交通数据上实现了超过 80% 的驾驶关键盲点识别准确率。系统通过思维链提示机制增强可解释性,使基于对话的感知共享成功率超 90%,为大规模部署提供了带宽高效且可扩展的替代方案。

  12. arXiv · 机器人与计算机视觉82

    相同测量预算下不同的速度风险:时钟不确定性下的互补卷帘快门读出

    该论文研究了在曝光时间存在不确定性时,具有相同测量预算的相机 rigs 如何表现出不同的速度估计率。作者建立了滚动快门重建的理论框架,区分了两种读出策略的风险阶数:重复读出的最坏情况平方速度风险至少为 $ ho_{ ext{eff}}$ 量级,而互补读出的极小极大风险为 $ ho^2$ 量级(其中 $ ho_{ ext{eff}}$ 为固定允许的时钟位移)。

    推荐理由:原文建立了滚动快门在时钟不确定下的速度风险理论,区分了不同读出策略的误差阶数。

  13. arXiv · 机器人与计算机视觉20

    海底地形嵌入的可靠性:冻结编码器在合成孔径声纳中的重复观测测量

    针对合成孔径声纳(SAS)图像,研究使用冻结的自然图像编码器 DINOv3 ViT-S/16 发现其重复观测一致性差,距离内类相关系数仅为 0.20。尽管线性探针在珊瑚分类任务上表现稳定(AUC 0.93),但标准指标未能检测出这种几何依赖的测量不可靠性。研究建议评估海底表示时应补充重复观测可靠性分析,以区分斑块特征与采集几何的影响。

  14. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  15. arXiv · 机器人与计算机视觉23

    Writer-independent handedness identification from offline Bangla handwriting under controlled acquisition

    该研究利用包含 42 名作家的 BanglaHand 数据集,在受控采集条件下实现了离线孟加拉文手写笔性识别。基于墨色梯度的描述符在未见过作家测试中达到 77.4% 的平衡准确率,且去除光照影响后仍保持显著性能。实验证实笔迹形状特征较弱,而光度控制对解释此类线索至关重要。

  16. arXiv · 机器人与计算机视觉55

    基于选择性对比同策略自蒸馏的微小证据区域定位

    针对多模态大语言模型在细粒度视觉任务中易受背景区域干扰的问题,本文提出 SPN-OPSD 方法,结合证据与背景区域监督并引入选择性的 Token 级蒸馏。实验显示,该方法在 Qwen3.5-2B 和 Qwen3.5-0.8B 模型上显著提升了 V* Bench、ZoomBench 及 MME-RealWorld-Lite 等基准的准确率。

  17. arXiv · 机器人与计算机视觉56

    LIFT:一种结合局部度量对齐与基础模型引导传播的少样本深度补全方法

    该论文提出 LIFT 框架,利用冻结预训练单目深度估计(MDE)基础模型的深度与特征先验进行少样本深度补全。方法首先基于粗粒度网格估计局部尺度和平移参数并插值生成空间自适应度量深度初始化,随后通过多尺度深度传播逐步细化,最后由轻量级残差解码器结合多级基础模型特征与传播修正完成最终优化。

  18. arXiv · 机器人与计算机视觉1

    MICCAI 2007 研讨会举办"3D Segmentation in the Clinic"分割竞赛,聚焦肝脏 CT 与尾状核 MRI 自动提取

    MICCAI 2007 研讨会在医学图像计算领域举办"3D Segmentation in the Clinic"分割竞赛,旨在推动肝脏 CT 及尾状核 MRI 数据的自动与半自动提取。该研究详细描述了训练测试数据集、评分系统及组织 rationale,相关成果收录于 MICCAI 2007 会议论文集。

  19. arXiv · 机器人与计算机视觉59

    PLS-GS:用于紧凑且表面对齐的高斯泼溅的概率激光雷达骨架

    论文介绍 PLS-GS 方法,该方法针对同时拥有相机和高清 LiDAR 数据的机器人及建图应用,构建概率激光雷达骨架以引导高斯泼溅。通过联合拟合位置与颜色的分层高斯混合模型,消除对体素网格或八叉树的离散场景划分需求,并将渲染高斯约束在局部表面框架内。

  20. arXiv · 机器人与计算机视觉42

    Physically Guided TeX Generation 框架解决低光视觉任务中的热成像物理分解难题

    Physically Guided TeX Generation 提出一种从可见与红外图像生成温度、发射率和纹理图的物理引导框架,无需像素级物理标签即可评估生成质量。该方法在 FLIR、LLVIP、M3FD、MSRS 及 HADAR 数据集上验证了低光环境下的任务性能,并通过独立分支门控路由线索至各物理映射图。

  21. arXiv · 机器人与计算机视觉53

    FG-DSA:面向高效稠密预测的频率引导深度可分离注意力框架

    针对资源受限场景下稠密预测与生成建模中高频特征丢失的问题,本文提出 FG-DSA 框架。该方法利用 2D FFT 高通滤波模块将频域先验注入空间注意力机制,使轻量网络能以线性复杂度恢复锐利的边界过渡。实验表明,FG-DSA 在语义分割任务中能一致地提升性能,且作为扩散生成 U-Nets 的模块使用时,可在极低的额外参数和 FLOP 成本下显著改善生成图像的纹理细节。

  22. arXiv · 机器人与计算机视觉48

    Agent2BIM:现实捕获配置与先验模型在竣工建模中的系统性评估

    Agent2BIM 是一个基于智能体的 Scan-to-BIM 框架,系统评估了实验室及机电场景下七种现实捕获配置的建模效果。实验显示,智能手机 LiDAR 输入使组件位置在 20cm 内的重建比例达 86%,而纯全景图仅 9%;先验 IFC 模型虽能提升机电连接度但可能传播误差。该研究揭示了视觉证据与度量数据在智能体竣工建模中的互补作用,论文已上传至 arXiv。

  23. arXiv · 机器人与计算机视觉59

    通过递归贝叶斯比较对 LiDAR 测量进行在线几何一致性评估

    针对 LiDAR 定位建图系统中因配准误差导致的重复表面和结构变形问题,本文提出一种无需独立参考的在线几何一致性评估方法。该方法构建递归贝叶斯比较框架,利用 Normal-Inverse-Wishart 模型表征历史体素几何及其不确定性,并通过 Normalized Drift Evidence (NDE) 指标在评估后更新历史状态或触发告警。

  24. arXiv · 机器人与计算机视觉65

    ZARA:基于单张图像的零样本可动画化与可重光照 3D 头像重建

    ZARA 提出一种零样本前馈框架,从单张图像重建出可动画化的 3D 高斯头像及其内在属性。该方法耦合预训练大规模人体重建模型与材料 Transformer,继承几何先验并学习感知材料的 Gaussian 表示;引入高斯对齐的材料特征融合策略注入多尺度材料特征,并利用伪材料标签进行监督及 MatFace 正则化以保留面部结构。

  25. arXiv · 机器人与计算机视觉58

    HSGNav:基于假设场景图的多尺度终身导航方法

    论文提出假设场景图(HSG)架构,将持久 3D 家具实体与可修订的表面物体假设分离,以解决小物体检测脆弱及场景变更后陈旧条目残留问题。在此基础上构建的 HSGNav 支持多尺度终身导航:检索阶段根据目标规模选择证据,探索阶段获取额外表面观测,验证阶段确认目标存在或剔除矛盾记录。

  26. arXiv · 机器人与计算机视觉58

    超越行对齐:面向虚拟相机的在线立体校正

    针对立体匹配中因物理位移导致的标定失效问题,现有在线校正方法仅优化行对齐仍会引入图像畸变。本文提出VirtualRect方法,通过估计校正后的虚拟立体相机并结合全图形变监督,确保用于匹配的图像与深度计算模型保持几何一致。实验表明,该方法在Carla-Flowguided数据集上将垂直流误差降低17%,在半卡车高速公路场景下降低7%;在三个下游立体匹配器上,将深度平均绝对误差降低了30%-41%。

  27. arXiv · 机器人与计算机视觉43

    Scaling Optimization-Oriented Hypernetworks for Implicit Neural Representations

    该方法提出一种无需测试时优化的超网络,通过用注意力机制替代 MLP 主体解决参数增长问题。在五个二维及三维隐式神经表示基准上,其性能超越最先进单步与优化导向基线,且能扩展至使基于 MLP 的范式耗尽 GPU 内存的目标网络宽度。代码已开源,论文为 arXiv 预印本状态。

  28. arXiv · 机器人与计算机视觉68

    They Can See It but Not Say It:视觉推理中相对姿态识别的迭代自知识重表达

    针对现代视觉语言模型在相对姿态识别任务中存在输出偏差的问题,本文提出一种无需标注数据的自知识重表达与迭代去偏方法 SKR-ID。该方法通过冷启动初始化锚定 2D 视觉证据,并利用递归对数几率排序机制强制统计公平性,成功将开源模型的宏观 F1 分数从 35.0%-45.4% 提升至 53.7%-58.0%,显著改善了模型在标准基准上的 3D 推理性能。代码已公开。

  29. arXiv · 机器人与计算机视觉53

    WordEval:评估文档编辑中单词原生操作保真度的基准

    针对现有办公自动化评测多依赖关键词匹配或截图对比、忽视 Word 内部对象模型修改的问题,该工作提出 WordEval 基准。该基准包含 642 个案例,覆盖文本、列表、图表等 15 个功能区域,其中 546 个原子案例对应 231 个命令,96 个组合案例涉及多步编辑。

  30. arXiv · 机器人与计算机视觉58

    S2HAND:全身姿态模型中的手部专业化精度保留权衡研究

    针对统一全身姿态估计器在手部小目标、模糊或遮挡场景下性能下降的问题,本文提出 S2HAND 框架。该方案包含两种路径:S2HAND-MT 通过轻量级分支路由手部热图并严格保留原生 308 个关键点输出接口;S2HAND-Pose 则微调部分 Transformer 块以换取更强的手部恢复能力,在 HInt、COCO 和 FreiHAND 等基准上提升宏观 AUC。

  31. arXiv · 机器人与计算机视觉38

    FSCM-Net 提出频率 - 结构互补建模网络用于高光谱图像融合

    FSCM-Net 通过耦合频域依赖学习与结构自适应局部细化,解决传统方法在空间 - 谱特征交互中的局限。该网络利用 SSFCA 模块构建空间与隐式通道亲和性,并结合 SC-DFF 模块生成位置相关聚合核以增强细节并保持光谱保真度。实验在两个仿真基准和一个真实遥感数据集上验证了其在空间细节重建和光谱保留方面的优越性能。

  32. arXiv · 机器人与计算机视觉51

    RefineSplat:面向开放词汇查询的重构引导物体中心高斯泼溅

    论文提出了 RefineSplat 框架,旨在解决现有高斯泼溅方法在复杂场景中存在的视图不一致、边界模糊及物体对应关系弱的问题。该方法采用先跟踪后重构的范式,利用渲染掩码和多视角一致性对物体跟踪进行重构引导反馈,并引入视点感知嵌入分配策略以捕捉依赖视角的语义线索。

  33. arXiv · 机器人与计算机视觉53

    ClearForm:一种用于透明和不透明场景的共享表面高斯泼溅方法

    针对透明界面重建中几何与外观复位的矛盾,本文提出了 ClearForm 方法,采用共享平面高斯同时恢复透明接口及其背后的外观。研究识别并分析了“几何 - 外观合成困境”,推导了其对深度估计的影响机制,并提出双不透明度表面重建及双证据生命周期管理策略。