AUCGR/pAUCGR 统一范式解决视觉表征学习权衡,无需架构修改即可提升判别精度与感知保真度
AUC Generative Reconstruction (AUCGR) 及 Partial AUC Generative Reconstruction (pAUCGR) 提出将生成重建重构为判别排序问题,通过优化 ROC 曲线下面积确保匹配对得分更高。
AUC Generative Reconstruction (AUCGR) 及 Partial AUC Generative Reconstruction (pAUCGR) 提出将生成重建重构为判别排序问题,通过优化 ROC 曲线下面积确保匹配对得分更高。
针对传统安全控制依赖二元区域划分的局限,该研究提出基于 RGB 与 LiDAR 观测的连续风险评估框架,融合动能、势能等四因子生成风险分数。方法将估计值集成至泊松安全函数并引入拉普拉斯引导场作为滤波器,实现在开放世界机器人导航中的在线监测与干预。团队在仿真餐厅场景中验证了该方法的有效性。
论文介绍 ReLAP 框架,该框架在冻结的 JEPA 表示空间内耦合局部逆动力学学习与循环多步预测。共享逆动力学模型从相邻观测推断紧凑连续潜在动作,而潜在世界模型递归预测未来 JEPA 特征以鼓励时间连贯的动态。
推荐理由:该工作提出在冻结 JEPA 空间内结合局部逆动力学与循环多步预测的潜在动作预训练框架,并在 LIBERO 基准上取得 SOTA 表现。
Direct Head 是一种分割引导架构,通过从光伏区域特征和面积描述符直接回归非负容量,解耦了传统方法中容量预测与掩码面积的耦合关系。该模型在法国 7,590 个屋顶安装点的独立测试中,相比参数匹配的基准模型将平均绝对误差分别降低了 8.7% 和 12.5%,对称平均绝对百分比误差降低 14.0% 和 20.7%。
针对淡水影像像素级标注稀缺问题,该研究提出将 Swin Transformer U-Net 与 SCSE 解码器从 ImageNet-1K 迁移至水体及水华分割的三阶段流程。
论文介绍了 SE(3)-LIVOM,该系统是 IROS 2026 COMFORT Challenge 的总冠军,能在倒塌建筑等复杂场景下实时运行。系统前端扩展了多激光雷达和相机支持,自适应降采样将每帧处理时间控制在 35 ms 以内;后端通过平面束调整和增量位姿图修正漂移。在六个测试场景中,单一配置的平均绝对轨迹误差(ATE)达到 1.40 cm。代码已开源。
论文 BATMoS 提出一种无需额外训练路由器的引导分配方案,通过基于幅值的时间规则将新鲜引导与缓存引导结合,在 CogVideoX-2B 上以 20% 更少的分支评估达到接近全量引导的生成质量。该方法可与特征复用组合,进一步降低有效计算分支数,为视频扩散模型推理提供了实用的预算优化机制。
推荐理由:BATMoS 提出基于时间步的引导策略复用机制,在固定推理预算下提升视频生成质量并减少计算分支评估。
LightMatch 提出一种基于偏好的逆光照框架,通过解耦可控光与环境照明确定最佳布光位置。该方法在独立测试环境中达到 87.8% 的预言机改进率,真实 OLAT 人脸任务准确率达 73.2%,并将灯位方向误差降低 37.7%。
论文提出了 DreamFAR 世界模型,其动力学模型完全基于大规模机器人遥操作数据从头训练,未使用互联网视频预训练。该架构专为机器人原生数据设计,体积显著小于高性能视频生成模型,在商业 GPU 上运行速度达 10 FPS。实验表明,DreamFAR 在预测长视界未来及理解接触与因果关系方面优于现有模型,并展示了策略评估与混合数据协同训练等应用潜力。
推荐理由:该工作提出无需互联网预训练的机器人原生世界模型,在长时序接触预测上优于现有方法。
针对森林环境中植被重复及光照季节变化导致的视觉地点识别难题,本文以 MegaLoc 为外观基线,在 WildCross 基准上评估了时序、语言、结构及几何上下文对序列匹配与重排序的增益。结果显示,同向重访时分数空间召回率提升显著,但描述符空间表现下降,其他上下文表示未能提供一致改进,揭示了当前非外观表征在复杂自然场景中的局限性。
Clef-flash(基于 Qwen3.5-9B 骨干)在工业检测基准的零样本检测中,MVTec AD 类别级图像 AUROC 达 0.924,但决策头路由注意力产生的每图像素 AUROC 仅为 0.391。研究指出移除问题文本上下文会导致表现低于随机猜测,且无法匹配专用少样本定位器。该预印本是米兰理工大学硕士论文技术部分,代码与注册信息在提交会议前由作者私有托管。
DEFTS 是一种严格在文本子空间内运行的数据高效、无需训练的少样本分类方法,通过将图像原型投影至该子空间并仅计算少量系数来降低模态差距。该方法在 12 个图像分类基准上的广泛实验表明,其性能显著优于现有的无训练方法。
该论文提出了 PathoDraw 生成模型,旨在利用未整理的临床脑 MRI 档案数据进行分析。模型通过合成病变分布并学习健康解剖结构的符号强度偏差,实现了无需真实病理数据训练的零样本异常检测。实验在公开卒中、肿瘤及白质高信号数据集上验证了其在不同对比度和分辨率下的有效性,同时支持超分辨率重建与配准任务。代码已开源。
该论文推导了连接生物特征误识率(EER)与独立标准化高斯特征数量及测试重测相关性的数学定律,并扩展至跨比较持久性变化场景。研究在眼动、键盘动态、心电图和面部嵌入等 101 种条件下验证了公式的拟合度,提出了关于特征添加收益的设计规则。材料为预印本版本,未提及同行评审状态或具体部署结果。
针对全球神经影像数据因隐私规则无法集中化的问题,本文提出 SCAN 框架,允许新站点在不共享患者扫描数据或重新训练的情况下,对 3D 医学视觉语言模型进行本地化适配。
推荐理由:提出无需共享影像或重训的站点感知协作框架,在保护隐私前提下实现多中心神经影像模型适配。
为提升自动驾驶对轮椅用户的包容性,研究团队发布了包含 467 张人脸模糊图像的轮椅配置图像数据集(WCID),涵盖手动/电动、子类型及遮挡等 10 类标注。该数据集提供验证集与测试集划分,用于评估卷积神经网络及冻结视觉语言探测器的跨数据集泛化能力与高斯模糊下的鲁棒性。代码、权重及数据已公开,旨在填补现有数据集仅标记存在与否的空白,推动无障碍车辆设计适配多样化轮椅配置。
该研究针对小视频语言模型(2-3B)提出一种无需标注的干预测试方法,通过遮蔽模型自身引用的区域或实体来检验答案依赖性。实验显示,在 CLEVRER 任务上引用遮蔽导致的答案翻转率是随机遮蔽同尺寸区域的 2.2 倍,而在 NExT-QA 上差异较小,揭示了常规 grounding 检查无法捕捉到的引用与答案脱钩问题。
推荐理由:提出无需标注的引用干预测试方法,揭示小视频语言模型在 CLEVRER 等任务上存在引用与答案依赖脱钩现象。
HubEgo-100K v1.0 数据集包含 10,124 小时的高清第一人称视频及同步惯性测量单元数据,由全球贡献者录制。该数据集涵盖多种工作环境与任务类型,旨在解决机器人策略泛化性差的问题。材料提供了数据格式、隐私措施及 datasheet,后续版本将增加基准测试并扩展至 10 万小时。
论文提出了 GridDriver 框架,结合轻量级时空 BEV 感知与结构化空间 Token,在共享 LLM 中实现轨迹预测、自然语言导航及场景问答。系统在 NAVSIM 基准上达到 87.9% PDMS,nuScenes-QA 准确率为 57.6%,车载 ROS 2 端侧规划延迟为 32.7 ms(约 9.4 plans/s)。
该论文发现现有面部隐私保护方法的评测结果存在缺陷:输入端直接喂入整图或检测框而非对齐裁剪,导致防御效果被高估;阈值设定沿用旧标准,在整图上产生偏差。作者通过引入可微分对齐算子并修正评分方式,在不重新生成图像的情况下,将转移攻击的规避保护降低了 56%,预算分配攻击降低 7%。实验显示,修正后的方法在三个未见识别器上性能提升显著,且改变了 L-infinity 转移攻击的排名顺序。
推荐理由:文章指出既有面部隐私评测因输入与阈值设定错误而高估了防护效果,并给出可复用的修正方法与实验数据。
ALOHA Lightning(Flash ALOHA)是一个用于学习快速且精准机器人操作的新系统。该系统利用运动学示教在可反向驱动的双手平台上直观收集接近人类速度的演示数据,并通过测试时动作平滑与视觉数据分布对齐技术实现流畅的高速执行。针对每个任务仅需 50 次演示,即可让机器人在接近人类速度的情况下自主完成抛接球、折叠短裤、插入电池和擦桌子等双手操作任务,成功率超过 80%。
该论文提出 PriDex 框架,旨在解决利用人类视频训练机器人双手灵巧操作的难题。PriDex 在仿真环境中通过强化学习将人类视频转化为可执行的机器人演示,保留任务相关的交互结构并再生符合机器人本体行为的动作。
REEL 框架通过线性语义解码器、预训练视频生成器及三种神经编码流,在 CC2017 数据集上将三位参与者的平均 Video 50-way 准确率从 0.2359 提升至 0.2434。该方法同样在 BMD 数据集的十位参与者中实现准确率提升(从 0.3653 至 0.3920),为视频脑解码提供了比复杂流水线更简洁的替代策略。
论文提出了 FlowRRT,这是一种针对离散地形单足跳跃的激动力学规划器。该方法将多起点 MPPI 专家离线收集的可行动作集通过条件流匹配蒸馏为生成采样器,以解决传统方法在狭窄不连通动作空间中的局限性。
推荐理由:提出将 MPPI 专家蒸馏为生成采样器的 FlowRRT,在单足跳跃任务上实现更短规划时间与更高成功率。
该研究提出了一种针对面部资产(albedo 和 displacement maps)的领域自适应扩散超分辨率方法,旨在解决通用生成管线仅输出1K分辨率而电影级特写需要4K的问题。
论文提出了 FaceRiff,这是一个统一且数据高效的框架,可直接从文本生成完整的 3D 人脸资产(网格、反照率和位移)。该方法适配预训练的 SDXL 骨干网络,使用 UV 法线图作为几何条件引导合成,仅需约 2049 个扫描数据和单 GPU 训练即可更新少于 3% 的骨干参数。盲测显示其感知真实度接近真实采集数据,且生成的反照率对光照独立,适合 PBR 重光照和毛孔级位移生成。
推荐理由:该工作提出 FaceRiff,利用预训练扩散先验与几何条件,在少量数据下生成高保真 3D 人脸资产。
论文提出 AR-WAM,一种结合自回归时序建模与单次前向未来条件化的高效流式世界 - 动作模型。其因果视频骨干网络可增量更新视觉上下文并复用过去计算,利用最近观测的未来特征在单次前向传播中增强动态交通泛化能力,并通过强化学习直接优化驾驶奖励。
本文研究能否利用预测视频的世界模型提供跨数据集泛化的信号以检测深度伪造。作者冻结 V-JEPA 2.1 编码器,使用 rank-16 LoRA 适配预测器,将预测输出与冻结编码器的目标差异定义为预测残差。
针对遥感图像感知相似度度量在自然图像上迁移效果差的问题,研究提出基于 RemoteCLIP 层对齐注意力分数(AAS)的新指标。引入无需人工偏好标签调优的遥感感知距离(RSPD),在涵盖合成伪影、超分及 SAR 转光学的盲测基准中表现优异。该成果已接受至 IEEE/CVF WACV 2027,显著优于简单余弦距离并具备通用基线竞争力。
论文研究了多模态模型如何通过合成像素进行推理,发现迭代去噪主导了推理成本。研究揭示了三种思维模式:因果性思维早期即可识读且素描步数远少于渲染步数;装饰性思维可省略;有害思维会降低准确率。
推荐理由:研究揭示生成式视觉推理中三种计算分配模式,提出无需标签的素描投票策略以显著降低推理成本。
本文介绍 ARC-2 框架,旨在解决自主系统在部署后如何维持合规的问题。该框架将合规性评估从静态认证转变为通过连续监控进行,并提出了四项扩展:在 CRAB 评估中纳入最坏的行为偏差验证;建立分层触发分类法以区分不同风险等级的违规;实施分阶段的平稳过渡协议,将运营授权撤回与物理关闭分离;引入环境偏差作为基线有效性条件,防止因环境漂移超出认证 ODD 而自动收缩权限。
推荐理由:该框架提出通过偏差管理实现自主系统部署后的持续合规,扩展了 ARC-1 架构以应对欧盟 AI 法案要求。
该研究提出一种概率侧向运动预测模型,结合二自由度车辆物理先验与循环神经网络学习残差修正。通过多步展开训练直接惩罚累积侧向速度误差,并将条件高斯不确定性传播至位置与航向预测。评估显示,相比 Deep Dynamics 基线,其侧向位置均方根误差从 0.596 m 降至 0.483 m(提升 19.0%),侧向速度误差亦显著降低。
Data-Driven Variable-Length Compression of 3D Representations 提出一种利用数据集统计并仅通过快速前向推理即可适应个体形状复杂度的学习式变长压缩方法。该方法作用于通用潜在表示,显著提升了网格和符号距离场的率失真性能,解决了现有方法无法利用数据集级统计或固定压缩比的问题。代码已公开于相关 https URL。
论文介绍了 ASTRA,这是一个基于 NVIDIA Isaac Sim 构建的自主水面车辆(ASV)仿真框架。该框架结合了海洋车辆动力学、照片级真实的感知渲染以及 ROS 2 自主接口环境。
针对自主水面车辆(ASV)在稀疏噪声测量下映射异质污染场的需求,该研究引入证据深度学习(EDL)作为不确定性校准模型。在包含五类规划器的闭环物理仿真基准中,EDL 在所有配置下均实现最低误差与最高 IoU,且每步推理耗时仅 3.9ms。实验表明模型选择主导了最终重建误差的 80% 方差,证明了不确定性感知路径规划的鲁棒性要求。
本文指出当前六个开源权重的交互视频世界模型存在“相机高度回归”缺陷,即在生成过程中无法保持初始设定的相机高度(如地面机器人 0.15m),而是向人眼水平(1.1m-1.5m)漂移。
该研究团队为 UR5/UR5e 机械臂开发了开源 da Vinci X/Xi 器械模块,通过五电机与电外科中介器实现运动控制及能量激活记录。 bench 测试验证了六次踏板按压的完整事件捕获,ex vivo 演示涵盖脾脏凝固与胆囊离断等任务。光学追踪校准将芬斯特双极钳俯仰增益优化至接近理想值,模块支持腹腔镜手术中的动作、视频及电外科指令时序记录。
荷兰两家农场的四路摄像头部署了约一周的群居奶牛犊视频,共含 1,173 个文件、651 小时时长。训练员基于 Noldus The Observer XT 对其中 104 小时(90 小时全犊编码)进行连续行为标注,包含 18 项玩耍等行为图谱。数据集提供 110 万解码帧及光学字符识别时间戳、分割轨迹和逐帧标签,支持奶牛行为与福利研究及自动化行为识别开发。
EgoLink 是 ACM Multimedia 2026 发布的基准,评估模型在第一人称视频中进行社交推理、解析视觉指代并将用户请求转化为工具介导动作的能力。
Edge-Adaptive Hiera-Seg 模型通过融合多朝向视觉辐照度数据,在边缘控制器上实现短临期建筑光伏功率预测。该架构利用分层区域提取与自适应模块处理缺失帧、延迟及局部阴影变化,输出包含置信区间的主导证据贡献分析。实验基于未见过的多建筑数据集验证了其在不同朝向下的泛化能力,旨在支持微网调度与运营规划。