跳到正文
11月9日周一
  1. arXiv · 机器人与计算机视觉38

    GlobalPuzzle:融合全局信息的遗传搜索框架解决受损拼图重组难题

    GlobalPuzzle 提出一种整合全局画布级评估、动作引导与遗传搜索的拼图重组框架,旨在通过全局视觉信息解决因边界侵蚀导致的相邻关系模糊问题。在 GAP 基准测试中,现有方法在 $5 \times 5$ 拼图上的完美组装准确率仅为 0.3%,而人类表现显著更高。该工作包含 22 页论文及 16 张图示,属于计算机视觉与人工智能领域的预印本研究。

  2. arXiv · 机器人与计算机视觉42

    ProtoCouncil:基于多编码器解剖原型的前列腺癌微超声检测模型

    ProtoCouncil 引入 MedSAM、DINOv3 和 V-JEPA 2.1 三个基础编码器,在微超声层面学习整体腺体等三级解剖原型以支持可追溯决策。该模型在五折交叉验证中达到 82.9% AUROC,零样本外部测试优于既往方法,且通过编码器分歧机制将不可靠预测的平衡准确率提升 7-15 个百分点。

  3. arXiv · 机器人与计算机视觉72

    OmniLatent:用于 3D 部件建模的统一潜在表示

    OmniLatent 是一个用于 3D 部件分解的统一潜在建模框架,旨在解决现有流程作为后处理步骤对几何伪影和纹理模糊敏感的问题。该模型通过学习共享潜在空间,联合编码几何、形变、外观和二值部件 ID,利用数据丰富的几何与视觉先验支持数据稀缺的部件学习。

  4. arXiv · 机器人与计算机视觉48

    Grounding-Aware Judge Reward RL 用于跨域人脸防伪造研究

    针对人脸防伪造推理缺乏规则可验证真值的问题,该方法利用接地感知法官奖励在 CoT 监督微调后优化模型,将图像本身转化为验证信号。实验显示,该方法在 LCC-FASD 和 MSU-MFSD 基准上将 ACER 分别降至 0.273 和 0.409,同时保持 CelebA-Spoof ID 准确率稳定,优于 ResNet-50/101 及 CLIP-ViT-B/16 基线。

  5. arXiv · 机器人与计算机视觉58

    Seeing vs. Counting:复杂度孪生揭示多模态大模型在图表任务中的失效点

    该研究针对多模态大模型在图表计数任务中混淆视觉密度与算法难度的问题,设计了基于跨度树和简单路径的复杂度孪生测试集。实验表明 Gemini 等模型主要受答案数值大小而非计算复杂度影响,且存在单视图漏检水平边的阅读瓶颈;提供代码转录后,结合旋转副本读取可将大网格精确计数率从 59%提升至91%。

  6. arXiv · 机器人与计算机视觉35

    Region-aware error triage for medical image segmentation with groupwise conformal risk control

    RACE-Triage 框架在 ISIC 2018 和 BUSI 数据集上,将非边界区域漏报错误比例从平均 31.8% 降至 19.3%,同时将尺寸过滤假阴性组件召回率从 0.722 提升至 0.818。该方案在 PH²外部集需经 100 张局部图像重新校准方可达标,且警告区域均值增加 1.6 个百分点。研究已提交至 BSPC 会议,代码与权重暂未开放。

  7. arXiv · 机器人与计算机视觉12

    UAV-Based Computer Vision for Cattle Detection and Feed Bunk Spatial Analysis 提出基于无人机的计算机视觉框架,在巴西马托格罗索州商业牛场实现牛只检测与饲喂槽空间分析。

    该研究利用无人机采集数据并标注牛头与牛背类别,评估 YOLOv8 small 模型在 NVIDIA RTX 5060 Ti GPU 上的推理性能,达到 2.7 ms/帧的延迟和 84.30% mAP50 精度。结合 SAM 分割与几何指标(RMSD、CV),系统成功区分了饲喂槽内牛群的规则与非规则空间分布模式,为精准畜牧养殖提供客观评估工具。

  8. arXiv · 机器人与计算机视觉78

    利用自然天光进行鱼眼相机偏振校准的联合镜头 - 分析器方法

    针对鱼眼镜头效应和分析器不完美导致的偏振测量退化问题,作者提出了一种联合镜头 - 分析器校准方法,通过统一八参数公式显式建模入射角依赖的镜头透射率。该方法仅需手持户外序列即可估计相机帧间旋转并实现偏振校准,无需专用设备或预设天空模型。

    推荐理由:提出了一种仅需手持户外序列即可完成鱼眼镜头偏振校准的方法,无需专用设备或预设模型。

  9. arXiv · 机器人与计算机视觉38

    Align3D:基于可观测性感知的图像 - 结构协同对齐三维场景生成

    Align3D 是一个条件扩散模型,能根据单张输入照片生成既忠实于图像又符合物理规律的室内三维布局。该模型在 3D-FRONT 数据集上优于近期基线,通过置信度校准的场景图与可观测性感知引导,实现单次前向传播即可映射未见过的照片至布局。

  10. arXiv · 机器人与计算机视觉58

    遮挡下计算机视觉与人类物体识别中颜色的影响研究

    该论文研究了部分遮挡(特别是伪装类遮挡)对人类和计算机视觉物体识别的影响。实验对比了 CNN 与 Transformer 模型,发现人类和大多数 Transformer 受生成的场景伪装遮挡负面影响较大,而经典 CNN 在纯色遮挡下表现最差,表明上下文相关颜色有助于识别。

  11. arXiv · 机器人与计算机视觉72

    超越 LiDAR 覆盖范围的稀疏深度补全:外推性至关重要

    针对真实相机 -LiDAR 系统中 LiDAR 覆盖不足的挑战,该研究提出了一种仅利用原始单扫描 LiDAR 稀疏监督的深度补全方法,无需密集深度标签、LiDAR 累积或伪 LiDAR 生成。该方法结合冻结的单目深度基础模型与轻量级帧对齐模块,并通过高频法线一致性损失进行正则化,在超越 LiDAR 覆盖的区域实现了较强的深度精度,同时在覆盖区域内保持竞争力。

  12. arXiv · 机器人与计算机视觉45

    Federated training performs as well as centralized for 3D Latent Diffusion for Diagnosis-Conditioned Brain MRI Synthesis

    联邦学习在诊断条件脑 MRI 合成任务中,其生成的三维潜在模型性能与集中式训练相当。研究验证了条件保真度、多样性及真实感三项指标,证明在不共享数据的前提下开发多站点生成模型是可行路径。该工作为理解脑部状况及丰富稀缺神经影像数据提供了新的方法支持。

  13. arXiv · 机器人与计算机视觉4

    FishSense Lite:基于单相机与单激光的在位鱼类长度测量软硬件框架

    FishSense Lite 利用休闲潜水相机、激光笔及 3D 打印支架,通过图像中光点位置推算鱼距并计算体长。该系统在七次公开水域潜水中对 73 种野生鱼类进行采集,与立体成像系统对比无偏差(均值差 +0.8%),刚性目标恢复误差小于 1.3%,99% 帧落在 15% 误差预算内。研究提出现场协议:每次潜水校准、拍摄角度垂直于鱼身且距离超 1 米、每鱼至少采集十张图像。

  14. arXiv · 机器人与计算机视觉62

    eSharp:基于扩散模型的单目事件到度量深度估计框架

    eSharp 是一个针对事件相机的单目深度估计(MDE)框架,旨在解决传统帧基系统在快速运动和宽动态场景下的挑战。该工作复用预训练的扩散先验,并通过跨模态蒸馏技术,利用空间配准的帧相机生成的 LiDAR 校准伪标签来训练模型,从而在真实数据上实现了高精度的度量深度估计与卓越的空间保真度。

  15. arXiv · 机器人与计算机视觉48

    Scoring, Not Learning:零售产品识别中目录整合增益的分解分析

    研究基于 16.5 万张奶酪图像档案,发现目录整合带来的 4.27 点精度提升主要源于评估标签空间粗化而非模型学习。对未重训模型进行评分即可复现该增益,而重新训练在不同参数规模下效果与零无差异。实验表明 94% 的增益来自类别粗化,仅 7% 源于别名修正,且与骨干网络大小无关。

  16. arXiv · 机器人与计算机视觉35

    解剖引导的 3D 分割流程用于前列腺手术假体 CT 扫描

    针对前列腺手术假体标注耗时且深学习难规模化,该流程利用经典图像处理技术将已知解剖结构编码为几何与强度先验,无需训练集即可适配新修订假体。在跨越多次修订的 57 次扫描中,该方法在 11 个对比抑制扫描上胶囊内部 Dice 系数达 0.83 中位数,并零误报检出全部 32 个标注病灶。完整扫描仅需商品 CPU 硬件运行 2-8 分钟,较人工耗时 1-2 小时大幅缩短。

  17. arXiv · 机器人与计算机视觉78

    VoluCompose:构建紧凑体素视觉表示以理解医学图像

    VoluCompose 是一种免训练、模型无关的框架,旨在解决处理完整医学体积图像成本高昂的问题。该方法将内容选择与 Token 预算分配解耦,利用双曲 Token 组合模块和容量控制模块优化视觉编码器的注意力分布。

    推荐理由:VoluCompose 提出免训练框架,在保留 22.78% 视觉 Token 时质量达未压缩参考的 121.68%,显著优于基线。

  18. arXiv · 机器人与计算机视觉72

    HaNDF:面向手物交互的对象条件几何神经距离场模型

    论文 HaNDF 提出一种对象条件的几何神经距离场,作为建模手在物体上可行构型的数据驱动先验。该方法利用黎曼几何工具表示零水平集上的合理手部姿态并投影给定姿态,同时可优化确定交互对象。评估显示该模型适用于姿态细化、遮挡重建及物理合理的操作合成任务。

11月7日周六
  1. Hugging Face Daily Papers38

    JoVox:联合分层流匹配用于轻量级体素生成

    JoVox 提出一种离散流匹配框架,通过让细粒度单元参与粗粒度决策并引入两级预测与去掩码策略,解决了高保真与轻量化的矛盾。相比当前最先进模型 TRELLIS.2,该方法在无条件及图像条件化体素生成任务中训练吞吐量提升 8 倍、前向传播 FLOPs 降至 1/15、仅需 4 张 GPU 且 Chamfer 距离降低 11%。该预印本论文发布于 arXiv,代码与权重暂未开放。

11月6日周五
  1. arXiv · 机器人与计算机视觉8

    BEAST3D:通过高斯泼溅实现多视角视频下的动物行为分析与神经编码

    BEAST3D 是一个自监督预训练框架,利用视觉 Transformer 预测 3D 高斯泼溅以重构实验室稀疏视角(最少四视图)下的动物三维结构并分割背景。该模型在四种物种上验证了视点不变特征,成功迁移至新视角合成、多视角姿态估计及神经编码三项下游任务。相比需密集重叠视点的通用重建模型,BEAST3D 直接利用已知相机参数解决了实验场景中的几何估计难题。

  2. arXiv · 机器人与计算机视觉27

    CoMPAS3D:交互式运动数据集与基准评测

    CoMPAS3D 发布包含 18 名舞者共 3 小时萨尔萨舞的交互运动数据集及 Salsa 评估域,涵盖 2,800+ 专家标注片段。该基准定义动作分类、能力估计和跟随生成三项任务,结合运动学指标与六维主观评分揭示生成舞蹈与真实数据的差距。微调视觉语言模型在真值序列上表现良好且与专家判断相关,为具身智能交互提供新评测工具。

  3. arXiv · 机器人与计算机视觉63

    从关键点到预测分布:YOLO-Pose 模型的后验不确定性方法

    论文介绍了一种轻量级的后验概率扩展方法,用于增强已训练的 YOLO-Pose 模型,使其能够输出校准后的双变量预测分布来量化关键点位置的空间不确定性。该方法通过训练额外的概率头并配合高斯或学生-t 分布校准,实现了基于输入的关键点可靠性排序及不可靠关键点的剔除。实验在 COCO 数据集上验证了其在提升定位可靠性方面的效果,并在飞机着陆等视觉任务中展示了支持不确定性感知的位置估计与传感器融合潜力。

  4. arXiv · 机器人与计算机视觉21

    Gaussian Light Field Splatting:一种用于低光照图像增强的物理先驱驱动视觉 Transformer

    GLFS 模型通过引入二维高斯泼溅(2DGS)的连续光场先验作为显式物理偏差,解决了主流视觉 Transformer 在复杂非均匀光照下缺乏物理建模的问题。该方法利用各向异性高斯基函数叠加表示场景照明,并辅以色向量角损失和亮度边缘损失以抑制色彩偏移与结构退化。消融研究与定量评估证实,GLFS 在光照校正、结构保持及感知质量方面均取得了具有竞争力的整体性能。

  5. arXiv · 机器人与计算机视觉28

    Player Disjoint Multi-Task Tennis Stroke Analysis from Monocular Pose Sequences 预印本发布

    该研究提出端到端框架,利用单目 RGB 视频分析网球技术,通过 Clean LOPO v2 在 7 名球员上验证。动能事件检测器 F1 达 85.65%,方向识别较静态基线 Macro-F1 提升 17.9%。工作提供负向消融与极限作为基于姿态的教练基准,代码与数据未开放。

  6. arXiv · 机器人与计算机视觉52

    VLM 能否看见传感器感受到的障碍?——基于街景图像的轮椅无障碍评估可扩展专家引导设计

    本文研究视觉语言模型(VLM)是否能从 Google 街景图像中识别潜在的无障碍障碍。作者提出一种结合街景、ADA 指南和专家评分标准的检索增强框架,并在佛罗里达大学收集了连接 407 个 GPS 位置与轮椅停留行为的数据集。

  7. arXiv · 机器人与计算机视觉72

    基于图像点跟踪的运动线索用于 LiDAR 场景流估计

    该论文提出 TrackCue 框架,旨在解决自监督 LiDAR 场景流估计中依赖几何证据导致伪标签在稀疏或遮挡区域不可靠的问题。方法将密集图像轨迹转移为可靠的动静区分监督,通过视觉一致的运动补偿策略剔除瞬态跟踪误差,并将图像空间物体运动线索关联至 LiDAR 点进行标签细化。材料仅包含 arXiv 预印本及摘要,未报告真实部署结果或具体实验性能数据。

  8. arXiv · 机器人与计算机视觉72

    Taming the Entropy Cliff:用于自回归视觉生成的可变码本大小量化

    论文针对离散视觉分词器中固定码本导致有限数据熵预算快速耗尽的问题(即“熵悬崖”现象),提出可变码本大小量化方法,使码本容量沿序列单调增长。该方法在保持标准自回归 Transformer 训练流程不变的情况下,将 ImageNet 256x256 生成的 gFID 从固定码本的 18.16-27.98 降至 14.80(无 CFG),并在 6.84 亿参数规模下达到 1.71。

  9. arXiv · 机器人与计算机视觉75

    HiddenObjects:基于扩散模型的物体放置可缩放空间先验提取

    论文提出通过从文本条件扩散模型蒸馏知识来学习自然场景中物体的显式类条件化空间先验,以解决现有方法依赖稀疏标注或引入伪影的问题。作者构建了 HiddenObjects 数据集,包含跨越 2.7 万场景和物体类别的 2700 万个边界框标注(其中 200 万个为正样本)。

  10. arXiv · 机器人与计算机视觉70

    AI 生成图像检测器利用全局伪影:来自修复交换的证据

    现代扩散式修复虽能实现局部操作,但现有 AI 生成图像检测器主要依赖生成管线引入的全局伪影而非识别合成内容本身。作者提出一种无需模型访问的‘修复交换’诊断方法,通过恢复编辑区域外的原始像素来保留合成内容,该方法使商用 API 和偏差感知方法的准确率大幅下降至接近随机水平。

  11. arXiv · 机器人与计算机视觉60

    面向长尾人 - 物交互检测的自适应测试时内存分配方法

    该研究针对长尾人 - 物交互(HOI)检测中稀有类别样本稀疏的问题,提出无需训练的自适应多样性缓存(ADC)框架。该方法通过频率感知的容量分配策略为稀有交互分配更大缓存空间,并结合预测置信度与局部特征多样性进行缓存条目选择,以优化冻结检测器的推理性能。

  12. arXiv · 机器人与计算机视觉72

    GraphGeo:一种用于视觉地理定位的多智能体辩论框架

    该论文提出了 GraphGeo 框架,利用异构图神经网络对视觉地理定位任务进行建模。系统通过类型化边区分支持性协作、竞争性论证和知识转移等关系,并引入双层辩论机制结合节点级细化与边级论证建模。跨层级拓扑细化策略实现了图结构与智能体表征的协同进化。实验表明该框架在多个基准测试中优于单模型及多智能体基线,能将智能体间的认知冲突转化为更高的定位精度。