Not Losing Your Way:通过按需视觉特征创建缓解无人机视觉惯性里程计漂移
针对重复纹理环境下的视觉惯性里程计(VIO)退化问题,该研究提出了一种仅依赖相机和惯性测量单元的主动环境修改框架。无人机通过释放地面标记或物理接触墙面按需创建视觉特征,结合时间确认与迟滞机制触发干预。
针对重复纹理环境下的视觉惯性里程计(VIO)退化问题,该研究提出了一种仅依赖相机和惯性测量单元的主动环境修改框架。无人机通过释放地面标记或物理接触墙面按需创建视觉特征,结合时间确认与迟滞机制触发干预。
DEQ-Det 提出一种无需额外标注的架构,通过构建前景与背景互补参考解决模拟 IC 器件布局中的几何变异干扰。该方法在五个保留类别上实现 10 次和 30 次提示下的宏观 AP50 分别为 39.41 和 53.03,分别超越最强基线 3.97 和 9.71 个点。消融实验证实 ROI 背景证据能在相当召回率下有效降低假阳性,支持其干扰抑制作用。
该论文介绍 GEKey,一个利用 SE(3) 不变几何度量(测地线偏心率变换)进行自监督学习的框架,用于识别点云中的显著特征点并实现模型与物体内在结构的对齐。实验在 ShapeNetCoreV2、KeypointNet、CAPE、ITOP 和 DeformingThings4D 等数据集上验证了其在关键点检测和对齐方面的最先进性能及抗噪能力。
该方法结合冻结 SlowFast 视频专家与生成零样本物体功能的注意力机制,利用视觉语言模型生成的交互功能过滤非活跃检测,将 MECCANO 数据集上 Top-1 准确率从 44.9% 提升至 49.9%,优于 SlowFast 及物体感知 RGB 基线。研究在标注框与官方检测器两种条件下评估性能,其中约半数精度损失源于非活跃物体检测干扰。代码将在论文被 IEEE FG 2027 接收后发布。
CoGenRec 提出一种互补驱动的统一生成重建框架,融合长曝光 RGB 与短曝光时空差分路径以解决极端运动下的高动态范围成像难题。该模型在 SportsSloMo-CVS 数据集上相比最强通用基线,去模糊 PSNR 提升 4.40 dB、帧插值提升 3.89 dB、HDR 融合提升 5.04 dB,并在 129 个真实 CVS 场景验证了感知质量。
针对终身物体地图需判断离屏后物体是否留存的问题,本文提出 HiPer 分层持久性滤波器。该方法不依赖类别先验,而是检索视觉和几何相似的训练实例来估计初始生存率,并在 Rosen 框架下利用检测与漏检数据以闭式形式更新信念。
论文介绍 ArtCrafter,这是一种用于从成对图像(静止态与张开态)生成可控关节式 3D 物体的前馈生成模型。该模型基于 DiT 架构,通过共享基槽和配对槽布局联合生成部件级网格,并利用三元组注意力机制确保跨状态几何一致性,同时引入排斥损失防止部件穿透。
针对全波形激光雷达(FWL)计算成本高且标注数据稀缺的问题,该研究提出 FWL-ToPM 机制利用光强分布剪枝冗余 Token,并引入 FWLAug 框架通过保留飞行时间和视锥几何结构进行数据增强。在 Ghost-FWL 基准测试中,该方法实现超 8 倍速度提升、F1 值增加近 9 个点,建立了首个同时兼顾实时性与精度的 FWL Transformer 模型。代码与分布外数据集已公开。
针对应用于三维医学扫描的视觉语言模型面临的结构性内存墙问题,本文提出 TACT-KV(Tri-Axis Cosine Transform),这是一种无需校准的 KV Cache 压缩方法。
X-VGGT 是一种前馈跨视角几何 Transformer,通过联合处理地面图像与地理配准卫星图像,预测相机姿态、稠密 3D 点云及场景级变换参数。该研究在多个跨视角数据集上验证了模型能生成准确的地理配准重建结果,且性能优于先前的跨视角地理定位和多视角三维重建模型。论文已被 NeurIPS 2026 接收,代码与权重开放许可待定。
该方法通过融合多视角材料预测构建置换正交晶格,在保持纯光度拟合目标的同时限制优化空间。实验显示其在 Synthetic4Relight 和 TensoIR-Synthetic 基准上,相比最强网格基线将重光照 PSNR 提升 1.5-2.5 dB,且联合优化时间缩短至一分钟以内。
论文提出了 MetricTrail 系统,用于从长单目视频中实现精确的相机运动估计和稠密三维重建。该方法复用 DPVO 的稀疏局部估计器,通过引入单图度量深度预测来初始化块深度并作为软约束,显著提升了轨迹精度,且无需重训对应网络或扩大优化窗口。
推荐理由:该工作通过引入单图深度预测与冻结 DINOv3 特征,在不重训对应网络的情况下提升了长序列轨迹估计精度。
该研究针对自动驾驶车辆在语义不寻常场景中的行为监控问题,提出了一种结合视觉语言模型(VLM)的动作条件化监控方法。该方法首先利用隐藏结果的视频窗口预测场景所需动作,再依据显式兼容性规则将预期与车辆实际执行轨迹进行对比。
针对运动恢复结构(SfM)中成对图像匹配计算量过大需限制预算的问题,现有方法因忽略已分配边数可能导致重建失败。本文提出无需训练的贪心规则 DEAL,通过指数级降低端点覆盖度高的图像对的权重来均衡度数。在九个大型互联网照片集上,DEAL 将基于相同先验的选择器成功率从 0.776 提升至 0.929,并在标准基准测试中达到最高均值 0.875。
针对移动操作臂需在家庭等日常环境中定位特定物体并判断目标是否存在的需求,现有方法往往依赖缓慢的全局重处理或昂贵的 3D 表示,且在缺失目标时的特异性(abstain)能力不足。
arXiv 预印本论文介绍 FUHA,一种支持实时的前馈 Transformer 模型,通过学习紧凑的运动嵌入来实现人脸、上半身及全身的人体动画驱动。该方法利用 Q-Former 压缩驱动者特征,并通过对比损失解耦运动与外观,推理时无需外部姿态估计器或参数化身体模型。
FREE-LIVO 提出一种无需固定传感器安装位姿与时间同步的紧耦合激光雷达 - 惯导 - 视觉里程计方法。该方法利用预训练图像特征匹配器建立对应关系,在 M3DGR 数据集六条序列上实现平均绝对轨迹误差 RMSE 0.45 m,且对高达 0.5 秒的时间不同步误差具有鲁棒性。实验还证明其能联合估计安装在独立移动机器人上的传感器轨迹。
TRiST 框架将拓扑信息融入特征构建、细化与注意力机制,通过分层多尺度拓扑表示及带感知残差模块处理不同持久性信息。实例化的 Topo-SwinV2-B 和 Topo-Swin-UNet 在五个数据集上分类与分割性能均优于 Swin 基线且媲美现有方法。该预印本论文 arXiv:2611.07431 尚未被会议接收,代码与数据许可状态未明确说明。
针对远程服务器运行大型视觉语言动作策略时相机上行链路成为瓶颈的问题,本文提出一种零速率条件的运动学假设上下文机制。该方法利用关节状态、机器人模型和相机标定构建自运动单应性、连杆重投影等假设,对上一帧重建结果进行变换以条件化学习视频编码。
推荐理由:提出运动学假设上下文机制,在带宽受限场景下显著降低视频传输码率并提升策略成功率。
针对当前多模态大语言模型在复杂关系推理中存在的静态观察局限,本文提出 PSGAgent 框架,利用区域缩放和视觉高亮工具实现动态感知优化。研究构建了高质量思维链数据集并设计了分层奖励机制,实验表明该方法在全景场景图生成基准上达到最先进水平,相关成果已获 ACM Multimedia 2026 录用。
针对基于物理渲染(PBR)中数据集缺乏标准表示导致结果不稳定且不符合物理规律的问题,论文提出 MIKU 统一框架。该框架通过标准化预处理到纹理合成的工作流,利用归一化方案统一异构参数化表示,并训练了新的物理感知扩散模型进行多视图合成。实验表明该方法在物体部分语义一致性方面达到最先进水平,推动了 3D 内容创作的自动化材质生成。
MammoSeek 是一种乳腺摄影智能体,旨在复现放射科医生先形成全局印象再对可疑区域进行选择性放大的阅片流程。该智能体在生成每侧乳房的初步印象后,自主决定哪些检测候选者值得近距离观察,并仅在高分辨率视图下检查这些区域。
针对 3D 场景表示学习尚未取得与图像基础模型相当成功的现状,本文提出 VINO 框架以无标签方式学习语义表示。核心改进包括:将分层 PTv3 骨干替换为体积 Transformer;在学生 - 教师网络中分离角色,由教师提供一致目标、学生学习强扰动下的不变性,并禁止学生访问被遮挡几何体;最后重构 2D 到 3D 的知识蒸馏,用视图一致的监督替代直接回归。
针对神经视频编码中感知质量与重构保真度的权衡问题,该研究提出区分可放松对应关系与必须保留的约束。方法上引入局部切片 Wasserstein 失真(SWD)进行一维最优传输以捕捉跨通道依赖,并采用运动轨迹上的流残差约束编码误差以保持时序一致性。
针对自动驾驶多视角系统需合成统一宽视域的需求,本文提出 Wide-View Gaussian Splatting (WV-GS) 框架。该方法无需逐场景优化,通过 Piecewise Perspective Rendering (PPR) 缓解边缘拉伸,利用 Spatial Affine Photometric Modeling (SAPM) 处理相机依赖的光度变化。
论文提出 Gaussolve 框架,将混合网格 - 高斯渲染视为多视图不一致问题,通过轻量级神经溶解场选择性溶解不一致的网格内容,再用残差高斯回填暴露区域。该方法采用连续透射率融合规则逐步暴露后方高斯,保留重建梯度并避免硬性可见性不连续。实验表明其在结构化与半结构化场景中具有更高视觉保真度、更少的高斯原语及更快的渲染速度。
论文提出 T$^2$-Splat,通过 Safe RDT 初始化网格连接,利用 DTE 动态调整三角形分配,并用每面 Mip-texture 残差在固定网格上细化外观。
TurtLES 是一个包含 400 条轨迹、每条 400 个时间步的 14 TB 数据集,涵盖几何、雷诺数及攻角变化。该基准通过高保真隐式大涡模拟生成具有活跃能量级联和密集不规则网格的数据,用于评估神经算子在自回归推演中的表现。研究识别了时序不稳定和小尺度能量丢失等关键失效模式,为工业相关网格分辨率下的湍流尾迹代理模型提供了新标准。
Video-Coder 是首个训练代码驱动的视频生成智能体的尝试,能够自主编写和执行代码来构建动态 3D 场景以提供结构与运动信号。研究设计了专用数据管道和两个高质量数据集(Video-Coder-SFT-6k、Video-Coder-RL-2k),并开发了集成代码执行与 3D 渲染的统一交互环境 Video-Coder Harness。
针对水下成像中波长依赖吸收、散射及非均匀退化导致的语义漂移问题,本文提出 RPL-UIE 两阶段教师 - 学生框架。教师阶段从成对退化与参考图像中学习可靠的空间先验;学生阶段仅输入退化图像,模拟教师先验提取能力以指导增强过程,无需推理时参考图。
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。
该研究利用 YOLO11n-OBB 检测器与 ArUco 参考位姿,使固定顶置相机下的约 200 美元 Waveshare RoArm-M2-S 无需腕部旋转即可分拣任意朝向的书写工具。
针对单无人艇感知受视距、视野和遮挡限制的问题,作者构建了基于 Unreal Engine 5 和 Project AirSim 的海洋仿真与数据生成平台 MMUSV-Sim。
针对归档胶片修复缺乏成对训练数据和标准化评估基准的挑战,该研究提出了 AbsoluteDegradation 框架。其核心包含一个物理启发的模块化合成流水线,将模拟到数字过程建模为信号相关颗粒、参数化划痕和时序相干相机运动的组合;同时发布了一个由 81,576 帧高分辨率真实归档素材组成的基准数据集。
论文提出 3D-PLOT-LLM,通过重构输入 token 流使模型能直接引用物体部件,无需额外的分割解码器或边界框头。在 PartVerse-QA 基准上达到 caption-to-slots Jaccard 0.459,并在多个部件感知描述任务中优于 PointLLM、Kestrel 等基线,且新增可训练参数少于 100 万。
论文 RegimeVGGT 针对多视图图像恢复稠密三维场景结构的 VGGT 模型,提出无需训练的层级压缩方案以解决二次交叉帧注意力带来的扩展性瓶颈。研究通过频谱、探测和因果分析发现浅层缺乏跨视角结构、中层驱动对齐、深层对几何冗余但保留姿态关键路径的规律。
推荐理由:该文提出无需训练的层级压缩方法,在保持重建质量的同时将 VGGT 推理速度提升 6.7 倍。
Samuel Weidemaier 等人提出一种利用高阶变分公式显式考虑梯度跳跃集的新方法,通过 Ambrosio-Tortorelli 型相场近似将中轴线隐含描述。该方法针对无方向点云表面实现 SDF 与相场的神经网络逼近,在近场和全局均验证了高精度优势。定量定性对比显示其优于其他方法,代码与数据未开放许可。
针对多模态大语言模型在开放词汇人体 - 物体交互(OV-HOI)中存在的跨模态幻觉与视角受限问题,论文提出 ImagineAgent 智能体框架。
PointRAFT 是一种引入专用高度嵌入的深度学习回归网络,旨在解决因作物自遮挡导致的部分点云在估算性状时产生的系统性误差。该模型在操作中的马铃薯收获机上实测,对测试集 5,254 个包含 172 个块茎的点云实现了 11.7g 的平均绝对误差和 17.1g 的均方根误差,优于六种无高度嵌入的网络。其预处理与推理仅需每点云 6.3ms,满足商业收获机的高吞吐量需求,代码、权重及部分数据已公开。
SUPER 是一个在运行时自适应调整视觉测量信息的有界控制器,应用于 Ceres 和 g2o 后端。该研究在 EuRoC、TUM-VI、UMA-VI 及 TartanAir 数据集下评估了其在视觉干扰中的表现,结果显示所有 13 个分位点置信区间均跨越零且效果异质。此外,提出的动作验证协议能可靠区分控制器诱导的状态变化与求解器波动。