跳到正文
11月2日周一
  1. arXiv · 机器人与计算机视觉48

    No Channels Left Behind:扩散模型加速的残差门机制研究

    该研究揭示扩散 Transformer 训练加速(如 REPA)源于 AdaLN-Zero 残差门$\alpha$的重构而非仅靠特征结构。引入归一化参与率 nPR 发现,更广泛的门参与伴随更好的生成质量。基于此提出无需教师的径向目标,在 ImageNet $256\times256$上提升 FID 并增加门参与度。

  2. arXiv · 机器人与计算机视觉45

    Inter-Frame Predictive Contour Coding 实现语义地图无损压缩效率提升

    针对动态语义地图存储与传输成本问题,Inter-Frame Predictive Contour Coding 框架利用帧间时序相关性预测斑点位置及标签索引。在 VSPW 数据集上,该方法相比最新上下文自适应扩展链码框架,平均比特率降低 3.0% 且编码时间无明显增加。源代码已公开,相关成果将亮相 2026 年 IEEE 国际视觉通信与图像处理会议。

  3. arXiv · 机器人与计算机视觉48

    GazeRIB:多阅者注视引导胸部 X 射线学习的系统性评估

    GazeRIB 系统在训练时遮蔽未查看区域、推理时使用未遮蔽图像,经八位专家对 80 张胸部 X 光片反复阅片验证。相比无注视基线,三至八人阅者小组在独立测试集上宏观 F1 提升 5.33-7.47 个百分点,其中三人组即捕获八成增益;但在 MIMIC-Eye 数据集上未显著优于基线且单人平均下降 1.40 百分点。

  4. arXiv · 机器人与计算机视觉65

    更好的评论家对分布匹配蒸馏至关重要:联合缩放与步感知评论家

    该论文研究了分布匹配蒸馏(DMD)中评论家的容量与信息需求。实验表明,固定小评论家而增大教师模型会导致训练崩溃;通过联合缩放评论器与教师模型可避免此问题。此外,提出的步感知评论家(STAC)能根据生成步骤估计特定分数,显著提升了 ImageNet 图像生成、SDXL/FLUX.2 文生图及 Wan2.1 文生视频的性能。

  5. arXiv · 机器人与计算机视觉56

    重新思考自监督 3D 几何学习中的不对称性

    论文提出一种新的自监督方法,旨在从非标定图像中学习 3D 几何结构。研究指出传统方法在输入空间施加不对称性以渲染未观测视图存在局限,转而主张在三维表示空间中实施该策略,仅排除未观测视图对重建场景的约束但共享骨干网络用于对应关系匹配。

  6. arXiv · 机器人与计算机视觉82

    MoETok:一种用于 1D 视觉 Tokenizer 的稀疏专家路由方法

    论文提出 MoETok,这是一种针对 1D 视觉 Tokenizer 的稀疏专家路由方法。研究揭示查询在语义监督下自发分化为 Content(内容)和 Detail(细节)两类角色,路由器据此学习适应不同 token 表示的特化处理路径。

    推荐理由:该工作揭示了查询在语义监督下自发分化为内容与细节两类角色,并提出稀疏专家路由机制以提升重建与生成性能。

  7. arXiv · 机器人与计算机视觉78

    Different Models, Shared Failures: Auditing Frozen-Encoder Pools for Medical Segmentation

    该研究提出了 CoFailMed 框架,对五个二维医学图像分割任务中的 11 个预训练编码器进行了失效相关性审计。研究发现,即使模型平均精度和数量不同,它们仍可能在相同案例上共同失效;共享检查点的模型对 Dice 相关性最高,而跨家族编码器的依赖关系甚至可能随微调增强。研究提供了对齐的案例轨迹、分析脚本及代码以复现审计结果,并建议评估报告应包含绝对依赖度和阈值特定的有效池大小。

    推荐理由:本文通过审计预训练编码器池,揭示了不同模型在医疗分割任务中存在共享失效模式的现象。

  8. arXiv · 机器人与计算机视觉78

    病理图像分割的因果依赖评分:一种基于受控干预的评估框架

    针对病理图像分割中模型过度依赖背景虚假相关的问题,本文提出了一种基于受控干预的因果依赖评分(CRS)指标。该方法通过设计作为隐式反事实干预的数据增强策略,量化模型预测对前景组织扰动与背景/域变化的相对敏感度。研究证明该框架能揭示标准 Dice 或 IoU 指标无法捕捉的行为差异,旨在为开发临床鲁棒的医学图像分割系统提供审计工具。

    推荐理由:提出因果依赖评分指标,通过受控干预评估病理图像分割模型对前景与背景的敏感度差异。

  9. arXiv · 机器人与计算机视觉45

    Nereus:NeurIPS 2026 接收的大规模水下细粒度感知数据集

    Nereus 是 NeurIPS 2026 接受的水下细粒度感知数据集,包含 8.8 万张图像、268 万个问答对及针对 13.6 万个海洋生物对象的标注。该数据集支持细粒度属性理解与基于空间证据的计数感知,涵盖 2,690 个物种和 1,515 个属,并提供 6.5 万个点标注及 6.7 万个计数问答对。实验表明其能提升多模态模型在水下领域的下游适应能力,为未来海洋感知研究奠定基础。

  10. arXiv · 机器人与计算机视觉33

    OT-CAL:基于最优传输的自适应样本选择提升视觉学习效率

    OT-CAL 提出一种无需人工调度、通过最优传输匹配自动调整采样偏好的数据选择方法,在三个标准基准上选取 50% 小批量时,相比 AdaSelection 性能提升 1.3--2.1 个点且训练速度达全量数据的 1.18--1.24 倍。该方法利用难度、可学性和不确定性等特征构建课程向量形成反馈闭环,已提交至 IEEE BigData 2026 Workshop on Efficient AI。

  11. arXiv · 机器人与计算机视觉58

    TADP:面向表情感知的视频匿名化双重分支时序自适应差分隐私框架

    该论文提出了 TADP 框架,用于在固定长度片段替换邻域下实现推理时的隐私保护视频生成。该方法采用双分支设计提取身份和表情表征,利用时序自适应高斯机制对两分支进行加噪,噪声规模仅取决于同一片段内的先前私有化发布结果且受历史均匀校准最小值约束,并通过自适应 Rényi 差分隐私(RDP)组合处理联合发布。

  12. arXiv · 机器人与计算机视觉78

    GRIT:文本丰富推理中针对视觉误读 token 的梯度掩码方法

    论文指出强化学习可验证奖励(RLVR)在文本丰富推理任务中存在正确但视觉误读(CVMR)现象,导致模型虽得正确答案却未真正理解图像。作者提出 GRIT 框架,利用 token 级注意力模式差异对视觉误读进行梯度掩码,提升推理准确性与 grounding 保真度。

    推荐理由:提出 GRIT 框架将视觉 grounding 引入 RLVR,缓解中间步骤误读问题,并配套发布 GRIT-Bench 评测基准。

  13. arXiv · 机器人与计算机视觉45

    TACO:扩散模型记忆化检测与缓解的轨迹感知曲率观测框架

    TACO 提出一种统一框架,利用晚阶段去噪轨迹上的提示依赖曲率响应实现扩散模型记忆内容的精准定位与缓解。该方法通过隐空间引导的空间细化提升空间一致性,在抑制记忆、语义对齐和感知质量间取得优于现有方法的帕累托最优。实验表明该框架能显著改善局部化检测效果并有效降低记忆化风险。

  14. arXiv · 机器人与计算机视觉74

    SACQ:面向超低比特视觉语言动作模型的感知结构代码本量化方法

    针对视觉语言动作(VLA)模型显存占用大且传统后训练量化在超低精度下失效的问题,该研究提出 SACQ 框架。该方法结合感知结构的代码本拟合、基于动作误差增加的混合比特分配及两阶段后量化细化,在 GR00T N1.7 上实现 1.5 比特权重下的平均成功率 93.85%,显存降低 4.83 倍,同时保持推理速度提升。材料为 arXiv 预印本,未提及开源代码或商用许可状态。

  15. arXiv · 机器人与计算机视觉78

    超越 CLIP:利用系统一决策模型进行校准后的(少样本)缺陷检测

    针对制造环境中收集大量缺陷图像困难的痛点,本文提出基于 Jev 和 Clef-Flash 两种结构化决策模型的框架,仅需每类两张参考图即可实现图像分类与检测。研究通过智能体自动优化引导文本描述,并将缺陷概率校准以提高可靠性。

    推荐理由:提出基于 Jev 和 Clef-Flash 的少样本缺陷检测框架,仅需每类两张参考图即可超越 CLIP,并提供校准方法与开源代码。

  16. arXiv · 机器人与计算机视觉82

    MotorSense:首个大规模配对视频与肌电信号的动作理解数据集

    针对计算机视觉模型仅依赖视觉后果而缺乏本体运动信号的问题,该工作提出了 MotorSense,这是首个大规模的双手肌电(EMG)与第一人称视频配对数据集。数据包含 100 小时无脚本操作中的同步视频、双手 EMG、IMU 及音频。

    推荐理由:该工作提出首个大规模配对视频与肌电信号数据集,通过跨模态预训练实现视听对齐,在动作识别等任务上超越传统自监督方法。

  17. arXiv · 机器人与计算机视觉58

    无需显式几何的屋顶太阳能潜力学习实证研究

    该研究提出 Direct Rooftop Solar Prediction (DRSP) 框架,旨在直接从卫星影像和区域光照信息映射到应用级太阳能输出,无需输入或预测屋顶朝向、坡度等几何中间量。作者构建了包含美国中西部约 60K 个屋顶和德州 87K 个屋顶的两个数据集,并系统分析了地理分布、模型深度及回归目标的影响。代码与数据已公开。

  18. arXiv · 机器人与计算机视觉78

    单标注多假设分割:基于语义 - 空间残差银行的方法

    针对单图像仅含一个标注却需覆盖多种有效掩码的挑战,研究提出语义 - 空间残差银行方法。该方法冻结经平衡分配训练的语义特征以保留结构分组,同时学习图像残差以捕捉局部边界与范围变化。在五个医学终点及 BSDS 数据集上验证了其在保持区域分组的同时提升对未见过标注的覆盖能力,并产生更多有用的独立掩码。

    推荐理由:提出语义 - 空间残差银行方法,在单标注约束下提升多假设分割的覆盖度与结构保持能力。

  19. arXiv · 机器人与计算机视觉49

    WebOverlay:基于蒸馏的高吞吐纯视觉网页覆盖物检测模型

    WebOverlay 是一款通过前沿视觉语言教师蒸馏训练的高吞吐纯视觉检测器,采用动态分块策略与宽高比感知边界裁决机制解决极端长宽比渲染难题。该模型摒弃 DOM 解析依赖纯视觉线索,在保持与重型专有 MLLM 基线相当精度的同时,实现多数量级更高的吞吐量并大幅降低部署成本。

  20. arXiv · 机器人与计算机视觉45

    AquaProbe:高效适配冻结视觉模型以应对水下图像挑战

    AquaProbe 通过测量域偏移分布并分配固定 LoRA 预算,使比例化 LoRA 秩分配的分割 mIoU 达 70.1,优于均匀分配方案 1.9 个点且参数同为 59 万。该方法的三路路由器在标准 SUIM 划分上实现 70.6 mIoU,在保留退化测试集 AUDRC 上达到 63.4。研究利用成对清洁与物理渲染图像分离新增分歧,解决了水下浑浊与波长衰减导致的感知可靠性问题。

  21. arXiv · 机器人与计算机视觉44

    Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation 方法提升检测性能

    SAILS 方法通过整合空间图谱统计加权交叉熵损失,在无需推理时注册的情况下提升了全身 PSMA PET/CT 前列腺转移灶的 Dice 系数与漏诊体积。该方法在 AutoPET~III 数据集上将整体 Dice 从 0.520 提升至 0.531,并在 Deep-PSMA 外部数据集中额外检出 126 个病灶,但伴随假阳性体积增加。研究验证了该策略在高危骨骼区域的有效性,相关代码与论文已开源。

  22. 智东西 · 机器人68

    北京物理AI基础设施公司简智机器人获超6亿元融资并发布新品计划

    北京数据与评测基础设施公司简智机器人宣布完成新一轮1亿美元(约合人民币6.65亿元)融资,投资方包括上汽集团、百度集团等产业资本及光合创投等财务方。该公司专注于多模态数据采集与治理技术,推出了Gen DAS Dex采集终端,该产品采用仿生轻量化外骨骼,支持人手23个自由度检测,指尖搭载灵敏度达0.05N的高精度磁触觉传感,手背配置150°超广视角摄像头以记录手部抓取操作全过程。

  23. 盖世汽车 · 汽车资讯65

    简智机器人完成1亿美元A+轮融资,专注具身智能数据采集

    简智机器人宣布完成1亿美元A+轮融资,由上汽、百度等产业资本参与。公司不造机器人,而是通过自研Gen DAS可穿戴设备(累计订单破万台)和Data Foundation Model构建数据基础设施,将人类操作动作转化为模型训练数据。单季有效数据交付量已达百万小时,团队核心成员来自自动驾驶领域,旨在解决具身智能训练数据稀缺问题。

11月1日周日
10月30日周五
  1. arXiv · 机器人与计算机视觉5

    Robust, Estimator-Agnostic Dynamic 3DGS Compression 方法实现无需运动模型或训练知识,在六个 N3DV 序列上平均将静态编码器 BD-rate 降低 42.0% 至 71.8%,项目代码已开放。

    Robust, Estimator-Agnostic Dynamic 3DGS Compression 方法通过拼接帧组并利用空间冗余,在无需运动模型或训练知识的情况下实现鲁棒压缩。该方法在六个 N3DV 序列上平均使静态编码器 BD-rate 降低 42.0% 至 71.8%,未追踪集合表现与逐帧编码持平。项目代码已开放,论文已提交至 IEEE ICASSP 2027。

  2. arXiv · 机器人与计算机视觉7

    SimSiam 与 SimCLR 视网膜眼底分类自监督学习研究

    针对标注稀缺问题,研究对比了 SimSiam 和 SimCLR 在视网膜眼底分类中的表现。基于 ResNet-18 预训练的 SimSiam 结合局部均值减法和 CLAHE 增强后,在 RetinaMNIST 任务上微调准确率较 ImageNet 监督基线提升 3.0 个百分点,但在 EDID 数据集上仅持平。研究结论表明视网膜特异性增强对自监督方法的效果帮助不一致,需按具体任务和框架验证。

  3. arXiv · 机器人与计算机视觉72

    Ego-OSCAR:开源低成本双目头显采集系统与 550 小时语料发布

    作者发布了 Ego-OSCAR,这是一个基于商品化零件和 3D 打印的低成本(约 200 美元)开源头显采集平台。系统集成了硬件同步的全局快门双目相机与 6 轴 IMU,通过嵌入式 Linux SBC 进行端侧编码,并利用微控制器实现亚毫秒级时钟域桥接与故障监控。

  4. arXiv · 机器人与计算机视觉68

    SEAMS:通过 MSE-保持软掩码实现充分性显著性分析

    arXiv 论文 SEAMS 介绍了一种基于充分性的显著性方法,直接利用冻结的可微模型输出(如类别概率或嵌入)优化软掩码以保留选定结果。该方法无需辅助干扰数据集或特定架构归因机制,仅需查询图像即可生成紧凑、可解释且跨随机初始化稳定的掩码。

  5. arXiv · 机器人与计算机视觉35

    Differential Unfolding:视频快照压缩成像的高效重建框架

    针对现有深度展开网络在视频快照压缩成像中计算冗余的问题,Differential Unfolding(DU)提出异质化框架,通过稀疏的高参数阶段与轻量差分阶段交替优化。实验显示 DU-9stg 达到最先进重建质量,而参数量更少的 DU-5stg 在所有对比方法中拥有最少参数和 FLOPs。相比展开方法 DADUN,DU-9stg 仅需约一半参数和四分之一 FLOPs,显著降低计算成本。

  6. arXiv · 机器人与计算机视觉68

    VisHarness:学习驾驭异构专家进行多轮视觉推理

    VisHarness 是一个可训练的视觉智能体,旨在解决现有专用视觉模型难以兼顾复杂语言理解与小物体感知的问题。该工作提出将高层感知、推理与决策同底层任务执行解耦,通过轻量训练让 VisHarness 学会调度一组精心设计的异构视觉专家,从而在多样化场景中完成基础视觉任务。

  7. arXiv · 机器人与计算机视觉72

    AnyMo:基于掩码建模的任意模态条件动作生成规模化方法

    针对现有方法受限于固定模态配置和任务特定架构的问题,本文引入 OmniHuMo 大规模高质量数据集(超 5000 小时动作及 320 万序列),并提出 AnyMo 统一多模态框架。该框架结合基于残差 FSQ 的动作分词器与可扩展掩码建模 Transformer,支持任意模态组合下的高保真动作合成及空间、风格属性的灵活控制。