跳到正文
10月30日周五
  1. arXiv · 机器人与计算机视觉72

    MedCore:一种保留边界的医学核心剪枝方法

    针对医学分割基础模型图像编码器过大及压缩易损边界的问题,作者提出了 MedCore 结构化剪枝框架。该方法通过双重干预评分识别适应过程中的重要结构,利用边界感知 Fisher 估计筛选高边界杠杆率的结构,并引入边界杠杆原理解释 Dice 保持而边界指标下降的现象。

  2. arXiv · 机器人与计算机视觉48

    安全关键激光雷达惯性里程计:基于流形确定性保护水平的新方法

    针对现有机器人概率导航系统缺乏在线安全评估保护水平的问题,研究提出一种基于新型流形集合成员滤波器的安全关键激光雷达 - 惯性里程计(LIO)。该系统利用点云噪声与估计不确定性的闭式关系,设计了流形椭球体集合成员滤波器(OM-ESMF),为下游自主操作提供确定性的位置可行集作为安全参考。实验结果表明,该方法能为多种机器人在不同环境中提供有效的确定性在线安全参考。

  3. arXiv · 机器人与计算机视觉82

    Gen-Searcher:首个搜索增强的图像生成智能体

    针对现有图像生成模型缺乏实时知识与多跳推理能力的局限,本文首次训练了具备搜索能力的图像生成智能体 Gen-Searcher。研究构建了专用数据管道与两个高质量数据集(Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k),并引入 KnowGen 基准以评测搜索 grounded 的外部知识能力。

    推荐理由:作者提出首个搜索增强型图像生成智能体,开源数据集与基准评测,为知识密集型场景提供新方案。

  4. arXiv · 机器人与计算机视觉49

    TAU-R1:面向交通异常理解的视觉语言模型

    TAU-R1 是专为交通异常理解设计的两层视觉语言框架,通过分解问答增强微调与 TAU-GRPO 后训练策略实现高效部署。该模型在基于印第安纳州卡梅尔市环岛视频构建的 Roundabout-TAU 数据集上,显著提升了异常分类与事件摘要推理性能。相关代码及数据已开源,预印本论文发布于 arXiv。

  5. arXiv · 机器人与计算机视觉38

    VETime:首个统一时序与视觉模态的零样本时间序列异常检测框架

    VETime 是首个通过细粒度视觉 - 时序对齐与动态融合,解决一维模型缺乏全局视角及二维模型时序信息瓶颈的零样本时间序列异常检测框架。该工作引入可逆图像转换、补丁级时序对齐模块及任务自适应多模态融合机制,在无需微调场景下显著超越最先进模型并降低计算开销。代码已开源,相关论文为 arXiv 预印本(arXiv:2602.16681)。

  6. arXiv · 机器人与计算机视觉65

    X2HDR:在感知均匀空间中实现高动态范围图像生成

    针对现有扩散模型难以直接生成高动态范围(HDR)图像的难题,本文提出 X2HDR 方法。核心思路是将 HDR 输入转换为感知均匀的编码格式(如 PU21),冻结变分自编码器并仅通过低秩适应微调去噪器。实验表明,该方法在无需从头训练的情况下,显著提升了感知保真度、图文对齐及有效动态范围,支持文本生成与 RAW 转 HDR 重建两种任务。

  7. arXiv · 机器人与计算机视觉38

    VLMs 驱动的高效多样性输入选择方法提升 DNN 微调效率

    Concept-Based Diversity (CBD) 利用视觉语言模型提出高效图像输入多样性指标,计算量仅为几何多样性指标的少量部分。该方法结合 Margin 不确定性构建混合选择策略,在 ImageNet 等大规模数据集上显著优于六种最先进基线且保持接近简单方法的耗时。研究证实该方案能有效指导 DNN 微调以改善性能,适用于重复性广泛的输入选择场景。

  8. arXiv · 机器人与计算机视觉72

    Stochastic Interpolants via Conditional Dependent Coupling

    针对现有图像生成模型在计算成本与保真度间的权衡难题,本文提出一种基于随机插值形式化与条件依赖耦合策略的统一多阶段生成框架。该方法将生成过程分解为多个阶段的插值轨迹,确保分布学习准确并支持端到端优化;整个流程建模为单一统一的扩散 Transformer,消除了模块割裂问题并促进知识共享。

  9. arXiv · 机器人与计算机视觉65

    Disentangling Latent Embeddings with Sparse Linear Concept Cones (SLiCC)

    该论文提出稀疏线性概念锥(SLiCC)方法,旨在将预训练视觉模型的潜空间嵌入分解为多个特定于概念的成分。研究通过监督字典学习估计线性合成模型,利用多标签信息引导组活动,并在 CLIP 和 DINOv2 等模型上验证了其在细粒度图像检索、概念删除与重组以及条件图像生成方面的能力。材料仅包含预印本论文内容,未涉及真实机器人部署或产品发布。

  10. arXiv · 机器人与计算机视觉62

    Inverse-and-Edit:一种用于快速图像编辑的简单有效框架

    针对加速扩散模型文本引导编辑中逆推不可靠、误差累积及迁移性差的问题,本文提出 Inverse-and-Edit 通用框架。该方法直接最小化整个轨迹的全局编辑目标,仅通过两个轻量级 LoRA 适配器微调基座模型 1.5%-7% 的参数,在 HQ-Edit 数据集上训练少于 10K 个三元组。

  11. arXiv · 机器人与计算机视觉58

    RAID:用于测试AI生成图像检测器对抗鲁棒性的数据集发布

    针对AI生成图像难以被可靠区分且易受对抗攻击的问题,作者发布了RAID数据集,包含21.6万张基于四种文生图模型生成并经七种主流检测器优化后的对抗样本。该数据集支持PGD、APGD和CWA三种攻击分片,并提供了评估代码,旨在为AI生成图像检测器的最坏情况鲁棒性提供实用的筛选基准。

  12. arXiv · 机器人与计算机视觉72

    AdalReID:面向终身行人重识别的自动选择知识适配器

    该论文提出了 AdalReID 框架,旨在解决传统行人重识别(ReID)在跨时间、跨地点数据集上持续学习时面临的灾难性遗忘问题。方法采用增量构建领域特定知识适配器,并结合参数无关的自动选择机制,根据输入集与适配器的知识相似度动态选择并融合适配器以增强泛化能力。

  13. arXiv · 机器人与计算机视觉48

    Logit PSV 无需权重扰动即可复现神经厚丛增益并提升视觉域适应

    Logit PSV 方法在冻结模型前提下,通过输出多样性、验证集选择与投票机制,在不依赖权重空间几何解释的情况下复现了神经厚丛带来的推理性能提升。该方法在地球观测等视觉域偏移场景下显著优于全权重扰动策略,实现了语言与视觉任务中简单且无需训练的替代方案。

  14. arXiv · 机器人与计算机视觉63

    VeriCUA:作为智能体探索的计算机使用代理验证

    arXiv 预印本介绍 VeriCUA,这是一个跨平台的通用验证框架,旨在解决计算机使用代理(CUAs)在桌面、移动和 Web 环境中的任务完成验证难题。该方法将验证视为动态证据收集与评估过程,先构建任务评分标准,再选择 GUI 或代码检查以补充缺失信息,从而减少因视图受限导致的误判。实验显示其在离线难例和在线拒绝虚假完成声明方面优于基线方法。

  15. arXiv · 机器人与计算机视觉78

    联邦训练是否降低可解释性?集中式与联邦式深度伪造检测的 Grad-CAM 忠实度对比分析

    该论文系统研究了联邦学习对深度伪造检测模型解释性的影响。研究在 FaceForensics++ 数据集上评估 EfficientNet-B4 检测器,发现联邦模型的解释质量与数据异质性呈非单调关系:在接近独立同分布及中等异质条件下,联邦模型的解释忠实度不低于集中式基线;但在极端异质性下,解释完全失效且因果误导。研究提供了识别安全部署边界的实用指导,并开放了代码与数据分区以供复现。

    推荐理由:研究揭示联邦学习在深度伪造检测中解释性随数据异质性呈现非单调变化,极端异质下梯度解释失效。

  16. arXiv · 机器人与计算机视觉78

    用 JEPAs 证明并改进柏拉图表示假设

    Randall Balestriero 和 Yann LeCun 提出柏拉图表示定理,证明联合嵌入预测架构(JEPAs)在良视条件下学习到的表示收敛于同一空间。

    推荐理由:该工作将多模态对齐猜想转化为定理,证明 JEPAs 在良视条件下收敛于同一表示,并揭示语言模型仅靠规模对齐的机制。

  17. arXiv · 机器人与计算机视觉78

    一种评估多输出结构化预测指标的新方法:基于任务不变性的框架

    该论文针对多输出结构化预测中仅有一个真值标签但存在多个有效输出的评估难题,提出利用人类隐含使用的任务特定不变性(如图像边界或命名实体)作为诊断工具。研究通过引入增强损失函数鼓励模型输出符合这些不变性,实验表明这能显著提升分布型指标的可靠性,而传统指标变化不大。

    推荐理由:该文提出利用任务特定不变性评估多输出结构化预测指标,发现增强损失可显著提升分布型指标可靠性。

  18. arXiv · 机器人与计算机视觉12

    Fed-IGTD:一种基于联邦学习的表格到图像编码框架

    Fed-IGTD 提出了一种水平联邦学习框架,客户端仅共享局部统计量以在保护隐私的前提下训练卷积神经网络。该方法在五个数据集上经非独立同分布严重度与隐私预算系统扫描验证,差分隐私机制对映射构建影响甚微,但小样本下会显著降低效用。消融研究表明性能下降主要由注入噪声驱动,宏观 F1 指标在非独立同分布异质性与类别不平衡下比准确率更敏感。

  19. arXiv · 机器人与计算机视觉42

    Learning Without Clocks:提出分区不变神经网络与无时钟事件层

    该研究提出分区不变神经网络,证明其输出独立于异步事件的切片顺序且对时间戳连续。构建的无时钟事件(CFE)层在 DVS128 Gesture、SHD 及 Speech Commands 数据集上分别比同类加法状态提升 3.5-9.1、24.5 和 30.6 分,并附带预注册的抗时钟鲁棒性协议。

  20. arXiv · 机器人与计算机视觉48

    面向互信息估计的多样化综合基准测试框架发布

    针对现有基准仅在简化低维分布评估的问题,该研究提出基于统一 Copula 理论的框架,涵盖合成数据与真实图像两类测试集。实验表明非参数、判别式及生成式三类估计器在不同设置下各有优势,无通用最优解。开源代码已公开,相关论文预印本发布于 arXiv。

  21. arXiv · 机器人与计算机视觉48

    MetaRefine:多特征级分数修正架构提升图像评估性能

    MetaRefine 是一种元数据感知的分数修正架构,在不改变原有评分流程的前提下,结合几何信息与冻结模型原始分进行优化。该架构在 21 个数据集的 100 种配置中,使 PLCC 和 SRCC 平均相对增益分别达 7.55% 与 7.10%,MAE 和 RMSE 平均降幅分别为 23.27% 与 21.93%,且参数开销中位数为 1.11%。

  22. arXiv · 机器人与计算机视觉38

    AVPS-360:首个融合空间音频与视觉的实例分割基准

    AVPS-360 是一个基于 STARSS23 构建的空间视听基准,包含 230 段共 10.5 小时的录音视频数据及 31,678 个人工标注掩码。该基准利用一阶 Ambisonics 音频与同步 360°视频,解决了单声道缺乏空间线索导致的声音源区分难题。实验表明,现有视听实例分割方法在长时断续发声场景下表现不佳,而提出的基线模型显著提升了检测与身份关联性能。

  23. arXiv · 机器人与计算机视觉56

    InfantNet:首个大规模婴儿姿态与形变估计数据集

    InfantNet 是一个包含 108,902 张 6-18 个月龄婴儿 RGB 图像的大规模数据集,其中 11,642 张图像附带经过多视图渲染验证的 3D 姿态与 SMIL 形变参数。该工作证明成人姿态估计器无法直接迁移至婴儿,而在 InfantNet 上微调可显著提升性能,特别是在 3D 姿态与形变恢复任务中达到与 SMPL 模型相当的效果。

  24. arXiv · 机器人与计算机视觉18

    Soil Moisture Distillation 知识蒸馏框架提升精准农业土壤湿度估算精度

    Soil Moisture Distillation(SMD)提出一种基于知识蒸馏的多模态学习框架,利用单模态教师模型增强土壤湿度预测。该方法在作物图像任务上相比最先进基线将平均绝对百分比误差(MAPE)降低 1.2%,在土壤斑块任务上降低 2%。研究证实作物图像比土壤斑块提供更优的视觉线索,有效结合气象与视觉数据提升了精准农业灌溉策略制定的准确性。

  25. arXiv · 机器人与计算机视觉45

    EpiCoach:基于可穿戴数据的个体化生理代理贝叶斯实验设计系统发布

    EpiCoach 系统将一名越野山地车运动员作为可审计的 N-of-1 科学主体,利用心率、GPS 及气压数据构建机械式数字孪生以预测未来表现。系统在十八个月数据上评估显示,滚动原点回放基准中该孪生模型在预测心率方面优于标准预报器但未能超越分段时间预测;实时前瞻阶段前三周账本封存 20 个预测并评分 14 个,安全官否决了两次建议。

  26. arXiv · 机器人与计算机视觉78

    RoboAtom:大规模原子动作监督用于机器人学习

    针对现有机器人数据集缺乏细粒度子任务标注且格式不统一的问题,该工作提出 RoboAtom-Data,为多源数据添加统一的、时间对齐的原子动作标注,涵盖 145 万条轨迹和 688 万个技能标记片段。

    推荐理由:该工作提出 RoboAtom-Data,为多源机器人数据提供统一原子动作标注与基准,并证明其能提升技能识别精度及分层执行的任务成功率。

  27. arXiv · 机器人与计算机视觉58

    Video Generation Meets Agent Harness:代理视频生成、代理世界建模与递归自我改进

    该论文提出 Agent Harness 作为可执行运行时环境,用于构建上下文、暴露工具并管理状态以协调视频模型。报告重点探讨了三大方向:一是代理视频生成,涵盖脚本编写、镜头规划及编辑的评估挑战;二是代理世界建模,利用游戏引擎或程序维护世界状态,结合视频模型渲染观测,实现双向评价与改进;三是递归自我改进(RSI),区分输出修订、参数更新及改进流程本身的迭代。

  28. arXiv · 机器人与计算机视觉58

    超越 CCT:面向单帧相机的多通道 SPD 恢复与色彩校正

    针对现有相机通过 CCT 标量简化光照 SPD 导致无法区分同色异谱光源的局限,本文提出利用多通道环境光传感器(ALS)结合非负最小二乘法直接恢复光谱功率分布(SPD),并据此拟合每帧最优 CCM。在合成基准与真实测量数据上,该方法将平均角度误差从 1.89 度降至 1.20 度,且在离普朗克曲线光源组别中尾部误差降低 1.7 倍,验证了其在复杂光照下的有效性。

  29. arXiv · 机器人与计算机视觉35

    NeurEO:用计算神经科学解析 AlphaEarth 地球观测嵌入特征

    NeurEO 项目借用计算神经科学方法,分析 AlphaEarth 嵌入特征作为独立数据及与地表覆盖、高程相关的刺激响应结构。研究揭示了嵌入对“南北林地边缘”等特定方向的调谐能力,并在去除主要趋势后发现了细粒度表征细节。该工作旨在解析地球观测嵌入的语义含义,为开发可信的下游地理空间应用奠定基础。

  30. arXiv · 机器人与计算机视觉78

    Don't Risk It!: Trajectory-Conditioned Distributional Risk for LiDAR-Only Crowd Navigation

    arXiv 论文提出 Don't Risk It Planner (DRIP),这是一个端到端的仅 LiDAR 规划框架,将占用预测与轨迹条件清除及不确定性估计相结合。

    推荐理由:提出仅用 LiDAR 的 DRIP 规划器,通过轨迹条件分布风险评估碰撞概率,在密集人群导航中相比基线减少冻结并提升成功率。

  31. arXiv · 机器人与计算机视觉58

    UniRA:统一表征对齐与自动编码的高效扩散生成方法

    针对扩散 Transformer 训练慢、成本高问题,本文提出 UniRA 框架,通过联合优化表征空间分词器、扩散主干网络与外部表征模型,实现生成与理解能力的共同提升。实验显示该方法在 ImageNet 256*256及512*512分辨率下,FID指标优于或持平SD3等最先进方法,同时训练步数减少最多5倍。论文已提交至ICML2027,arXiv预印本版本发布于2026年10月29日。

  32. arXiv · 机器人与计算机视觉76

    SIFR:面向域泛化的语义分割光谱不变融合与细化方法

    针对域泛化语义分割任务中难以兼顾抑制域敏感干扰与保留细粒度空间线索的挑战,本文提出 SIFR 框架。该方法利用频域建模统一调节异构先验交互与密集解码器细化,通过光谱引导的不变融合过滤域敏感响应并保留互补信息,同时引入基于低频统计归一化的解码器细化模块以稳定多尺度特征。在合成到真实、真实到真实及恶劣天气等多个基准上的实验表明,SIFR 显著优于现有最先进方法。

    推荐理由:提出基于频域的双流框架 SIFR,在无需目标域数据条件下提升语义分割的泛化性与精度。