跳到正文
11月4日周三
  1. arXiv · 机器人与计算机视觉74

    预训练视觉地点识别模型的锚定秩对抗微调

    针对当前基础模型在视觉地点识别任务中面对白盒攻击时鲁棒性不足的问题,本文提出锚定秩对抗微调方法。该方法通过冻结预训练模型描述符并引入锚点,利用列表级秩损失对最困难正样本进行微调。实验表明,在固定的干净准确率预算内,该方法将 SuperVLAD 和 BoQ 的鲁棒召回率从 0 分别提升至 47.3% 和 55.3%,且无需重新调优即可迁移至不同模型。

  2. arXiv · 机器人与计算机视觉82

    超越可见性:基于稀疏 LiDAR 的实时表面可达性场

    本文提出一种名为 Accessibility Field 的方法,利用流式稀疏 LiDAR 数据实时更新每一点的表面物理可达性标签。该方法通过 GPU 评估预计算的工具体积核与不同接近姿态下的碰撞情况,无需先验场景模型即可在工作站和 Jetson Orin 边缘设备上实时运行。

    推荐理由:提出基于稀疏 LiDAR 的实时表面可达性场方法,在合成基准上 F1 达 90.8%,能区分可见但不可触及的表面。

  3. arXiv · 机器人与计算机视觉70

    SceneScaffold:面向统一 3D 场景理解的主动场景状态构建框架

    针对现有 3D 多模态大模型依赖视觉瓶颈导致空间组织信息丢失的问题,论文提出 SceneScaffold 框架,将被动特征压缩重构为主动场景组织者。该框架在语言推理前构建角色感知的空间支架,将超点级视觉证据组织为实体状态、场景帧状态、关系状态和全局摘要四类组件,分别保留核心语义、维护空间参考、编码交互线索并提供紧凑上下文。

  4. arXiv · 机器人与计算机视觉72

    基于身份一致分析的长镜头风帆冲浪视频:一种领域专用离线跟踪系统

    该论文介绍了一种用于处理长镜头风帆冲浪视频的离线分析系统,旨在为每位冲浪者生成独立的稳定相对视频。系统在 21 个手动重建的开发视频(含 41,004 条观测)上评估,实现了 0.957 的成对精度和 0.937 的 F1 值,优于 OC-SORT 和 BoT-SORT。

  5. arXiv · 机器人与计算机视觉78

    仅凭位置比较轨迹:基于曲率的时间对齐与漂移误差度量

    针对机器人领域缺乏高精度参考轨迹且现有评估工具依赖未公开假设的问题,本文提出一种标准化的轨迹评估协议。该方法结合基于曲率信号的新型时间对齐技术与按行进距离归一化的误差指标,显式量化了时间同步、采样对齐及外参校准的影响,旨在提升状态估计与 SLAM 评估的严谨性与可复现性。

    推荐理由:提出基于曲率信号的时间对齐与归一化误差指标,解决状态估计评估中假设不明导致的误导问题。

  6. arXiv · 机器人与计算机视觉12

    Diffusion models for eye-gaze trajectory generation using position and velocity representations

    针对眼动数据收集昂贵且隐私受限的问题,研究利用扩散模型在位置与速度表示上生成无条件眼动轨迹。基于 28 名参与者的视觉搜索任务,位置模型平均 Jensen-Shannon 发散度为$0.016 \pm 0.004$,优于速度模型的$0.037 \pm 0.002$及运动学马尔可夫基线。该预印本提供定量参考测量并揭示评估选择对生成结论的影响。

  7. arXiv · 机器人与计算机视觉20

    大深度神经网络提升合成孔径声呐图像自动目标识别性能

    研究利用双下降现象,在合成孔径声呐(SAS)小数据集上训练高容量深度神经网络,显著优于近期基线模型。通过预训练、数据增强及 DropPath 等正则化策略独立提升了大模型效果,且增加模型容量从未有害。该工作采用留一地理位置交叉验证评估,证实了高容量架构在声呐自动目标识别任务中的有效性。

  8. arXiv · 机器人与计算机视觉78

    More Accurate, Less Human: Gestalt Grouping in Vision Models

    该研究引入行为测试电池,基于四项格式塔分组任务(标记颜色异类、颜色序列计数、轮廓识别、物体异类)对人类感知数据进行评分。作者对 45 个模型进行了评估,发现封闭基座模型在人类对齐度上显著低于其基准准确率所暗示的水平。该工作为可视化研究提供了无需新用户研究的复用标尺,用于审计进入流程的视觉模型是否按人类观众的方式组织视觉内容。

    推荐理由:提出行为测试电池,用人类感知数据评估视觉模型在格式塔分组任务上的对齐度。

  9. arXiv · 机器人与计算机视觉72

    You Only Flow Once:一种用于实时雷达姿态估计的校准多假设归一化流方法

    针对稀疏噪声毫米波雷达点云对应多种合理人体姿态的问题,现有确定性方法无法处理歧义而扩散模型计算成本高且缺乏校准不确定性。本文提出 Multi-Hypothesis Normalizing Flow Pose Generator (MH-NFPG),利用时空 Transformer 骨干网络与归一化流结合,通过单次前向并行生成拉普拉斯基础分布到表达性后验的变换。

  10. arXiv · 机器人与计算机视觉62

    StatLUT:基于统计特征的三维查找表生成方法用于照片级风格迁移

    该论文提出了 StatLUT 框架,旨在解决现有深度学习方法在照片级风格迁移中存在的语义纠缠、色彩断层及缺乏文本控制等问题。该方法通过 Lab-Extractor 提取空间无关的统计特征以解耦颜色分布与结构语义,利用基于 Transformer 的 Seq2Seq 任务生成拓扑平滑的三维查找表,并引入轻量级扩散模型直接从描述色调的文本提示合成统计特征。

  11. arXiv · 机器人与计算机视觉68

    TrajLoc:面向多物体运动控制的轨迹注意力定位方法

    TrajLoc 提出了一种在图像到视频(I2V)生成中控制多物体运动的轨迹注意力定位方法。该方法通过在注意力层将每个物体的交叉注意力权重替换为以目标位置为中心的 Gaussian 热力图,严格隔离实例并施加空间约束,同时利用第一帧外观编码保持身份。

  12. arXiv · 机器人与计算机视觉67

    DPPE:重新思考基于摄像头的位姿编码以支持多视图 Transformer 扩展

    论文指出在新型视图合成模型中扩大基于摄像头的位姿编码会导致训练后期性能停滞,原因是旋转与平移信息混在同一维度造成识别不确定性。作者提出解耦位姿位置编码(DPPE),将旋转和平移显式分离。实验表明该方法支持长期稳定训练,并在增加视点数量和缩放场景等外推设置下表现更优。代码已开源。

  13. arXiv · 机器人与计算机视觉72

    WildBox:非洲稀树草原野生动物空中单目三维检测数据集与基准

    作者发布了 WildBox 数据集和基准,包含 237,505 个跨越七种物种的三维边界框标注。评测显示,尽管二维基础模型在零样本定位中表现尚可,但所有架构在零样本三维检测任务上均归零;微调后性能恢复至约 8.68 [email protected],且深度贡献了超过 99% 的归一化豪斯多夫距离。研究提出了一种从粗到细的课程学习策略以优化斑马亚类的表现,并公开了视频级划分与基线检查点。

  14. arXiv · 机器人与计算机视觉63

    αDepth:学习场景级软边界分解以实现立体转换

    针对立体转换中前景背景在软边界(如头发、散景)处混合导致的深度对应歧义问题,本文提出αDepth分层表示方法。该方法通过估计软边界的分层颜色与深度值解决混合模糊,并设计圆形 Alpha 表示(CAR)将全局目标提取范式转变为局部边界分解,支持复杂多目标场景的高效推理且无需人工引导。评估显示其在消除背景溢出和结构畸变方面达到最先进水平。

  15. arXiv · 机器人与计算机视觉58

    COCOTree:面向开放树状结构视觉分解的数据集与基准

    本文正式定义并推动开放树状分解任务,提供包含超 2.1 万图像和 180 万个结构节点的 COCOTree 基准数据集。该工作通过结合大视觉语言模型的语义推理与 SAM 3 的几何定位,构建了全自动标注管线以克服人工瓶颈,支持超过 3500 个唯一标签的开放词汇空间并覆盖长尾复杂物理装配。

  16. arXiv · 机器人与计算机视觉8

    H2G:基于双曲亲和场的分层三维场景分组方法

    H2G 提出一种无需语义标签的双层三维场景分组方法,将二维基础模型线索转化为适合树状结构的洛伦兹双曲特征场。该方法通过 Dasgupta 目标蒸馏层级监督,在单一特征空间同时表示细粒度分配与粗粒度结构。代码已开源,预印本发布于 arXiv:2605.11967v2。

  17. arXiv · 机器人与计算机视觉65

    IMPOSE:一种保持身份一致的无接触指纹多姿态生成方法

    针对无接触指纹识别中因手指自由姿态导致的几何失真问题,该研究提出 IMPOSE 框架,利用潜在扩散模型生成卷曲指纹身份,并通过 Sauvola 局部自适应二值化引导跨模态翻译,结合三维手指模型纹理映射与投影实现物理驱动的多姿态模拟。

  18. arXiv · 机器人与计算机视觉62

    RAIL-BENCH:首个面向铁路领域的感知基准套件发布

    RAIL-BENCH 是首个专为铁路自动化运营设计的感知基准套件,包含轨道检测、目标检测、植被分割、多目标跟踪和单目视觉里程计五大挑战及对应数据集与公开排行榜。论文重点介绍了 LineAP 指标,该指标通过解耦几何精度与实例分组并引入基于轨距的距离阈值,解决了现有线检测指标在铁路场景下的局限性。

  19. arXiv · 机器人与计算机视觉48

    HumanScore:生成视频人体动作质量基准评测

    HumanScore 提出评估生成视频中人体动作质量的系统框架,定义运动学合理性等六项可解释指标。该基准通过提示词激发多样化动作,对十三种最先进模型进行评测,揭示感知逼真度与生物力学保真度的差距并识别时序抖动等失效模式,产出基于物理意义的鲁棒排名。

  20. arXiv · 机器人与计算机视觉28

    AFINR:自适应局部频率滤波提升傅里叶编码隐式神经表示质量

    AFINR 提出一种空间自适应频率调节框架,通过离散余弦变换参数化控制场解决自然信号频域内容随位置变化的问题。在 Kodak 和 DIV2K 数据集上,结合 CAFE+ 解码器的 AFINR-CAFE+ 版本平均提升 3.95 dB(Kodak)和 3.50 dB(DIV2K)。消融研究验证了该框架在傅里叶分量使用上的位置依赖性优势。

  21. arXiv · 机器人与计算机视觉45

    TFusionOcc:基于 T-Primitive 的物体中心多传感器融合框架用于三维占用预测

    TFusionOcc 提出一种基于学生氏 t 分布 T-Primitive 的物体中心多传感器融合框架,通过可变形超二次曲面增强几何表示效率。在 nuScenes 数据集上该方法优于近期最先进方法,并在 nuScenes-C 和 SemanticKITTI 基准测试中展现出跨数据集适用性与鲁棒性。代码将于 arXiv 发布,相关论文版本为 v3。

  22. arXiv · 机器人与计算机视觉57

    WLC:一种启发于韦伯定律的低空图像融合局部对比度度量

    针对红外与可见光图像融合在复杂低光环境下的评估瓶颈,本文提出 Weber-Inspired Local Contrast (WLC) 指标。该指标基于韦伯定律将评价范式从全局统计分布转向局部语义对比,利用红外先验有效分离目标显著性与背景噪声。实验表明 WLC 在 DroneVehicle 数据集上对热目标具有高分辨能力且计算高效,可作为智能无人机系统的可靠实时标准。

  23. arXiv · 机器人与计算机视觉62

    BEVTraj:一种无需高精地图的多模态轨迹预测方法

    论文提出了 BEVTraj 框架,旨在解决自动驾驶中依赖高精地图进行轨迹预测的成本高、更新难问题。该方法直接利用原始多传感器数据构建鸟瞰图(BEV)特征,通过可变形注意力机制选择性聚合稀疏的空间上下文,并结合稀疏目标候选提议模块生成自适应的目标假设。实验在 nuScenes 和 Argoverse 2 Sensor 数据集上验证了其在无地图设置下的竞争力,代码已开源。

  24. arXiv · 机器人与计算机视觉18

    Label-Preserving Fourier Domain Adaptation 方法利用生成式 AI 与真实风格供体提升三维二尖瓣分割精度

    针对三维经食管超声心动图标注数据稀缺问题,研究提出保留标签的傅里叶域适应方法,利用 Chat-GPT、Google Gemini 和 Microsoft MAI 生成的无标注图像作为风格供体。实验基于 DeepMitral 模型在 MVSeg2023 数据集上验证,仅 MAI-FDA 相比真实数据基线显著提升广义 Dice 分数,证实生成式 AI 虽能提供风格多样性但非必然优于真实图像训练。

  25. arXiv · 机器人与计算机视觉27

    LIPS-PC:学习照明模式实现单像素分类

    针对单像素成像中测量成本高且存在辐射剂量的问题,LIPS-PC 方法通过端到端学习照明模式并联合训练修正器与分类器,在无需重建目标的情况下直接输出类别标签。该方法在 MNIST、Fashion-MNIST 及 RIAWELC 数据集上评估显示,当采样数 M=8(占比低于 1%)时,其准确率比最佳固定变换高出 9-15 个百分点,且达到同等精度仅需约 2 至 4 倍的测量次数。

  26. arXiv · 机器人与计算机视觉20

    稀疏视角三维冠状动脉重建:基于扩散先验的框架

    针对稀疏血管分割带来的几何模糊,该研究提出结合学习到的 3D 扩散先验、视觉包络初始化及投影数据一致性的重建框架。在 ImageCAS CT 衍生的模拟造影图像上,该方法在两至八视角下均优于视觉包络、深度图像先验等基线,八视角低对比度时 Dice 提升约 0.13。尽管临床验证尚需进行,但平均随机重建进一步提升了精度并定位了误差区域。

  27. arXiv · 机器人与计算机视觉78

    TAQ-MOTR:面向端到端多目标跟踪的跟踪感知检测查询生成方法

    针对现有跟踪即传播(TBP)方法在检测与身份关联耦合下易漏检或关联失败的局限,本文提出 TAQ-MOTR 框架。该方法通过预解码器混合查询生成器融合图像特征、轨迹记忆与可学习记忆,使检测查询适应当前未跟踪目标的发现及被遮挡目标的补充证据需求;同时引入仅用于训练的辅助检测分支以增强监督。

    推荐理由:提出跟踪感知检测查询生成框架,解决多目标跟踪中漏检与关联失败问题。

  28. arXiv · 机器人与计算机视觉72

    基于不完整移动和航空 LiDAR 数据的输电线路鲁棒重建

    针对移动和航空 LiDAR 点云中导线稀疏、噪声及植被遮挡问题,提出一种结合密度聚类、多项式拟合与碎片合并的自动化重建方法。该方法经语义分类后无需模态特定调参即可处理两类数据。在航空数据集上实现 96.87% 精度与 0.127m 几何 RMSE;在缺乏导线级标注的移动数据集上,点云到模型 RMSE 为 0.045m,重建覆盖率达 95.27%。源代码、文档及评估数据已公开。

  29. arXiv · 机器人与计算机视觉18

    基于 TLS 点云高斯分解与重叠度指标表征燃料层垂直连续性

    研究利用地面激光扫描(TLS)点云对 25 个永久林地进行高斯分解,以连续方式量化灌木至树冠层的几何垂直连通性。多尺度分析显示,3-6 米单元在空间细节与交互模式表征间取得平衡,中位数皮尔逊相关系数介于 0.83 至 0.96。该方法克服了离散分类系统的局限,为提升梯级燃料刻画及野火风险评估决策提供支持。

  30. arXiv · 机器人与计算机视觉78

    稀疏锚点用于变化环境中的视觉多会话配准

    该研究针对重复机器人监测中环境变化导致视觉内容减少或结构重复的问题,提出一种结合稀疏可靠绝对姿态约束与会内相对姿态信息的配准方法。通过视觉地物识别、局部特征匹配及几何验证估计对齐假设,利用序列共识保留一致的姿态作为绝对锚点,再经高斯特征场优化与稳健位姿图优化完成完整轨迹注册。

    推荐理由:论文提出稀疏锚点方法,在环境变化下实现跨会话轨迹注册,在 HILTI26 数据集上优于独立定位与 SfM 直接配准。

  31. arXiv · 机器人与计算机视觉75

    通过神经伴随映射实现深度图像特征的流形嵌入以进行图像匹配

    针对现实世界图像中同类不同实例间的语义对应估计难题,本文提出利用 Galerkin 方法基于深度图像特征构建离散拉普拉斯 -贝尔特拉米算子以定义有意义的流形结构,并结合神经伴随映射表示非线性映射。该方法在多个稠密对应基准测试中达到了零样本图像匹配的新状态。代码已公开。

  32. arXiv · 机器人与计算机视觉72

    基于无展开世界模型的端到端自动驾驶轨迹评估方法

    针对现有候选轨迹评估器依赖高成本且易累积误差的未来状态展开(rollout)机制,本文提出 RFWorld 模型。该方法构建共享场景记忆并通过轻量级时序读出塑造未来可读表示,推理时直接查询记忆进行评分,显著降低计算量并避免递归误差。实验表明,RFWorld 在 NAVSIM 和 Bench2Drive 数据集上实现了更优的规划对齐与世界表征学习,达到最先进性能水平。

  33. arXiv · 机器人与计算机视觉83

    FloMo:将3D场景流作为世界动作模型的中间层以学习人类视频数据

    论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。

    推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。

  34. arXiv · 机器人与计算机视觉78

    Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action

    论文提出一种基于 3D 几何抽象的接口,将机器人场景的空间推理从原始图像转移到文本和符号上。该方法利用校准后的 RGB-D 数据对物体部件进行类型化和证据感知的符号引用,并在每次动作后返回包含度量残差的紧凑文本检查点。

    推荐理由:提出通过几何抽象将空间推理从图像转为符号,减少多模态查询并提升多步操作成功率。