GHySSeg:面向混合固态激光雷达的实时几何地面与道路分割
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
针对混合固态激光雷达数据与传统旋转式传感器结构差异导致现有算法失效的问题,作者提出 GHySSeg 方法。该方法通过追踪扫描曲线并读取高度步长与距离回折两个几何特征,无需训练且无需 GPU 即可实现地面与可行驶道路的实时分割。
论文介绍 ReSpaceBench 基准,包含 590 个合成与真实家庭场景及 3244 个问题,用于评测智能体在跨会话访问中的持久化空间理解能力。评估显示最强零样本模型整体准确率为 50.5%,远低于人类标注者的 90.1%;代理框架未带来额外提升。作者提供了 RS-30K 合成训练集,微调 Qwen3-VL-8B 可将准确率从 35.5% 提升至 60.4%。
针对直接物体交互需要精细控制的挑战,本文介绍了 LynnReal-Hand 这一手控视频世界模型,统一了精确的交互建模与高效的流式生成。团队整理了涵盖真实与合成环境的 10 万条交互片段,开发了手部感知监督以改善细粒度动作;利用因果流图实现少步生成,并结合区域感知分数蒸馏融合视频与图像先验来优化交互动力学和视觉外观。
推荐理由:该工作提出手控视频世界模型,通过因果流图与区域感知蒸馏提升交互精度,并开源数据集、权重及代码以支持相关研究。
该系统在现有 CPU 工业机上运行,无需 GPU,通过三分类检测器实时分析采摘蓝莓的成熟度。田间测试显示,系统对整箱可见蓝莓的整体成熟果实比例估算为 90.22%,与人工标注的 90.97% 相比,单图误差均值为 0.935 个百分点,皮尔逊相关系数达 0.967。所有现场事件均在每侧 14 秒的装箱间隔内处理完毕,为机械采摘过程中的选择性量化提供了实用手段。
针对权重分解方法因矩阵替换引入开销导致延迟降低困难的挑战,本文提出平衡双权重分解(BTWF)方法。该方法在共享基元设置下利用孪生层结构减少推理时间,并通过因子分量平衡与块贡献平衡优化性能。实验表明,BTWF 在六个模型九个基准测试中相比最先进方法提升 2-6%,无需昂贵的微调即可实现效率与性能的平衡。
针对多模态大模型在处理超高分辨率(UHR)遥感场景时,全局概览易丢失小物体细节而详细裁剪又消耗大量上下文的矛盾,该研究提出将检查的裁剪压缩为连续视觉潜变量序列作为紧凑记忆。
针对基于 CLIP 的分类增量学习(CIL)任务,现有方法仅利用全局表示而忽视了局部特征。本文提出 PACE 方法,通过识别关键视觉 patch 和文本 token 并进行跨模态融合来挖掘被忽视的局部表征。
针对机载激光扫描点云中电力线的分割与识别问题,研究对比了基于迁移学习的 Point-SAM 方法与规则法,并推导了用于三维悬链线的 RANSAC 数学公式。在法国 LiDAR HD 项目新发布的 PowLiDFR 数据集上验证显示,无监督迁移学习优于规则分割,且 RANSAC 算法在拟合悬链线形状方面表现更佳。该成果共 8 页含 10 幅图,已获 VISAPP 2027 录用并公开提供数据集下载。
该研究在四个公开数据集上对 75 名测试对象进行了受控评估,发现基于质量的加权融合使心率平均绝对误差较均等平均降低 10.9%、较预选最佳方法降低 15.6%,且与事后最优法无统计差异。然而呼吸率指标无法识别更准确的估计,加权反而增加误差,30 秒窗口虽改善估计但未提升融合效果。
MS-HVED 框架通过物理感知域随机化与高斯后验融合,在尼日利亚队列的盲审中于 210 对对比里以 187 次胜出监督基线。该模型在所有输入下整体质量评分达 5.93(基线 4.49),且即便缺少轴状或冠状面输入仍保持显著优势(p<.001)。代码已公开,研究涵盖计算机视觉与医学影像超分任务。
研究利用包含 9,000 张虚构肖像的 BALPORTRAITS 数据集,在广告选角框架下评估了 16 种视觉语言模型(VLM)的职业、品牌及金融产品关联偏见。结果显示多数成对群体差异具有统计显著性,证明单一场景或属性审计不足以全面检测隐性面部关联偏差。该工作已获 WACV 2027 接收,旨在建立更严格的控制协议以评估此类隐含偏见。
针对长视频理解中感知与推理上下文负担过重的问题,本文提出 VideoNexus 框架,将详细视频感知从证据驱动的规划与推理中解耦。该框架由规划器控制检查位置、分辨率及采样密度,感知子智能体在独立上下文中处理原生音视频并返回紧凑的时间锚定证据。
推荐理由:该框架通过分离感知与规划,在降低推理上下文负担的同时提升了长视频理解准确率。
针对 3D Gaussian Splatting 现有分割方法依赖渲染视图导致被遮挡或低贡献 Gaussians 监督不足的问题,提出 VODA 插件式监督目标。
推荐理由:提出 VODA 监督目标,利用局部深度结构直接监督被遮挡或贡献度低的 Gaussians,在 Removal-3D 基准上提升体积分割效果。
论文介绍 WeVisForensics,这是一个由主调查代理协调多个自进化法医子代理的框架,用于检测视觉和音频线索中的伪造痕迹。该方法采用双时间尺度策略优化,结合新构建的 ForenCue-30K 数据集进行监督与强化学习训练。实验显示该框架在跨域基准测试中平均检测准确率达 95.2%,比最强基线高出 9.0%。材料为 arXiv 预印本,未提及同行评审状态或具体部署情况。
论文介绍 ALIVE,一个支持主动监控、流式任务协调和反馈寻求交互的交互式流式视频模型。研究构建了包含 28.8 万样本的监督微调数据集(ALIVE-SFT-288K)和 3000 样本的强化学习数据集(ALIVE-RL-3K),采用对比监督微调与行为对齐信用分配强化学习进行两阶段训练,并提出了 FSI-Bench 评测基准。
推荐理由:提出 ALIVE 交互式流式视频模型,结合对比监督微调与行为对齐信用分配强化学习,在多项基准及新评测中表现领先。
针对机器视觉质检应用中数据稀疏与模型可靠性问题,研究通过集成方法评估基于合成数据的深度学习模型在域偏移下的预测不确定性。实验结果表明,虽然不确定性随仿真到现实差距增加而上升,但性能下降主要由系统性偏差主导而非集成发现所致。该预印本为工业场景有效利用合成数据提供了风险量化依据,强调部署前进行风险评估的重要性。
作者提出一种名为标量积变换(SPT)的方法,将图像块的向量嵌入转换为点反射对称性的分数。该方法受梯度乘积变换启发但使用向量嵌入而非灰度梯度,无需针对对称性检测进行特定训练步骤,可直接利用任意预训练的块嵌入模型进行测试。
A2A-UAV 是一个多模态空对空数据集,旨在解决低空空域非合作无人机的可靠检测与识别问题。该数据集由搭载 RGB-热成像云台、全景相机、RF 频谱分析仪和毫米波雷达的无人机平台采集,包含 15 架目标无人机(涵盖 13 种商用型号)在昼夜条件下记录的 105,294 个时间对齐样本及人工标注的 209,539 个边界框。
该研究提出结合可变阻抗控制与障碍函数的安全架构,在虚拟分解框架下实现全电动重型机械臂的安全交互。实验显示,可变阻抗控制将环境相互作用力的峰值和均方根值分别降低 92.59% 和 96.33%,且所有配置均保持工作空间与安全裕度为正。其中 VIC+CBF+VDC 组合较 CBF+VDC 进一步使障碍函数干预指标减少 10.30%。
研究提出利用基于物理的模拟器生成配对图像,对比 U-Net、pix2pix 等五种方法以修正牙科全景片中的患者定位错误。结果显示所有方法均提升了图像相似度并降低了几何误差,其中 U-Net 及两种感知误差模型表现优于 pix2pix 和条件扩散模型。该工作已提交 ISBI 会议评审,旨在减少因定位失误导致的重复检查。
论文提出了 Déjà-Events,一种仅使用事件相机输入即可预测深度、相机位姿和点云的多视图 3D 感知模型。该方法通过蒸馏自一个冻结的 RGB 教师模型(Déjà View),利用事件数据的稀疏特性引入自适应门控机制,在无需深度或位姿真值的情况下训练仅需约 1% 参数量的学生网络。
AnachroBench 提出针对特定时代与国家的视觉场景历史一致性控制判别基准,填补现有评测空白。该基准包含来自八个国家、跨越 19 世纪末至 20 世纪初的 1,600 张图像对,每对由原始历史图与无缝插入现代物体的错位版本组成。研究揭示了模型在“插入物体感知”与“时代 - 国家一致性判断”之间存在显著差距,为评估此类行为提供了定向工具。
PLECTA 提出一种确定性算法,仅利用标记纤维中心线的二值图像即可在交叉点和信号间隙处精准分割独立纤维。该方法将决策建模为带未配对惩罚的最大权重部分匹配问题,无需训练数据或手动标注。在合成场景及独立生成的测试中,PLECTA 在所有密度下均比三种现有替代方案更准确地解析纤维身份。
该研究针对高维联合轨迹计算挑战,引入结合预训练单智能体扩散先验与投影梯度下降的混合框架。仿真表明该方法能生成平滑无碰撞且符合仿射几何约束的计划,在动态可行性、避障及平滑度指标上优于最先进规划器,并易于被分布式控制器跟踪。
论文介绍 ThinkWAM,一种基于潜在空间的 World-action model(世界 - 动作模型),通过提议 - 反思 - 细化循环优化动作生成。该方法利用提议修正多时域未来潜变量残差,并将修正后的潜变量注入第二遍动作头以生成可执行动作。
针对3D高斯泼溅(3DGS)在新视角合成中缺乏真实图像导致无法直接测量渲染误差的问题,本文提出 QuantileGS 框架。该方法通过冻结模型计算 RGB 均方绝对误差,学习预测误差的分位数场,并利用保留集进行尺度归一化 conformal 校准。
该系统结合 ETH-XGaze 与九点校准及 RTMPose 特征修正,单用户实验在 12 个屏幕目标上平均误差为 204.24 像素。相比 xgaze-js 和 gaze_tracker,误差分别降低 35.83% 和 57.69%,且所有目标均产出有效估计。鉴于仅涉及一名参与者,后续需扩大样本与姿态范围验证可行性。
该预印本论文提出了 Oriented Semi-DETR 模型,旨在解决半监督定向目标检测中因旋转矩形参数映射导致的二义性训练问题。
推荐理由:针对定向目标检测中的参数歧义问题,提出无需额外前向传播的 Oriented Semi-DETR 方法。
该论文提出 BoBDeLaN 架构,结合收缩增益受限的循环平衡网络上下文编码器与稳定线性滤波,以塑造不同频率下的扰动敏感性并保证指数级遗忘。研究在仿真及真实硬件操作中评估了低通实现于模型预测控制的效果,相比同等输入滤波器的 LSTM 编码器,该方法在高频上下文敏感性、残差扭矩预测误差及抗注入扰动退化方面表现更优。
CALDS(Cooperative Adaptation of Learned Dynamical Systems)框架利用学习到的动力学系统,使移动操作机器人能在协助穿衣、餐厅清洁及抽屉操作中安全协同执行。该方案通过识别兼容策略组合与确保无碰撞时序适应,在保持演示行为空间结构与收敛性的同时显著改善任务成功率。此为预印本版本,包含 15 页正文、4 张图及 2 个表格,尚未进行同行评审或正式出版。
针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。
推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。
针对现有多模态大语言模型存在冗余视觉 token 或移除图像输入导致知识激活受阻的问题,本文提出 Beyond Token Stacking (BTS) 框架。
论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。
推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。
论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。
DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。
论文提出了 WinDEX 框架,整合了几何时序优化、视觉惯性 SLAM 及端到端鱼眼原生网络,构建了包含 1000 小时标注的 WinDEX-Hand 数据集。
推荐理由:提出 WinDEX 方法,结合几何优化与视觉惯性 SLAM 实现野外高精度手部重建,数据集支持强化学习与遥操作。
Region-VAD 提出了一种新的视频异常检测方法,该方法首先从冻结的基础模型特征中搜索变化最显著的矩形区域,仅基于该区域内的 token 进行异常评分,从而在无需框标注的情况下实现了 SOTA 级别的异常定位效果。论文在 UCF-Crime 和 MSAD 等五个数据集上验证了其在保持检测性能的同时显著提升了定位能力。
论文提出了 Explain The Unexplainable (ETU) 框架,旨在解决弱监督视频异常检测(VAD)模型预测缺乏可解释性的问题。该方法通过反事实干预冻结的 VAD 模型特征空间,将视频特征映射到代理、动作和结果的离散依赖图中,并利用图条件扩散生成器进行特征再生与掩码操作。
论文提出了 Linglong Agent Service (agentsvc),这是一个自托管的 HTTP 服务和可嵌入 Python 运行时,将执行站点作为模型、工具和上下文之外的可配置维度。
该论文提出了IGRecon4D框架,旨在解决当前前馈式4D驾驶场景重建中存在的交通参与者语义泄漏到静态表示以及高斯位置跨视角几何漂移两大问题。