跳到正文
10月30日周五
  1. 盖世汽车 · 汽车资讯58

    IDC 报告:AI 座舱市场规模 7.1 亿元,火山引擎份额第一

    国际数据公司(IDC)在《中国汽车云市场跟踪,2026H1》中首次将 AI 座舱解决方案作为独立市场统计,2026 年上半年市场规模为 7.1 亿元。火山引擎以 45% 的市场份额位居第一,阿里巴巴位列第二。该统计范围涵盖 AI 开发平台、模型即服务(MaaS)及应用运营服务,不含硬件。IDC 预测 2030 年市场规模将达到 47.1 亿元,未来四年复合增长率接近 30%。

10月29日周四
  1. Autoware · Releases82

    Autoware 2.0 发布:引入扩散规划器与生成 - 选择架构

    Autoware 2.0 正式发布,在原有规则基线栈旁新增 AI 规划器选项,采用生成 - 选择架构让用户通过 launch 参数选择 Diffusion Planner。基础模型与数据集已迁移至 Hugging Face,并引入 Autoware Index 管理外部仓库及 Autoware Reference Design 提供可复现的部署配置。

    推荐理由:Autoware 2.0 新增扩散规划器与生成 - 选择架构,并将基础模型迁移至 Hugging Face。

  2. 量子位50

    威卡发布具身智能赋能工程机械高质量数据集

    威卡移动控制于 2026 年 10 月在徐州人工智能大会发布覆盖 3600 万帧、含 12 类场景的挖掘机作业数据集,打通视觉激光位姿力馈手柄输入五维数据同步对齐链路。该开源数据集旨在解决真实数据稀缺痛点,依托威卡三十年智控硬件积淀为具身智能模型训练提供高质量物理世界数据底座。

  3. 盖世汽车 · 汽车资讯52

    上海人工智能实验室等发布新型可穿戴系统采集的 100 小时人类活动数据集

    来自上海人工智能实验室、浙江大学和上海交通大学的研究人员构建了一个包含 100 小时人类活动数据的新数据集,用于训练人形机器人的移动与操作协同能力。该系统集成了头戴式 GoPro HERO13 摄像机、VIVE Ultimate 追踪器及 MANUS Metagloves 等传感器,能记录佩戴者视角视频、身体动作重建、手指动作和触觉数据。

  4. Hugging Face Daily Papers72

    Mage-VL-Cowork:一种从演化架构中学习混合计算机使用的完整训练配方

    论文介绍了 Mage-VL-Cowork,这是一个 4B 参数的混合计算机使用智能体(CUA),旨在将视觉 GUI 交互与代码及终端执行无缝结合。研究通过 Mage-CUA-Forge 合成超过 29.3 万个桌面和网页任务,并采用分阶段课程学习策略,最终在 OSWorld-Verified 基准上达到 66.0% 的准确率,实现了同参数量下的最先进性能。

10月28日周三
  1. arXiv · 机器人与计算机视觉59

    预条件化流匹配:解决高维分布优化瓶颈的新方法

    该论文分析了流匹配(Flow Matching)在回归随机速度目标时面临的几何优化瓶颈,证明当中间分布协方差病态时,梯度下降会快速拟合高方差方向而忽略低方差方向。作者提出预条件化流匹配框架,通过变换目标分布为各向同性表示来改善优化路径,并在高斯混合及高分辨率图像数据集上验证了其能提升低特征值恢复、FID 等指标。

  2. arXiv · 机器人与计算机视觉15

    OmniSeek:多轮视听推理的原生工具集成框架(已撤回)

    OmniSeek 将 Omni-LLM 转化为具备原生工具使用能力的主动多轮推理智能体,通过动态决策何时查看或倾听来检索关键证据。该方法利用合成的 OmniTraj-170K 语料进行监督并采用两阶段强化学习优化策略,在多项基准测试中显著提升视听推理性能。作者因训练数据潜在问题已撤回当前版本,模型正内部复现验证,待结果确证后可能发布更新版。

  3. arXiv · 机器人与计算机视觉49

    CLeaR:解决风格迁移中泄漏与退化困境的统一框架

    CLeaR 是一个无需训练的框架,通过正交子空间投影、集成反演和能量引导校准技术,在视觉基础模型特征空间中统一解决了内容泄漏与风格退化的矛盾。StyleBench 实验显示,该方法提升了风格对齐度并降低了内容泄漏,LLM-as-Judge 评估表现优于现有方法。代码已开源。

  4. arXiv · 机器人与计算机视觉65

    ToPO:面向文本生成图像扩散模型的 Token 导向偏好优化方法

    针对文本到图像扩散模型难以与人类偏好对齐的问题,该方法提出 ToPO 框架,利用冻结参考去噪器构建空间 - 时间权重图,结合交叉注意力机制将局部噪声预测误差差异映射至内容 token。实验表明,仅需 500 次训练更新即可在多项评估中达到最先进性能,且无需本地偏好标注或独立奖励模型。

  5. arXiv · 机器人与计算机视觉78

    Token-to-Token Alignment of Text Embeddings for Semantic Blending

    针对生成式模型中提示词序列缺乏一致结构导致图像平滑过渡困难的问题,论文提出 Token-to-Token Alignment 框架。该方法包含两个阶段:首先将不同提示词重述为共享的结构化形式以建立语义对应关系,其次基于语义相似性对齐 token 嵌入表示。

    推荐理由:提出 Token-to-Token Alignment 框架,通过结构化重述与嵌入对齐解决提示词语义错位问题。

  6. arXiv · 机器人与计算机视觉28

    DeepMine-Mamba:缓解基于 Mamba 的状态空间模型在文档图像二值化中的信息稀释问题

    DeepMine-Mamba 通过反稀释门控机制,将调制限制于笔画区域以恢复前景背景对比度。该模型在 DIBCO/H-DIBCO 数据集上采用严格的留一年验证协议且无外部训练数据,表现与近期 Transformer 及门控卷积基线相当。论文为实质性修订版,正考虑投稿至 Pattern Recognition Letters。

  7. arXiv · 机器人与计算机视觉68

    PGID:一种用于鲁棒数字水印检测的渐进式引导反演与去噪方法

    针对语义水印依赖扩散模型反演导致的易受攻击问题,本文提出 PGID 框架。该方法无需训练,通过消除中间潜变量偏移并逐步去除对抗扰动,将受损潜变量投影回原始区域,从而恢复被移除的水印并识别伪造实例。论文已接受 NeurIPS 2026,代码与完整正文可在 arXiv 获取。

  8. arXiv · 机器人与计算机视觉78

    Ctrl-A:一种基于控制理论的自适应在线数据增强机器学习方法

    本文介绍 Ctrl-A(ControlAugment),一种用于图像视觉任务的自动化数据增强算法。该方法引入控制理论原则,在模型训练过程中根据操作响应曲线动态、独立地调整增强强度分布,从而消除对个体增强强度的初始化需求,并减少使用损害模型性能的增强操作。

    推荐理由:提出基于控制理论的自适应在线数据增强算法,通过闭环机制动态调整增强强度以消除手动工程需求。

  9. arXiv · 机器人与计算机视觉65

    ReToK:一种用于自回归图像生成的改进型灵活图像分词器

    针对现有灵活图像分词器因尾部截断导致早期 token 信息过载的问题,本文提出 ReToK 方法。该方法通过冗余 Token Padding 激活尾部 token,并结合分层语义正则化对齐预训练视觉基础模型的解码特征,以增强潜在建模能力。实验表明,在 ImageNet 256x256 数据集上,ReToK 的生成性能优于灵活和固定长度分词器。代码将在后续开放。

  10. arXiv · 机器人与计算机视觉36

    Uncertainty-Guided Multimodal Consensus 提出连续原型引导标签恢复与可靠性精度共识机制,在四个公开多模态情感分析数据集上验证有效性并优于现有方法。

    Uncertainty-Guided Multimodal Consensus (UMC) 通过连续原型引导标签恢复和可靠性精度共识解决多模态表示共享导致的模态特异性模糊及不可靠预测过强调问题。该方法结合异方差预测与有序情感原型,利用置信度与标签冲突细化伪标签,并基于预测统计与跨模态分歧估计样本依赖的模态可靠性以形成共识。在四个公开多模态情感分析数据集上的广泛实验证明其有效性与优越性。

  11. arXiv · 机器人与计算机视觉82

    DEIMv2:融合 DINOv3 特征的实时目标检测模型

    该研究提出了 DEIMv2 系列目标检测模型,通过结合 DINOv3 特征与空间调优适配器(STA),在涵盖从 X 到 Atto 的八种模型规模上实现了性能与成本的优化。其中最大模型仅用 5030 万参数即达到 57.8 AP,而 S 版本成为首个参数量低于 1000 万且超越 50 AP 里程碑的模型。

    推荐理由:该工作将 DINOv3 特征引入检测框架,在保持参数高效的同时实现了性能突破。

  12. arXiv · 机器人与计算机视觉15

    DART:一种用于视觉基础模型的微分动态自适应区域分词器

    该研究提出 DART,通过可学习的区域分数和基于分位数的划分解决 ViT/Vim 等模型在细节捕捉与计算冗余间的瓶颈。实验显示,配备 DART 的 DeiT-Small(22M 参数)能以近两倍推理速度匹配 DeiT-Base(86M)性能,且在密集预测与时空视频任务中验证了泛化性。代码已开源,但论文因作者 Yang Liu 主动撤回且无 PDF 可供下载。

  13. arXiv · 机器人与计算机视觉35

    IBCD 实现单步双向无配对图像翻译,无需对抗损失即可在基准数据集及脑 MRI 对比度转换任务上达到最先进水平

    IBCD 方法通过扩散隐式桥模型连接 PF-ODE 轨迹,实现了无需对抗损失的单步双向无配对图像翻译。该方法引入分布匹配与自适应加权改进,在 WACV27 基准数据集的单次生成步骤中达到最先进水平,并成功扩展至脑 MRI 对比度转换任务。论文共 39 页含 20 幅图,已上传 arXiv(v2 版本)。

  14. arXiv · 机器人与计算机视觉35

    自监督 SAR-光学编码器在商用 x86 硬件上的量化边缘推理研究

    团队在三种商用 x86 节点上部署了预训练的 SAR-光学掩码自动编码器,对比 FP32、FP16 和 INT8 精度下的延迟与能耗。结果显示 INT8 量化对微 mAP 影响仅为 +0.0006,可视为无损;CPU 延迟降低 1.45 倍至 1.53 倍,能效同步提升且最优设备随 CPU 性能增强从集成 GPU 转向 CPU。该研究为地球观测任务在低算力边缘硬件上的精度与成本权衡提供了实测依据。

  15. arXiv · 机器人与计算机视觉48

    DocXEval:多模态文档理解可解释性系统评估框架

    DocXEval 是首个针对多模态(文本、布局、图像)文档理解场景的可解释性评估框架,适配现有 XAI 方法与指标以支持语义实体识别等任务。该框架系统评估了 13 种 XAI 方法在 8 个数据集和 4 个模型上的表现,发现 Occlusion 方法整体最忠实且可解释。研究还揭示了模态贡献、空间归因模式及数据偏差等关键洞察,并公开代码以支持复现。

  16. arXiv · 机器人与计算机视觉61

    TAILOR:面向开放集测试时适应的即插即用校正模块

    论文提出 TALOR,一种用于非平稳目标流的轻量级、免参数更新的测试时适应(OSTTA)方法。该方法利用源线性头作为几何锚点,将归一化特征分解为主坐标和尾坐标,通过加权岭回归估计主子空间内的软路由仿射校正并减去漂移量,最后重构特征输入源头。

  17. arXiv · 机器人与计算机视觉45

    B-EAGLe:基于贝叶斯证据积累的图神经网络动态学习框架

    B-EAGLe 是一种受皮层 - 基底节 - 丘脑网络启发的概率框架,将图分类重构为随观测到达而增量更新后验信念的序列证据积累过程。该模型结合 GNN 编码器与贝叶斯累加器,仅在置信度充足时做出决策,在 CIFAR10 数据集上展现了具有原则性置信估计的竞争性能。

  18. arXiv · 机器人与计算机视觉82

    OmniBrain-0:一种用于具身智能的统一代理模型

    论文介绍 OmniBrain-0,这是一个轻量级统一具身代理模型,旨在协调操作与导航任务。该模型采用共享高层决策架构,结合任务理解、规划及反馈驱动恢复机制。研究提出渐进式训练框架,整合具身预训练、领域专用代理蒸馏及多教师在线策略蒸馏(MOPD),并将 Rubric-Guided Recursive Self-Improvement 数据飞轮引入以持续优化专家模型。

    推荐理由:报告提出 OmniBrain-0 统一代理架构,通过渐进式训练与递归自我改进机制整合多模态能力。

  19. arXiv · 机器人与计算机视觉4

    从切片到体块:比较 2D、2.5D 和 3D 残差网络用于肺结节恶性风险分类

    该研究在包含 2,654 个结节的 LIDC-IDRI 队列中对比了不同维度网络,发现增强后的 2.5D 模型测试 Macro-F1 达 0.6537,优于 2D(0.6134±0.0075)和 3D(0.5403)。结果表明预处理与优化差异限制了归因,且标签反映放射科医生评估的恶性风险而非病理确诊。代码与实验结果已在指定 URL 开放。

  20. arXiv · 机器人与计算机视觉83

    离散 Token 能否无损表征视觉信号?——基于因子化向量量化的多模态模型研究

    该论文挑战了‘离散视觉 Token 必然导致语义损失’的假设,提出因子化向量量化方法以缓解代码本饱和问题。在工业级多模态数据上训练的模型,在多指标平均性能上超越 UniAR 和 Emu3-Chat,并在细粒度 OCR 任务上与 Qwen3-VL 等连续表示模型竞争。材料提供了关键原则与实践配方,支持离散视觉表征作为大规模原生多模态基础模型的潜力。代码与模型已开源。

    推荐理由:提出因子化向量量化方法,在离散表示下实现与连续表示相当的多模态理解性能。

  21. arXiv · 机器人与计算机视觉82

    Know, then Draw:一种新的视觉生成学习范式

    该研究提出将高层语义知识获取交给自回归预训练、高保真渲染交给扩散后训练的新范式。实验表明自回归是更强的预训练目标,且纯语义分词器无需图像解码器即可提升效率。基于此训练的 3B 参数模型仅用 6,600 H100 GPU 小时,在 GenEval 和 DPG-Bench 上分别达到 86 分和 87 分。材料为 arXiv 预印本,未提及同行评审状态或具体部署结果。

  22. arXiv · 机器人与计算机视觉49

    The Noise Plane:一种跨越指数与色散的扩散桥模型

    p-Bridge 提出统一测量索引的扩散框架,将高斯、泊松及伽马噪声纳入同一平面并通过独立增量连接分布。该单网络通过指数条件适应不同 Tweedie 噪声模型,无需为各指数单独训练。实验在合成图像、FMD 荧光显微镜及多传感器 SAR 图像上验证了其在不同信号依赖噪声 regime 下的有效性。

  23. arXiv · 机器人与计算机视觉68

    关于视觉基础模型数据高效微调的说明:多架构与微调范式的实证对比

    该论文针对视觉基础模型(如Mamba)的高效知识转移需求,系统评估了注意力、卷积和Mamba架构在视觉提示(VP)、线性探测(LP)、全量微调(FFT)及低秩适应(LoRA)等范式下的性能差异。研究通过扩展模型选择与超参数调优,提供了在资源受限条件下的实证概览,并探索了常用正则化技术在提升VP性能方面的应用,旨在为高效微调提供实用指导。

  24. arXiv · 机器人与计算机视觉43

    ALADDIN:一步身份替换的对抗潜扩散蒸馏方法

    ALADDIN 通过从预训练多步流匹配模型初始化生成器,并在身份与目标保持约束下进行对抗训练,实现了仅需一次网络评估的一步身份替换。该方法在同等身份转移下达到最先进真实感与目标属性保持效果,且比最佳多步模型减少 28 倍网络评估次数和数量级训练对数。研究还修正了标准评测偏差并重新验证了所有基线,论文已接受至 WACV 2027。

  25. arXiv · 机器人与计算机视觉58

    PerceptRL:让 MLLM 视觉感知可被奖励(从答案到交互)

    针对多模态大语言模型后训练阶段视觉感知仍是瓶颈的问题,该研究提出 PerceptRL 框架以强化感知能力。该方法利用多智能体流水线从密集图像描述中提取验证错误,将其转化为具有固定答案标签和基于规则奖励的问答对;通过链式问答关联相关错误,多项选择题结合无关错误,并针对高错误域设置专用路由。

  26. arXiv · 机器人与计算机视觉63

    HDVS:基于异质双分支投票监督的半监督语义分割

    该论文提出 HDVS 框架,旨在利用大量无标注图像实现精确的语义分割结果。针对传统方法依赖伪标签可靠性的假设可能引发共训练中误差累积的问题,该方法引入投票机制关联异质分支的伪标签以增强可靠性,并采用特征通信模块在双分支间引入扰动以最大化预测多样性同时保持收敛性。实验在 PASCAL VOC 2012 和 Cityscapes 两个基准数据集上验证了其优于最先进方法的表现。

  27. arXiv · 机器人与计算机视觉51

    Subspace Clifford Networks 方法发布

    本文提出 Subspace Clifford Networks,通过投影到对齐的低维子空间并计算楔积坐标来替代全局循环滚动,配合可学习线性层实现跨组通道混合。该方法将中间特征扩展量从 10D 降至 1.5D 至 2.5D,并通过融合 CUDA 内核优化前后向传播。在 CIFAR-100 上的实验显示,该模型大幅减少了参数量与训练时间,且分层变体在分类精度上优于基于位移的基线。

  28. arXiv · 机器人与计算机视觉45

    VGIQA:基于视觉定位奖励的细粒度图像质量评估模型发布

    VGIQA 是一款具备局部与全局质量评估能力的新型图像质量评估(IQA)模型,通过两阶段范式训练并引入强化学习。该模型在自建的 VGSR-2K 数据集上表现卓越,显著优于 Qwen2.5-VL-72B-Instruct 和 Qwen3-VL-32B-Instruct 等开源多模态大语言模型基线。此外,局部评估任务还能有效增强模型对图像退化任务的感知性能。

  29. arXiv · 机器人与计算机视觉45

    DINOv2 ViT-S 多分支集成头实现黄瓜物候阶段高效分类

    针对小样本域偏移数据适配难题,研究提出一种增加可忽略参数且无推理开销的多分支集成头方案。该方案基于 DINOv2 ViT-S 骨干网络,在 NALEF Food Safety 数据集上达到 0.978 Macro F1,性能匹配超十倍参数量模型却仅需 12.2 GFlops 算力与 22.3M 参数。此设计使黄瓜物候阶段分类可部署于智能手机及边缘设备以支持精准农业决策。