跳到正文
11月14日周六
  1. Hugging Face Daily Papers72

    Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns

    该论文研究了同策略蒸馏(OPD)如何重塑语言模型智能体在数学、ALFWorld 和 tau^2-bench 等任务中的 ReAct 交互模式。研究发现,通用推理监督能将数学工具尝试率从 70.4% 降至 14.4%,准确率从 16.7% 提升至 38.0%;代码解释器监督改善了家庭操作和零售查询能力。

  2. Hugging Face Daily Papers82

    The Value of Thinking: Learning When to Reason in Hybrid Decision Models

    论文提出一种混合决策模型(HDM),利用冻结骨干网络配合轻量级自路由块,在单次前向传播中实现零思考或全思考两种模式切换。该方法通过校准的决策策略优化(CDPO)从回合级回报中学习何时进行推理,并在 MMLU-Pro、AGIEval 及 MiniWoB 等基准上验证了其在保持精度的同时显著降低延迟和 Token 成本的效果。

    推荐理由:提出零思考或全思考的混合决策模型,通过自路由块动态评估推理价值以平衡精度与延迟。

11月13日周五
  1. arXiv · 机器人与计算机视觉58

    统一去马赛克与去噪的结构引导方法

    针对现有统一恢复网络在边缘和纹理处易出现结构退化的问题,本文提出一种引入预训练结构知识的框架。模型接收包含原始马赛克、CFA 掩码及噪声图的五通道输入,利用 SwinIR 分支进行像素级重建,并行结构推理分支从稀疏伪 RGB 提取结构线索,并通过轻量适配器融合特征以缩小域差距。共享解码器联合预测恢复后的 RGB 图像和辅助清洁马赛克,在多种 CFA 模式和噪声水平下均优于最先进方法。

  2. arXiv · 机器人与计算机视觉82

    Instant NuRec:面向驾驶场景仿真的前馈式 3D 高斯重建模型

    NVIDIA 发布 Instant NuRec,这是一个前馈神经网络模型,旨在解决传统神经仿真方法速度慢且需逐场景调优的问题。该模型仅需一次前向传播,即可将多视角驾驶日志(约 10-20 秒)快速重建为包含静态与动态层的 3D 高斯泼溅(3DGS)世界、天空立方体及相机 ISP 校正结果。

    推荐理由:NVIDIA 提出 Instant NuRec,通过前馈网络将多视角驾驶日志在约 1.5 秒内重建为可仿真的高斯泼溅场景,性能优于现有基线。

  3. arXiv · 机器人与计算机视觉42

    DACMC 损失函数提升医学图像分割精度与稳定性

    DACMC 损失函数将平均曲率嵌入 Chan-Vese 区域泛函,无需训练参数且推理零成本。在肝脏 CT、脾脏 MRI 及 ISIC 皮肤镜数据集上,该方法配合 U-Net 或 CE-Net 骨干网络,Dice 指标优于半数竞争基线,并将脾脏 MRI 的 HD95 降至 16.28 mm。实验显示其仅增加 4.8% 训练时间,通过五种子验证显著稳定训练并消除严重失效,适用于小目标分割场景。

  4. arXiv · 机器人与计算机视觉35

    AI Sandboxes:威胁模型、分类学与测量框架发布

    该研究提出"AI Sandbox"装置定义及五种原型架构,建立十五维测量指标与最弱环节许可规则以界定部署主张。框架涵盖驾驶、工业控制等四类实例的威胁建模,明确实验边界对证据解读的影响并映射至标准规范。预印本 arXiv:2606.18532 含 42 页正文及图表,旨在识别受控实验支持的声明与需进一步验证的假设。

  5. arXiv · 机器人与计算机视觉83

    DUNE:在不损失预测性能的前提下解耦多语义神经元

    针对深度神经网络中神经元响应多概念导致内部决策过程模糊的问题,现有稀疏自编码器等方法虽能提取单语义特征但会引入近似误差并损害下游性能。本文提出 DUNE 方法,通过将前层特定概念的贡献重路由到独立子单元且聚合时精确恢复原始激活值,实现了无误差的单语义分解。

    推荐理由:提出 DUNE 方法,在解耦神经元多语义特征的同时保持模型原有功能,推动单语义性与功能保真度的平衡。

  6. arXiv · 机器人与计算机视觉72

    Rethinking Floorplan Generation with Space Syntax: From Design Theory to Model Improvement

    针对生成式 AI 在平面图生成中缺乏设计目的性、难以直接评估的问题,本文引入空间句法理论构建中间表示(design container),提出 RPLAN-SSI 基准以量化公共空间的整合优势。研究发现生成模型存在功能布局差距,并通过 SSPT 后训练方法在五种扩散模型骨干上有效缩小该差距,同时保留原有机制。

  7. arXiv · 机器人与计算机视觉72

    扩展扩散模型在鲁棒分类器训练中的作用:利用其内部表征增强对抗训练

    论文提出将扩散模型的内部表征作为辅助学习信号融入对抗训练(AT),以超越单纯生成合成数据的角色。实验显示,这种联合策略在 CIFAR-10、CIFAR-100 和 ImageNet 上均提升了鲁棒性,并促使特征解耦。材料为预印本,未报告真实机器人部署结果或具体产品发布。

  8. arXiv · 机器人与计算机视觉74

    理解与学习扩散模型中的预测目标:k-Diff 框架

    本文针对扩散和流匹配模型中从噪声、速度到直接数据预测的目标转变提供理论解释,推导了数据几何与最优目标的解析关系。作者提出 k-Diff 框架,利用数据驱动方式直接学习最优参数 k,无需显式估计内在维度。实验表明该方法在不同架构和数据规模下均优于固定目标基线。

  9. arXiv · 机器人与计算机视觉35

    NB2E 编码使普通多层感知机无需先验知识即可成功外推四种周期性波形

    Normalized Base-2 Encoding (NB2E) 方法让普通多层感知机(MLP)在仅针对单一合成一维信号训练时,能成功外推四种周期性波形。相比固定傅里叶编码,NB2E 在非偶数倍周期处精度下降更平缓且保持更高准确性。该结论限于单架构模型及归一化域内的外推范围,未提出现象机制。

  10. arXiv · 机器人与计算机视觉82

    两步思考:利用自 grounding 验证缓解 MLLM 一致性偏差

    论文评估了跨 13 个模型和 28 种设计的 MLLM 验证器,发现其存在严重的‘一致性偏差’(过度认可代理行为)。作者提出 SGV 方法,通过先生成行为先验再基于此进行推理判断,显著提升了失败检测率和准确率。

    推荐理由:提出 SGV 方法缓解 MLLM 验证器的一致性偏差,在 OSWorld 等任务中提升完成率达 20pp。

  11. arXiv · 机器人与计算机视觉68

    MVC-ZigAL:一种用于少步文本多视角扩散模型的强化学习微调框架

    该论文提出 MVC-ZigAL 框架,通过联合建模所有生成视图的 MDP 公式、利用自改进采样策略的优势学习以及拉格朗日对偶优化,解决少步文本多视角扩散模型在单图生成质量与跨视图一致性上的矛盾。代码已开源,论文被 CVPR 2026 接收。

  12. arXiv · 机器人与计算机视觉58

    DataCook:探索用于医疗数据使用的抗对抗指纹

    针对医疗数据稀缺、昂贵且受严格监管的问题,该研究提出了 DataCook 框架,这是一种基于抗对抗指纹的部署阶段使用控制机制。通过私有的‘烹饪’过程将原始样本转化为嵌入指纹的数据,使得在该数据上训练的模型在评估于同样处理过的输入时保持高效用,而在未处理的原始输入上性能显著降低。

  13. arXiv · 机器人与计算机视觉42

    意图表征与人类分心调节走廊导航中机器人运动的可读性效果

    研究在走廊导航场景下对比了目的地与通过侧两种意图表征,发现后者经自适应更新后能带来更流畅的人体运动且感知能力更强。即便行人处于分心状态,可读性运动仍能支持平滑交互,尽管主观评分未始终反映该优势。两项用户实验(N=45)证实基于共享模型预测控制框架的互动级意图表征对社交机器人导航有效。

  14. arXiv · 机器人与计算机视觉45

    图像何时决定答案?跨图表与场景的视觉可回答性基准评测

    该研究引入包含 PlotQA、CLEVR 和 GQA 共 3,000 组问题的基准,要求模型在证据充分时作答、不足时弃权。基于六种配置共 72,000 次响应测试显示,最佳配置在图表任务上完全问题成功率为 57.0%,个体图像正确决策率达 96.2%。评估揭示单纯按图决策准确率会掩盖需同时满足回答与弃权的整体失败风险。

  15. arXiv · 机器人与计算机视觉68

    CAT-Free:一种无需标定、标注及目标训练的跨视角 BEV 行人检测与跟踪方法

    论文提出 CAT-Free 方法,仅需同步 RGB 视频流即可完成相机位姿与地面平面估计,进而通过三角化实现多视角行人检测与跟踪。该方法利用几何滤波器剔除因相机误差导致的虚假位置,无需外部标定或特定场景训练,在 WildTrack、MultiviewX 和 GMVD 数据集上分别取得 89.2、84.1 和 76.1 的 MODA 分数,且对相机参数误差鲁棒性优于依赖已知参数的方法。

  16. arXiv · 机器人与计算机视觉28

    Geometry-Preserving Blind Watermarking for Raw 3D Point Clouds 提出基于八叉树架构的盲水印框架,在原始点云坐标上直接嵌入并恢复信息。该方法通过随机变换层与渐进姿态对齐提升鲁棒性,在物体级与场景级基准测试中实现低几何失真且视觉隐蔽性优于手工方案。

    Geometry-Preserving Blind Watermarking for Raw 3D Point Clouds 提出基于八叉树架构的盲水印框架,直接在原始点云坐标上嵌入信息并无需参考原图即可恢复消息。该方法通过随机变换层应对几何扰动、利用渐进姿态对齐增强鲁棒性,在物体级与场景级基准测试中实现低几何失真且视觉隐蔽性优于手工方案。

  17. arXiv · 机器人与计算机视觉48

    CT 投影分解框架实现胸部 X 光片骨骼抑制监督学习

    该研究提出基于数字重建放射图(DRR)的框架,利用 CT 数据生成成对监督信号以解决胸部 X 光片中骨骼遮挡异常及缺乏配对训练数据的难题。模型通过预测目标组件并减去其余部分实现骨骼或肺部成分抑制,在多个公开数据集上显著提升了骨重叠区域的异常检测效果。相比开源 DRR 引擎,未修改的 DRR 保持解剖结构真实性,而转换后的投影在 FID、肺野锐度及与源 CT 的一致性方面表现最佳。

  18. arXiv · 机器人与计算机视觉75

    CLASP:一种用于新鲜市场蓝莓采摘的集群级自主选择性采摘机器人

    针对传统过行收获机非选择性损伤果实、且现有选择性机器人仅针对单果效率低的问题,本文提出 CLASP 机器人系统。该系统配备软式主动滚带夹爪(SARB-Gripper),通过闭环力控将拉力控制在未成熟果实脱落阈值以下;结合眼手相机与眼在手相机的全局 - 局部感知管线实现簇定位与姿态估计。

  19. arXiv · 机器人与计算机视觉43

    RAIN:一种用于扩散模型语义水印提取的区域感知反演网络

    RAIN 提出了一种轻量级、无需提示词的扩散模型语义水印提取方法,通过区域感知反演网络将端点恢复分解为图像锚点和噪声残差。该方法仅需一步即可从生成过程恢复所有权信息,避免了迭代反演和重复评估 U-Net,其计算成本低于 OSI 和 FARI 两种现有基线。相关代码与论文已开源并作为口头报告被 BMVC 2026 Workshop 接收。

  20. arXiv · 机器人与计算机视觉68

    Bridging Modalities and Tasks: A Unified Hierarchical ViT for SAR-to-Optical Translation and Semantic Segmentation

    论文提出 BMT 模型,这是一个统一的分层 Vision Transformer,通过多尺度 one-hot 条件耦合 SAR 转光译码与语义分割任务。该架构利用共享编码器、门控 LocalViTBlock 和颜色校准生成头,在 WHU-OPT-SAR 数据集上实现了最佳的 SSIM 和 PSNR 指标,其生成的土地覆盖图性能接近 DeepLabV3+。

  21. arXiv · 机器人与计算机视觉3

    CARNIVAL 模型利用冷冻电镜前向模型的特权视图提升蛋白质注释性能

    CARNIVAL 模型通过整合冷冻电镜前向模型生成的特权视图与标签,在受限倾斜角及严重噪声的模拟数据上实现了域特定增强。该模型在未微调状态下于真实断层扫描数据集上的分类与检测任务中,优于仅使用对比目标训练的现有最先进模型。研究结果已接受至 NeurIPS 2026 Sim2Science 研讨会,代码与论文将在 arXiv 发布。

  22. arXiv · 机器人与计算机视觉72

    WISE:面向 VLA 模型高效后训练的世界模型引导式想象调度

    WISE 是一种统一框架,用于协调视觉语言动作(VLA)模型在后训练阶段何时以及如何利用世界模型的想象能力。该方法仅在交互相关状态调用想象,执行有界的多视角展开,并利用进度与完成信号评估候选未来,从而在减少约 80% GPU 计算时间的同时,在多种操作任务中提升性能并增强真实分布偏移下的鲁棒性与泛化性。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

  23. arXiv · 机器人与计算机视觉72

    ChessQueries:一种提升国际象棋棋盘识别的新方法

    作者提出 ChessQueries 方法,结合 ViT 编码器与 DETR 风格解码器来解决棋盘识别任务。在 ChessReD 基准上,该方法将准确率从 15.3% 提升至 99.2%,平均错误方格数降至 0.01(优于现有最先进方法的 3.4)。作者还展示了在分布外数据集上的强泛化能力,并开源了代码、模型权重及基于顶级赛事转播解析的新数据集。

  24. arXiv · 机器人与计算机视觉72

    CoEvoAD:一种用于零样本异常检测的协同进化提示词优化方法

    针对基于 CLIP 的零样本异常检测方法缺乏可解释性与可扩展性的问题,本文提出 CoEvoAD 框架。该方法在离散自然语言空间利用进化算法进行提示词搜索,保留语义的可组合性;同时引入跨类别迁移目标,将未使用的源类别作为代理以评估提示规则的泛化能力。实验表明,CoEvoAD 在多个异常检测数据集上达到最先进性能。代码已开源,论文已被 EMNLP 2026 主会接收。

  25. arXiv · 机器人与计算机视觉38

    MoTE:多任务视频理解中的任务专家混合架构

    VideoLLM-MoTE 提出将大语言模型前馈网络转化为特定任务的专家架构,在 COIN 基准测试中激活约 20 亿参数即实现高于近期基线的平均 Top-1 准确率。该设计通过样本级任务路由使计算独立于存储的专家数量,相比稠密全激活及学习到的稀疏路由均表现更优。论文已获 BMVC 2026 接收,包含补充材料并开源代码与数据。

  26. arXiv · 机器人与计算机视觉48

    WithEveryone:统一规划与身份 grounding 的群体图像生成框架

    WithEveryone 提出一种针对包含 5-10 个指定身份的群体图像生成的统一框架,通过注入地址化 token 和结构化布局计划实现身份绑定。该模型在身份相似度上达到 0.538(优于 GPT-Image-2.5 的 0.472),并将复制粘贴误差降至 0.149、身份覆盖率达 94.5%、碰撞率仅 9.6%,证明了显式布局 grounding 可扩展至大群体生成。

  27. arXiv · 机器人与计算机视觉58

    CamChoreo:首个时空 grounded 组合式相机运动理解基准与蒸馏方法

    本文介绍 CamChoreo,这是首个针对时空 grounded、组合式相机运动理解的基准,包含 4,229 个带有专家时间标注的多样化单镜头片段。研究提出 CamDistill 方法,将冻结 3D 基础模型的几何知识蒸馏为轻量级相机 token,在无需推理时运行昂贵 3D 模型的情况下,显著提升了视觉语言模型的性能。

  28. arXiv · 机器人与计算机视觉58

    Addressable Memory for Video World Models

    该论文研究了交互式视频世界模型中的视觉持久性问题,发现当生成长度超出训练范围时,基于 KV Cache 的模型因位置编码偏移过大而难以检索信息。作者提出无需训练的 WorldTrace 框架,通过为压缩后的记忆槽分配独特的虚拟位置来保持可寻址性,并利用模型自身的注意力机制决定保留哪些观测或合并冗余内容。

  29. arXiv · 机器人与计算机视觉74

    TEMPO:面向视觉语言动作模型的语义 - 动作解耦强化学习后训练

    论文提出 TEMPO 框架,通过冻结预训练的视觉语言骨干网络,利用两个专用强化学习回路分别更新产生潜在动作条件的语义投影层和低级动作专家。该方法限制潜在动作漂移并允许动作专家从在线反馈中学习。实验在 CALVIN 基准和真实世界操作任务上验证了 TEMPO 优于预训练最先进模型及强化学习后训练基线,且在三个真实任务中达到并保持更高的评估奖励。

  30. arXiv · 机器人与计算机视觉42

    Morph-ISR:一种用于病理图像的形态感知隐式超分辨率网络

    Morph-ISR 提出了一种针对数字病理图像的高分辨率重建框架,通过引入 IPKG 和 MFP 模块解决复杂组织下的纹理模糊与边界丢失问题。在 TCGA 和 SurGen 数据集上,该方法将 LPIPS 和 ST-LPIPS 指标较次优方法分别降低 38.37% 和 39.55%,同时保持高 PSNR 与 SSIM。紧凑的参数化与高通量特性支持边缘部署,代码与模型将在发表时公开。