ReuseMem:单一记忆应对多目标的机器人操作任务
论文提出 ReuseMem 方法,旨在让协作机器人利用已观察到的视觉经验来支持新的操作请求,即使这些具体用途在观察时未知。该方法独立记录视觉特征,检索互补证据并结合当前场景,通过轻量级动作接口实现复用。实验涵盖四个仿真任务和两个物理场景,结果显示该方法在基准任务上的联合目标完成率比均匀记忆策略提升 24.5 个百分点。
推荐理由:该工作提出一种通用视觉记忆机制,支持同一记忆服务于多种后续操作目标。
论文提出 ReuseMem 方法,旨在让协作机器人利用已观察到的视觉经验来支持新的操作请求,即使这些具体用途在观察时未知。该方法独立记录视觉特征,检索互补证据并结合当前场景,通过轻量级动作接口实现复用。实验涵盖四个仿真任务和两个物理场景,结果显示该方法在基准任务上的联合目标完成率比均匀记忆策略提升 24.5 个百分点。
推荐理由:该工作提出一种通用视觉记忆机制,支持同一记忆服务于多种后续操作目标。
针对可见伪迹不可靠的问题,该方法利用生成模型将连续帧分组解码导致的周期性误差(即 VAE Rhythm)作为检测信号。通过相位扫描无需训练即可发现该痕迹,并在 31 个生成器的 39 种变体中验证有效。研究将其用作零样本评分、现有检测器插件及训练数据引擎,提出的 CaDet 模型在多个基准上表现最佳且具备无生成视频训练的鲁棒性。
针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。
推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。
GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。
推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。
针对仅少数物种拥有三维标注数据的瓶颈,该方法提出基于 AVES 参数化网格模型的谱系奥恩斯坦 - 乌伦贝克先验,将家族级对比损失扩展为连续生成形式。在未见物种 CowBird 基准和 CtrlAVES3D 上优于 AniMer+,同时在已见物种 CUB 上表现相当。论文状态为 NeurIPS 2026 口头报告(arXiv:2611.21102),代码与权重暂未开放。
针对图像无法表征接触力的问题,ForceHarness 提出一种无需演示或微调的框架,通过自终止力原语闭环控制并翻译力迹为带不确定性的物理量。在真实机械臂上,该方法将 GPT-6 Astra 的零样本成功率从 3.3% 提升至 90.0%,并在仿真基准中超越基于演示的策略及手写专家控制器。作者还构建了 HiddenPhys 七任务 MuJoCo 基准以评估隐藏物理变量下的性能。
推荐理由:ForceHarness 让冻结模型无需微调即可利用力控提升零样本成功率,HiddenPhys 基准验证了其在隐藏物理变量任务上的表现。
该论文提出了 State-Message Interaction Adapter (SMIA),旨在将自然图像预训练编码器(如 DINOv3)适配到医疗或工业领域。
推荐理由:提出 SMIA 适配器,在冻结 DINOv3 参数下实现跨域少样本分割,支持免支持集推理。
MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。
该论文提出了 CoopDistill 框架,旨在解决协同驾驶中优化方法与多智能体强化学习结合时的探索效率、经验分配和执行可靠性问题。该方法利用势博弈(PG)提供纵向参考路径,并通过残差 MARL 策略学习加速、冲突处理时机和横向修正;采用硬案例课程集中处理 PG 未解决的交互,并通过比较展开选择器评估联合后果以决定执行动作。
推荐理由:提出均衡引导的多智能体策略蒸馏框架,在融合与路口场景中相比基准提升成功率并降低延迟。
论文提出了 LightAct 框架,旨在将交互经验转化为个体决策的引导,解决轨迹结果模糊与无指导探索重复的问题。该方法将交互片段总结为经验条目并整合为特定游戏的技能,利用共享冻结策略对候选动作进行短步长回滚比较,基于环境报告的平均得分增益生成相对动作奖励作为强化学习监督。
论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。
推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。
arXiv 预印本论文 Multi-CONDOR 提出一种结合模仿学习与 Lyapunov 稳定性分析的框架,用于学习具有多个离散吸引子或连续目标轮廓的运动基元。实验显示该方法在仿真中将轨迹 RMSE 降低约 72%,并将初始状态落入容差外的比例降至 0%;实物实验利用 Franka Emika 机械臂成功演示了通过两个把手抓取容器的能力,验证了框架在运动复现与多结果收敛方面的灵活性。
论文提出 WiTac,一种预训练的编码器,旨在将触觉信号与手部运动及腕部视角深度融合,以生成更准确的接触表征。该模型在约 300 小时的 SharpaDex 数据上预训练,并作为条件输入下游视觉语言动作(VLA)策略(如 GR00T N1.7 和 pi_0.5)。
这是已知首个将数据集蒸馏(DD)应用于行级手写文本识别(HTR)的研究,通过聚类字符 n-gram 定义伪类别并优化真实起始像素生成合成图像。在 IAM、George Washington、READ,2016 及 LAM 四个数据集上,无论预算为 1% 至 10%,随机选取的行均优于中位数行,且进一步优化反而降低识别率。
arXiv 论文 Body of Evidence 针对多相机设置中遮挡导致单关节仅存单一 2D 观测的问题,提出预测每相机关节深度与 2D 位置的框架。方法结合图像特征与重建的 3D 身体几何作为上下文线索以减少单目深度歧义,并引入可学习深度感知三角化以支持单相机贡献下的重建。实验在 CMU Panoptic 数据集上展示了优于现有技术的性能,特别是在三相机稀疏设置下平均精度提升显著。
ScoutCache 是一种无需修改预训练模型参数的免训练框架,联合优化去噪、历史 KV 读取及缓存构建。该方法在 Self-Forcing 和 LongLive 数据集上分别实现了最高 2.28 倍和 1.86 倍的推理加速,同时利用 VBench 和 MovieGen 评估证实生成质量持续提升且无参数改动。
FlowRow 提出一种基于流匹配的局部规划器,利用长视界相对目标与深度感知建模农业导航行为分布。该方法在 Isaac Sim 构建的 RowNavBench(含葡萄园、柠檬及苹果园共 900 集)上实现 87% 成功率,显著优于同演示重训的最强生成式行为克隆基线(44%)。研究团队将在论文接收后开放基准、数据与代码。
针对视觉语言动作(VLA)模型推理成本高且注意力分数无法直接衡量 token 对动作影响的问题,该方法定义动作敏感度并解决在线评分导致的剪枝图锁定偏差。通过离线计算全图敏感度并蒸馏至不足 30 万参数的学生模型,在推理时无需反向传播即可进行评分引导的多样性选择。
推荐理由:POKE 方法离线计算全图动作敏感度并蒸馏至小参数学生模型,在 LIBERO 等基准上实现高效剪枝与高成功率。
针对高分辨率图像视频生成中稠密自注意力计算成本高的瓶颈,该研究提出通过保留关键查询 - 键交互并省略次要部分来降低算力开销。文章基于"4+1+3"分析框架,从数据组织、执行和数据流三个系统维度,综述了静态与动态稀疏方法的算法设计及硬件实现策略。此外,文中总结了通用评估指标,指出了开放挑战并为研究人员提供了算法与系统联合设计的参考指南。
针对日文技术文档转换中因符号干扰导致数字评分失准的问题,研究对比了 MinerU、NDLOCR-Lite OCR 基线及确定性后处理管线。移除注释符号后两者 F1 分数持平(0.575 vs 0.594),且后处理管线未能改善关键指标。建议去除符号并对照源文件检查关键图表,该研究目前为技术报告。
针对内窥镜等受限空间机器人应用中标准 MoveIt 求解器性能不足的问题,本文提供了现有求解器的基准测试及多种实用改进方案的对比分析。研究提出将逆运动学问题拆分为两部分的方法,在实验场景中实现了低于 100ms 的响应时间和 100% 的成功率。该工作为内窥镜机器人系统的控制策略优化提供了参考方案。
预训练的视觉表征虽富含时序信息,但有效整合到现有视觉语言动作(VLA)策略仍具挑战。本文提出 FAVR,一种轻量级框架,通过线性测试时训练(TTT)维持紧凑的时序视觉状态,并在基于流的动作生成过程中检索动作条件的视觉特征。
针对现有系统仅能实现有限唇部运动或脚本化表情的局限,本文提出 ROSE 框架,整合仿生硬件与跨具身运动表示学习。硬件上构建集成 34 个执行器的 19.5 cm 仿生头部结构;算法上利用 ROSE-VAE 从人、数字人和机器人观测中学习身份无关的共享面部运动隐空间,ROSE-Flow 直接将文本或音频映射为运动轨迹,ROSE-ACT 将其转换为受约束的执行器指令。
推荐理由:提出 ROSE 框架,通过解耦执行器布局与面部动作点实现紧凑头部全脸表达,并构建跨模态运动生成管线。
Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。
推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。
针对 GelSight、DIGIT 等光学触觉传感器因成像几何和背景差异导致观测不一致的问题,论文提出 TacBridge 框架。该框架利用跨传感器掩码预训练学习时空表征,并在同传感器与跨传感器重建任务上联合训练,实验证明了其跨传感器泛化性与下游感知任务的迁移能力。
推荐理由:提出 TacBridge 框架,通过跨传感器掩码预训练学习统一触觉表征,验证了多传感器间的泛化与任务迁移能力。
论文提出 ReAccess 轻量级框架,旨在解决视觉语言模型(VLM)难以有效利用已编码关键视觉证据的问题。该框架在单次视觉预填充阶段构建紧凑的关联记忆,支持渐进式证据检索以引导注意力查询和隐藏表示,从而在不进行重复图像编码或显式推理痕迹的情况下实现有效的视觉定位。实验表明,该方法在通用视觉理解和细粒度感知方面均取得一致提升,且推理速度显著快于现有的高计算量方法。
针对欠驱动车辆安全约束设计困难且保守的问题,本文提出一种将验证过的相对坐标屏障迁移至同一家族中所有障碍物的方法。核心贡献包括表达状态相对于每个障碍物的广义闭包条件、将缺失信息表示为残差的提升定理,以及用于识别对称性不足情况的秩检验。作者在双积分器、平面飞机和 12 自由度四旋翼上验证了该方法,证明其能在无需重新训练的情况下迁移到新地图中,并在部署与快速启动实验中有效。
EviBridge 框架将冻结的 V-JEPA 2 编码器特征映射至语言解码器,用于工具交接任务中的状态与工具联合预测。在 FuGIBench 基准测试中,最佳变体整体得分达 0.6448 和 0.5892,显著优于各自的任务自适应原生基线(0.2178 和 0.5327)。该成果涵盖目标交接、长时间等待及取消请求场景,验证了预测视觉证据对交互决策的价值。
Palmprint Decomposer 框架将手掌纹表示为独立可编辑的因子,利用合成数据监督训练与实例级优化抑制纹理泄露。七数据集实验显示重构高保真度,提取的结构图验证性能与原图相当,在更好分离因子的同时保留了更多判别性纹理信息。
论文提出 GJBench 基准,要求图像生成模型绘制被打散、旋转且分离的拼图式场景,以区分模型是真正理解场景整体还是仅依赖相邻连接。评估显示所有测试模型均无法在碎片化条件下保持场景连贯:要么数量错误,要么轮廓不匹配导致无法拼接,且参考图对解决这些问题帮助有限。该工作揭示了图像生成器在处理空间破碎场景时的根本局限。
SciWorldBench 基准通过成对科学实验评估十款图文转视频(TI2V)模型,发现其生成的配对视频常呈现相同结果而非依据条件变化产生不同结局。该预印本论文指出当前视频世界模型难以可靠应用底层科学原理,并将公开数据集与开源评测代码。
研究在基于单门控双向选择性状态空间块的肺结节恶性概念瓶颈模型中,证实了固定门控模式下掩蔽因果卷积输入并赋予闭环 Token 零权重时,概念与任务 Logits 对闭环 Token 保持严格不变。
该研究针对人形机器人模仿运动演示中的风格难题,提出一种基于速度条件的全身控制策略。方法通过强化学习训练策略,利用参考运动监督奖励和评论家网络,但不向演员网络提供关节轨迹或进行教师蒸馏,从而将演示风格编码进策略中。
针对混合专家多模态大语言模型(MoE-MLLMs)中激活专家存在计算冗余的问题,本文提出 ProSE 框架。该方法无需训练,通过探测层间重建误差来促进表示一致性,并构建查询感知的语义掩码以识别关键视觉 token,进而为每层校准模态特定的跳过阈值。
针对现有流匹配点云上采样器在全局统一时间分辨率下难以兼顾不同形状局部重建需求的局限,本文提出多速率流匹配框架。该方法在推理时冻结学习到的速度场,将离散预算松弛为连续变量,利用输入衍生的几何保真度目标在线优化积分步数,最终投影回离散预算进行求解器 rollout。实验表明,相比仅依赖步长分布的基准,基于局部区域自适应分配的分配策略能显著提升重建质量。
MVSTF 提出端到端多分支网络,利用时序点云生成多视图图像与特征差异,并行提取时空及维度特征以解决动态环境下的边界模糊与遮挡难题。该方法在 SemanticKITTI 和 KITTI-Road 基准上实现最先进结果,并在隐藏测试集表现优异,代码已开源。
该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。
针对拜耳去马赛克中方向性插值法计算成本高但收益不确定的问题,该研究在 80 张基准图像上验证了质量增益与图像饱和度的强相关性(r=-0.86),并构建了无需深度学习的可解释决策树。该方法能根据图像描述符推荐最佳廉价算法,在留一验证中比始终选择最常用方法的基线提升 20.0 个百分点,且所有步骤均可检查。
研究利用 CLIP 图像编码器与 Tip-Adapter-F 缓存,通过少样本学习实现相位敏感光时域反射仪(Phase-OTDR)的事件识别。在控制数据泄露的协议下,ViT-L-14 架构配合每类 128 个支持样本的配置,在独立测试集上达到 96.81%±0.42% 的准确率与 96.79%±0.42% 的宏平均 F1 分数。相关代码及图像数据集已公开于 GitHub,且性能对提示词表述不敏感。
FDIR 框架利用可计算的 Fréchet 距离在冻结特征空间匹配分布,结合局部补丁与实例自适应统计优化 LoRA 参数。实验显示该方法在简化生成式图像恢复训练的同时,实现了强感知质量的图像恢复效果。该工作包含 20 页论文、14 张图和 7 个表格,代码与权重暂未提及开源许可。