跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉78

    多楼层建筑内长视界因果惯性里程计研究

    针对室内多层建筑中电梯或扶梯加速后进入长时间匀速巡航导致惯导退化、垂直位移低估的问题,论文提出 Local-Token Causal Attention 架构,将每秒惯性数据压缩为运动令牌并在有限缓存中维持初始状态。

    推荐理由:提出 LTCA 架构解决长时惯性里程计在电梯匀速阶段的漂移问题,并在 MSIO 基准上验证了优于短窗口基线的性能。

  2. arXiv · 机器人与计算机视觉38

    dit.xpu:在移动 SoC 上驯服扩散 Transformer 稀疏推理

    dit.xpu 提出一种针对异构移动 SoC 的稀疏 DiT 推理框架,通过 Tile-aligned 稀疏注意力与锚点误差补偿机制优化数据流。该方案在两款骁龙手机上的五项 DiT 模型测试中,相比 Hexagon-NPU 后端实现高达 1.56 倍的端到端去噪加速,且生成质量接近稠密注意力模式。代码已开源,适用于移动端图像生成与编辑场景。

  3. arXiv · 机器人与计算机视觉38

    视觉语言模型通过任务子空间投影与动态 LoRA 实现增量学习

    针对预训练视觉语言模型在多域任务增量学习中面临的遗忘与适配难题,研究提出 TSP-DLoRA 方法。该方法利用任务子空间投影区分已知未知任务,并通过动态分配低秩适配器平衡性能与参数成本。在 11 个数据集上的三项指标实验验证了该方法的有效性,代码已开源。

  4. arXiv · 机器人与计算机视觉58

    物理 AI 中视觉语言动作模型的无线边缘自适应隐式推理研究

    针对物理 AI 中 VLA 模型在端侧计算受限场景下的实时控制挑战,本文提出一种无线边缘辅助的自适应隐式推理框架(WEALR)。该框架利用决策智能体联合选择执行位置与收敛阈值,并通过拉格朗日约束深度强化学习策略优化任务性能与资源消耗。实验基于 LIBERO 操作任务及射线追踪无线信道评估,结果显示该方法在可行性加权的任务成功率上较基准方法提升最高达 23%。

  5. arXiv · 机器人与计算机视觉78

    机器人策略中的推理计算分配:细化与重规划的权衡

    本文研究了冻结分块机器人策略在部署时如何分配推理计算资源,即在单次调用内细化预测动作还是增加调用频率进行重规划。研究未更新模型权重,使用 LIBERO 仿真环境评估了不同配置下的成功率与算术成本。实验表明,在特定参数下,增加细化次数可提升任务成功率并降低单位步骤的算术开销,但并未确立通用最优设置。

    推荐理由:该文通过冻结模型实验,量化了推理计算在动作细化与重规划间的分配对成功率与成本的影响。

  6. arXiv · 机器人与计算机视觉25

    Conv-Reluplex:卷积神经网络形式化验证框架与对抗样本生成

    Conv-Reluplex 框架专为卷积层和池化层设计,旨在为计算机视觉中的深度神经网络提供形式化安全保证并生成对抗样本。实验在 MNIST 数据集上进行,结果显示利用该工具生成的对抗样本显著提升了原始 CNN 的分类精度。该工作发表于 SEKE 2021,代码与数据许可状态待定。

  7. arXiv · 机器人与计算机视觉80

    仅识别事件不足:流式 VLM 在组合指令触发上的困境及 TEMPI 解决方案

    本文指出单纯识别个体事件无法保证流式视频中组合指令的正确执行,引入 CoTriggerBench 基准验证通知时机与静默问题,并提出实时 VLM 智能体 TEMPI。TEMPI 通过分解原子查询、维护场景记忆及重叠视觉编码优化推理管道,在 8 GB RTX 5060 上实现 4.90 倍加速,指令级成功率达 44.4%,优于最强闭源与开源基线。材料为预印本论文,未涉及真实机器人部署或量产许可。

    推荐理由:提出 TEMPI 智能体与 CoTriggerBench 基准,解决流式视频理解中的时序指令触发难题。

  8. arXiv · 机器人与计算机视觉85

    Acting by Intent, Reacting by Sight:面向实时 VLM 智能体的视觉条件反射方法

    论文提出 ViCoR(Visual Conditioned Reflex)架构,旨在解决通用视觉语言模型在实时交互环境中反应过慢的问题。该方法将正常游戏动作与轻量级情境指导交由主 VLM 处理,同时利用无需深度思考的视觉反射分支检查局部动态视图以做出亚秒级决策。

    推荐理由:提出 ViCoR 架构,通过视觉条件反射分支将高频反应决策延迟降低 2.6 倍并减少 36.9% token 消耗。

  9. arXiv · 机器人与计算机视觉48

    处方阅读器在哪丢失药物?一项从 2.7B 语言模型到 2B 视觉语言模型的冻结重放研究

    针对手机端处方阅读管线,研究对比了 PaddleOCR 搭配 2.7B 参数语言模型与旋转裁剪配合 2B 参数视觉语言模型的效果。在 49 次合成处方捕获中,新方案将召回率从 8% 提升至 67%,手写识别由 0 增至 20/45 且消除不安全输出,但耗时增加至每张照片 61 秒、内存占用约 1.9GB。所有结果均基于单一作者与单台设备的样本内数据,未获外部验证。

11月16日周一
  1. arXiv · 机器人与计算机视觉5

    EventSpikeSeg:基于混合信号架构的事件相机脉冲分割预印本

    EventSpikeSeg 提出一种结合驻留电容内存与共享模拟处理的混合信号架构,在 GF180MCU 工艺下实现事件相机脉冲分割。该架构在 DSEC 数据集上软件检查点达到 27.976% 平均交并比,但硬件准确率、全网络物理运行及系统能效尚未验证。研究详细表征了 22 个模块家族与 74 个工作点,揭示了存储复制与服务调度作为扩展约束。

  2. arXiv · 机器人与计算机视觉43

    DiffusionSSD:双阶段扩散与近数据处理实现极致视觉压缩

    DiffusionSSD 提出一种算法架构协同设计框架,通过双阶段扩散降低计算成本并借助 cUFS+LPDDR-PIM 将编解码卸载至数据侧。实验显示该方案在保持感知质量的同时,计算开销最高减少 92.7%,相比 NPU+DRAM 及 SmartSSD 等近数据处理架构,编码吞吐量分别提升 2.32 倍和 2.91 倍。

  3. arXiv · 机器人与计算机视觉53

    StreamEmbed:基于像素差异的屏幕截图实时索引系统

    针对屏幕历史作为可搜索视觉记忆的需求,本文提出了 StreamEmbed 系统,通过空间 Token 剪枝与时间 KV 缓存复用技术,利用截图间的像素冗余实现增量视觉嵌入。实验显示该系统在 M2 Pro GPU 上将编码速度提升最高 3.7 倍,相比 OCR 索引在同等延迟下 Recall@10 提升 6.3 个点,且仅需 0.13 GB RAM 即可存储模拟一年的截图数据。

  4. arXiv · 机器人与计算机视觉82

    Eco3R:基于固定键推理的高效可流式长视频前馈三维重建方法

    论文提出免训练的 EcoVGGT 推理框架,利用固定关键帧集(Pinned Key Set)替代内容选择机制,实现长视频三维重建的恒定成本处理。实验显示该方法在 ScanNet 1000 帧视频上将速度提升 13.8 倍,并在 VGGT 模型上通过微调对齐模块将成功率从 70% 提升至 82%,同时支持单 GPU 处理 4000 帧及在线流式重建。

    推荐理由:提出免训练推理框架 EcoVGGT,通过固定关键帧实现长视频三维重建的高效流式处理。

  5. arXiv · 机器人与计算机视觉82

    Token2Tile:通过低秩空间实现基于 Tile 执行的 Token 级稀疏注意力以加速视频 DiTs

    arXiv 论文《Token2Tile》提出了一种无需训练的稀疏注意力算子,旨在解决视频扩散 Transformer 中注意力机制的二次计算成本瓶颈。该方法结合每查询评分与残差、在线低秩空间及 Tile 执行策略,将选中的 Key 打包至 GPU 核以加速推理。

    推荐理由:该工作提出了一种无需训练的稀疏注意力算子,在视频扩散模型上实现了显著加速且精度损失极小。

  6. arXiv · 机器人与计算机视觉59

    信号支架:解锁轻量级模型在自监督单目深度估计中的潜力

    针对边缘设备需求上升但现有轻量级方法精度不足的现状,本文提出无需引入额外数据集或参数的三阶段训练策略 Signal Scaffolding。该方法应用于自设计的轻量化网络 ReForgeDepth,在 KITTI 和 Cityscapes 数据集上实现了精度与效率的最优平衡,并能在边缘设备上实时运行。研究结果表明,通过优化训练方式即可进一步挖掘轻量级模型的潜在能力。

  7. arXiv · 机器人与计算机视觉56

    超越端点:基于贝塞尔曲线的视觉基础模型适应方法

    该研究提出通过学习少量共享提示词来适应冻结的视觉基础模型,并首次从理论上量化了特征空间传输的成本。研究发现,由于共享提示词与图像内容竞争注意力,仅靠线性插值往往无法沿最短路径移动;二次贝塞尔曲线路径能显著减少额外动作成本,在 VTAB-1k 数据集上提升了无标签分布偏移下的中间精度和在线准确率。论文给出了可解析的注意力模型分析,揭示了内容归一化对可达性的阈值效应,并提供了项目页面链接供复现。

11月14日周六
11月13日周五
  1. 量子位42

    方程豹钛9开启预订,搭载 DMS、闪充及天神之眼 B 等新技术

    比亚迪第 1900 万辆新能源汽车在西安工厂下线,科技新奢旗舰 SUV 方程豹钛 9 成为该里程碑车型并正式开启全国预订。该车搭载第二代刀片电池、云辇 -A、后轮转向及超级智能体“迪迪虾”等成果,定位个性豪华新品类。作为继钛 7 后的又一力作,方程豹钛 9 将于 11 月正式上市,体现比亚迪高端化战略成效。

  2. 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。

  3. arXiv · 机器人与计算机视觉72

    设备端机器人规划:通过消除推理冗余实现高效决策

    基于大语言与视觉语言模型的机器人策略虽具备强语义规划能力,但高推理延迟限制了实时部署。本文提出 REIS 框架,受人类认知启发,利用连续观测中动作与子目标重复的时序冗余特性,结合轻量级场景门控、KV 引导的可操作路由及深思熟虑的推理机制,在保持语义适应性的同时显著降低推理开销。实验表明该方法在 ALFRED 基准及真实世界任务中均能维持具有竞争力的性能。

  4. arXiv · 机器人与计算机视觉56

    物体即地址:Vision Transformer 注意力中的实例绑定机制

    该预印本论文研究了预训练 Vision Transformer 如何内在实现物体绑定能力。研究发现在八个预训练模型中,实例分离主要体现于注意力路由而非 token 内容;同一物体的不同部分共享特定的‘注意力地址’(查询组件指向的图像区域),而相同类别的不同个体则获得可移动的独立地址。编辑该查询组件即可重定向注意力地址以区分个体。

  5. arXiv · 机器人与计算机视觉42

    EG360:通过自适应全景 - 视角蒸馏与球体跨层级特征融合实现高效通用深度估计

    EG360 是一种针对全景深度估计的高效通用模型,利用场景几何引导的自适应全景 - 视角蒸馏策略及球体跨层级特征融合模块。该模型重参数化后仅含 6.593M 参数,在 Jetson Orin NX 16GB(MAXN 模式)上实现 35 FPS 推理速度,远超 ViT-small 模型的不足 2 FPS。代码将公开以支持未来研究。

  6. arXiv · 机器人与计算机视觉53

    面向低数据医疗图像分类的 CPU 可训练 ZACH-ViT 及其几何变体

    针对资源受限环境下的医疗图像分类任务,该研究评估了四种 ZACH-ViT 变体(线性、欧几里得原型、庞加莱和球面头)与两个紧凑多实例学习基线模型。所有模型均在 MedMNIST+ 七个数据集及三个外部基准上从头训练,参数量少于 260,000。

  7. arXiv · 机器人与计算机视觉17

    RGB-D SLAM on the Edge:Raspberry Pi 5 上 RTAB-Map 与 ORB-SLAM3 基准评测

    研究在 Raspberry Pi 5 上对 RTAB-Map 和 ORB-SLAM3 进行六序列基准测试,发现全分辨率下前者耗时 150-462ms、后者为 26-62ms。RTAB-Map 因无界内存优化位姿图导致成本高,而 ORB-SLAM3 局部束调整在并行线程中运行。四分之一分辨率时两者多数序列丢失跟踪,轨迹误差波动达 27%,精度差异尚无定论且未发生热节流。

  8. arXiv · 机器人与计算机视觉78

    QVS-LIVO RiskMap:面向多相机 LIVO 的健知视图选择与越野风险建图

    针对非道路环境多相机观测可靠性差异大的问题,提出 QVS-LIVO RiskMap 系统,将状态估计中的视觉处理与语义建图解耦。前端基于共享激光雷达 - 惯性后验进行只读预跟踪以评估观测健康度与几何互补性,利用通道健康记忆和切换迟滞选择至多一个视图进行光度校正;后端在共享世界网格中融合所有可用视图的语义观测。

    推荐理由:提出 QVS-LIVO RiskMap,通过解耦视觉处理实现多相机状态估计与语义建图,在越野环境下提升鲁棒性与实时性。

  9. arXiv · 机器人与计算机视觉82

    TraceKV:一种用于推理视觉语言模型的策略保持低秩 KV Cache 压缩方法

    针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。

    推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。

  10. arXiv · 机器人与计算机视觉78

    EM-ViT:通过视差细化与机器人自运动在线适配单目深度估计

    针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。

    推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。