跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉65

    通过蒸馏代理实现安全关键场景的模型感知生成以增强端到端驾驶鲁棒性

    该论文分析了 NeuroNCAP 基准上 DiffusionDrive 等模型的碰撞主要由规划失败导致,并提出一种针对特定规划器的模型感知框架。该方法利用从规划头蒸馏的可微分代理在鸟瞰图层面发起攻击,自动生成安全关键场景及逃逸轨迹用于微调,无需昂贵的视频渲染器参与攻击循环。

  2. arXiv · 机器人与计算机视觉27

    DiffTR:基于共享因子条件的扩散模型用于低秩张量恢复

    DiffTR 是一个无监督框架,通过坐标条件化扩散统一了张量补全、去噪与高光谱超分辨率任务。该架构分离表示学习与观测建模,支持标量及向量输出以适配表格、图像和视频等多种模态。实验在多模态张量恢复任务中展现了具有竞争力的重建质量与统一生成表示的灵活性。

  3. arXiv · 机器人与计算机视觉18

    Targeted Deep Regression 方法在英国生物样本库实现全身水脂 MRI 的肾脏体积、心脏体积及年龄数值回归,R²达 0.731-0.984

    Targeted Deep Regression 方法利用基于图像的回归技术,从英国生物样本库收集的颈至膝部水脂 MRI 数据中估算肾脏体积、心脏体积和年龄。该方法将 ResNet50 风格网络应用于代表特定解剖亚区域的 2D 多通道拼贴图,实现了 R²=0.731-0.984 的预测性能并突出了医学相关区域。研究结论表明该技术可标准化深度回归分析流程,提高信息密度并为未来医学推理研究开辟新路径。

  4. arXiv · 机器人与计算机视觉72

    LARVA:一种用于视频理解的联合潜在推理与观测框架

    arXiv 预印本介绍了一种名为 LARVA 的框架,旨在将多轮视频智能体的能力蒸馏到更小模型中。该框架通过让观测器传递紧凑的连续表示给推理器(而非仅用文本描述),并辅以观测重建和分布对齐的监督信号,使模型能同时学习如何表征证据以及如何行动。

  5. arXiv · 机器人与计算机视觉48

    通过自主进化优化 VLM 科学图表分析推理程序

    针对开放视觉语言模型在科学图表问答中准确率低的痛点,研究在不改变冻结模型的前提下,利用自主进化方法搜索并优化推理程序代码。实验在三款 VLM 及四个基准测试上显示,描述性问题的精确匹配率从初始程序的 16.6% 提升至进化后的 41.3%,最大增幅达 55.2 个百分点。此外,进化后的程序因生成短答案更易评分,推理速度比初始程序快 3.8 倍。

  6. arXiv · 机器人与计算机视觉73

    LOCUS:一次定位,直至收敛——基于框头与坐标 Token 验证的视觉 grounding 草稿 - 验证方法

    论文提出 LOCUS 框架,利用回归头作为推测器生成坐标 token,并通过共享骨干网络进行 Jacobi 迭代验证,将平均解码步数从 18.46 降至约 5.60。在 RefCOCO、RefCOCO+ 和 RefCOCOg 数据集上,该方法使 Locus-2B 的 [email protected] 从 54.87% 提升至 59.13%,且在参数不超过 3B 的模型中优于 Florence-2-L。

  7. arXiv · 机器人与计算机视觉45

    Swin Transformer 与 YOLOv11s 框架实现腹腔镜胆囊切除术阶段识别

    该研究提出融合 Swin Transformer、时序编码器及 YOLOv11s 的框架,在 Cholec80 数据集上实现 92% 的阶段识别准确率与 0.863 的器械检测 [email protected]。模型通过因果平滑消除阶段闪烁,性能优于 EndoNet、SV-RCNet 等基线方法,代码将公开以支持智能手术室应用。

  8. arXiv · 机器人与计算机视觉78

    Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation

    该论文针对手术器械增量分割中因数据不平衡导致的灾难性遗忘和偏差问题,提出了 SurgCSS 框架。该方法通过生成背景、类感知融合及对比学习损失来平衡分布并修正边缘偏差,同时动态融合新旧模型权重以优化性能。作者构建了新的基准数据集并进行实验验证,结果显示该框架在现有基线基础上有显著改进。

    推荐理由:针对手术器械增量分割中的数据不平衡问题,提出 SurgCSS 框架与基准。

  9. arXiv · 机器人与计算机视觉5

    DiffAuction:生成式图像广告拍卖驱动框架

    DiffAuction 提出融合可控生成、点击意图评估与拍卖设计的框架,通过无训练残差份额校准和份额条件提示优化多广告主曝光竞争。系统利用 VLM 提取视觉证据及 LLM 评估产品显著性等四维度点击意图,经千张图像标注验证有效。基于可学习仿射最大化拍卖机制的实验显示,该方法强化了目标份额与点击意图的单调关系并提升了平台收益。

  10. arXiv · 机器人与计算机视觉38

    LayoutMamba:混合 Mamba-Transformer 网络实现高效文档布局分析

    LayoutMamba 提出一种结合稀疏注意力 Transformer 与 Mamba 状态空间机制的混合框架,在 PubLayNet 数据集上以少 8 倍参数超越最先进方法并维持 D4LA 前 3 性能。该方法通过几何重叠惩罚损失(GOPLoss)缓解基准分布偏差,专为资源受限的边缘计算场景设计,论文代码与权重待开放许可。

  11. arXiv · 机器人与计算机视觉35

    CoDeRNet:异构监督下变化检测与描述的选择性跨任务路由框架

    CoDeRNet 提出一种统一框架,通过置信度分解路由机制在 LEVIR-MCI 和 WHU-CDC 数据集上实现强整体性能。该方法在提升描述生成的同时保持有竞争力的区域定位,验证了异构监督下条件信息转移对联合建模的重要性。论文已被 NeurIPS 2026 接收,代码与数据许可状态待定。

  12. arXiv · 机器人与计算机视觉68

    通过免导数优化从姿态偏移中恢复黑盒点云模型

    论文提出 CanDO 方法,针对无法获取权重或梯度的黑盒点云模型,利用免导数优化搜索输入变换以最大化模型置信度,从而在测试时应对分布外旋转。实验表明,该方法在方位角误定向下恢复了 76% 的预言机差距,任意 SO(3) 旋转下恢复 51%,证明冻结模型可通过部署后校正从旋转诱导的分布偏移中恢复。

  13. arXiv · 机器人与计算机视觉48

    Natural Jammers:非鲁棒特征如何成为对抗性干扰源

    研究揭示深度神经网络依赖的非鲁棒特征可充当天然干扰器,在清洁图像上误导标准模型。通过光谱 - 空间锁定机制及替换悖论分析,发现高频分量与特定空间结构对齐是干扰产生的唯一条件。光谱滤波或微小几何位移即可恢复正确预测,且整体干扰率在变换下保持稳定而非消除。

  14. arXiv · 机器人与计算机视觉58

    ToDoPro:基于下采样自探测的更快更好参考生成

    ToDoPro 针对多参考图像生成中的 Token 爆炸问题,提出一种无需额外参数且兼容现有模型的加速方案。该方法通过在空间上 2 倍下采样的参考图像执行少量去噪步骤进行廉价探测,利用模型自身提取参考 Token 的重要性,随后在主要去噪阶段前分层削减低重要性 Token、替换中重要性 Token 并保留高重要性 Token。

  15. arXiv · 机器人与计算机视觉73

    FG-CPAB:一种可扩展的高表达力参数化微分同胚因子化梯度方法

    论文提出 FG-CPAB,通过分离积分过程与参数空间投影来解决连续分段仿射变换优化中轨迹积分与梯度计算耦合的问题。该方法将梯度计算复杂度从 O(dTN) 降低至 O(TN+dC),在二维场景下实现约 10^4 倍的加速和约 500 倍的显存峰值减少,首次使细粒度 tessellation 的 CPAB 在二维和三维中变得实用。该工作已被 NeurIPS 2026 接收。

  16. arXiv · 机器人与计算机视觉47

    RSKD:通过蒸馏在驾驶 VLMs 中实现语义一致性

    RSKD 是一种针对自动驾驶视觉语言模型(VLM)的语义一致性引导蒸馏框架,旨在解决传统均匀 token 级匹配稀释规划相关语义及放大教师错误的问题。该方法根据答案短语的任务重要度及其与教师预测的语义一致性路由监督信号,仅在语义一致处强调教师信息,而在不一致处加强真实标签监督。

  17. arXiv · 机器人与计算机视觉45

    Good Rankings, Poor Choices? Rethinking Language-Only Vision-Language Model Selection

    针对仅用文本信息选择视觉语言模型(VLM)的评估协议,研究指出排名指标无法直接反映选定模型性能。新方法 Target-Conditioned Expected Source Regret (TC-ESR) 在 22 个目标任务和 43 个 VLM 上实现了最低的均后悔值与异常鲁棒归一化后悔值。此外,研究修正了先前协议中导致目标性能泄露的两个来源。

  18. arXiv · 机器人与计算机视觉84

    文字重要吗?文本对少样本与全样本视觉语言异常检测的贡献分析

    该论文通过理论证明与跨七个医疗数据集的实验表明,在少样本和全样本设置下,视觉语言异常检测器的性能仅取决于提示词向量的有效尺度(scale)和排列方式,而非其语义内容。研究证实,只要保持锚点向量差值的长度一致,替换文本不会改变概率图;打破尺度匹配会引入性能差距,而恢复该尺度即可消除差距,无需依赖具体文本含义。

    推荐理由:研究证明少样本与全样本异常检测器仅读取提示词的尺度与排列,而非语义内容。

  19. arXiv · 机器人与计算机视觉48

    Recursive CLIP:利用循环 Transformer 块实现视觉语言蒸馏的新架构

    Recursive CLIP 通过复用少量 Transformer 块构建递归骨干网络,在保持 ViT-B/16 教师模型计算深度的同时提升参数效率。该研究基于 CC3M 和 CC12M 数据集进行知识蒸馏,并在零样本分类、跨模态检索及少样本学习等任务中验证了其在视觉语言模型中的可行性与适应性。

  20. arXiv · 机器人与计算机视觉78

    GRASP:无需推理标注的医疗视觉问答混合后训练方法

    针对医疗视觉问答(VQA)数据稀缺且缺乏推理标注的问题,本文提出 GRASP 方法,将强化学习与监督微调结合于每次更新中,利用 RL 探索模型自身推理并由 SFT 提供金标准答案进行直接监督。该方法仅微调约 1% 参数,在 Qwen3-VL-8B、InternVL3-8B 和 Gemma 3-4B 等模型上均优于对比基线。论文开源了包含 12.9K 短答案问题的 MedTerse 数据集及代码。

    推荐理由:提出 GRASP 方法,结合 RL 探索与 SFT 监督解决医疗 VQA 数据稀缺且无推理标注的难题。

  21. arXiv · 机器人与计算机视觉28

    TRPE 模型解决联邦持续学习中的任务无关性与灾难性遗忘问题

    TRPE 模型通过分布外检测器与半径自适应 DBSCAN,在无先验知识下识别新任务并推断类别数量。该方法利用全局任务相关性筛选关键提示对,结合软正交约束平衡新旧任务学习,在多样数据集与骨干网络上验证了有效性。论文已接受发表于 TPAMI,代码与权重开放许可状态待定。

  22. arXiv · 机器人与计算机视觉82

    ChronoReplay:单一答案接口不足以支撑流式空间智能

    该论文针对训练空间视觉语言模型时出现的‘接口锁定’现象,提出 ChronoReplay 方法。该方法通过将异质空间监督以时间顺序回放、保留原生目标并平衡不同类别的监督,在相同观测访问下同时提升了 OVO-S-Bench、OST-Bench 和 UCS-Bench 三项基准的性能,其中 OST-Bench 提升 13.41 分。

    推荐理由:提出 ChronoReplay 方法解决空间 VLM 的接口锁定问题,通过时序回放异构监督提升多基准性能。

  23. arXiv · 机器人与计算机视觉48

    CropReward:审美图像裁剪的人类偏好基准与奖励模型

    CropBench 构建包含 106,995 对偏好的基准,揭示现有 IoU 及 IAA 指标与人类偏好对齐有限。CropReward 作为 MLLM 奖励模型显著优于现有标准,指导训练的 CropAlign 在无需人工标注框下超越最先进方法。该研究通过构建最大规模数据集 CropReward-300k,验证了基于奖励监督优化裁剪模型的有效性。

  24. arXiv · 机器人与计算机视觉72

    CLIP 微调增量中的功能性内容测量:回退、保留与语义干预

    该研究针对预训练模型微调后难以识别哪些权重变化支持新任务行为的问题,提出通过回退(恢复参数至预训练值)和保留(仅保留选定微调更新)配对实验来评估功能贡献。作者在合成金融图表及 Flowers102 等数据集上对 CLIP 模型进行了最终六层视觉块的微调实验。

  25. arXiv · 机器人与计算机视觉38

    Texture-Aware Strategies for Subregion Style Transfer Augmentation 提升数据增强鲁棒性

    针对现有风格迁移方法依赖随机区域选择或固定几何约束的局限,该研究提出一种纹理感知子区域风格增强框架。实验表明,结合纹理驱动与辅助随机区域的混合策略,在分类准确率及鲁棒性上均优于现有基于风格的增强方法。

  26. arXiv · 机器人与计算机视觉33

    Rank-1 Weight-Corrected Trainable Weight Averaging 用于分布外检测

    该方法通过奇异值分解提取秩一权重分量作为修正方向,在 ResNet50 上结合 MSP 和 RankWeight 指标优于微调及标准 TWA。实验显示 Mahalanobis 评估结果不一,表明收益取决于分布外评分协议,且修正层靠近分类器时效果更佳。论文已接受至 ACCV2026 Workshop on Subspaces in the Era of Foundation Models。

  27. arXiv · 机器人与计算机视觉82

    C3L:通过语义概念引导打破持续学习中的解释漂移循环

    该论文指出持续学习中存在‘解释漂移’现象,即模型在保持准确性的同时将注意力转向虚假相关特征。作者提出 C3L 方法,利用离线发现的类一致语义概念(如‘弯曲的喙’)作为正则化锚点,打破自指漂移循环并抑制背景虚假相关性。该方法无需人工标注概念集,采用全自动概念发现与空间定位,在五个基准测试和二十多个基线模型中展现出最先进性能。

    推荐理由:针对持续学习中的解释漂移问题,提出基于离线发现语义概念的 C3L 方法,打破自指循环并抑制虚假相关性。