跳到正文
10月26日周一
  1. arXiv · 机器人与计算机视觉47

    Searching with Sparse Histories:基于稀疏日志与零成本代理的跨任务架构搜索方法

    针对现有神经架构搜索(NAS)在稀疏历史下失效的问题,该方法结合冠军初始化与联合成对排序器预训练策略。在 TransNAS-Bench-101 基准上,Micro 自编码最坏 10% 排名从 290 降至 43,Macro 房间布局从 465 降至 45。该方法在 13 个细胞空间目标中超越纯代理排序器,覆盖 10 个目标的均值与最坏情况性能。

  2. arXiv · 机器人与计算机视觉62

    SPOOK:基于稀疏像素优化的非流形知识提取方法

    针对现代视觉编码器在远离自然图像流形时语义表征不清晰的问题,作者采用黑盒设置下的简单像素级爬山算法对空白画布进行稀疏编辑。实验表明,在 OpenCLIP 和 DINOv3 等模型上,优化后的输入能成功检索特定目标或对齐原型,证明了稀疏编辑可进入语言对齐及自监督视觉表征的语义盆地。该研究识别了此类模型的共享失效模式,并提出将空白画布优化作为表征几何探测的简单手段。

  3. arXiv · 机器人与计算机视觉45

    Consommé:用于分割推理的条件化 Token 合并方法

    Consommé 是一种在冻结骨干网络下实现分割推理的 Token 压缩方法,利用 CLS token 的双重特性通过软分配将图像块合并为恰好 k 个 token。该方法在 DeiT-S/T 数据集上于激进预算下领先现有方法,且在浅层分割场景可运行而二分匹配无法操作,以更低部署成本达到微调方法的性能。

  4. arXiv · 机器人与计算机视觉78

    VERA-Hand:面向第三人称动态手势视频的 2D 手姿态估计多维验证基准

    VERA-Hand 是一个针对 2D 手姿态估计的多维验证基准,包含对 10,690 个手部实例的人工验证标注。该基准从检测、定位、识别及时序稳定性四个维度评估模型,并引入联合 Pose-F1 指标要求同时满足正确检测与精准定位。

    推荐理由:该基准通过人工验证标注和多维指标,揭示了现有手姿态估计器在漏检、身份混淆及时序稳定性上的局限。

  5. arXiv · 机器人与计算机视觉57

    MDMR-Bench:多参考图像生成的多维度基准

    针对现有基准在多维评估上的不足,作者提出了 MDMR-Bench 基准,涵盖实体融合、属性迁移、多图元素提取、信息图操作及视觉推理等四个维度。该工作引入清单式评估协议,将生成质量分解为全局与原子级查询以支持细粒度诊断。研究对比了开源与专有模型,数据集和代码已公开。论文已被 NeurIPS 2026 接收。

  6. arXiv · 机器人与计算机视觉62

    FG-LUPI:通过多模态蒸馏利用文本作为特权信息进行细粒度视觉分类

    论文提出 FG-LUPI 框架,解决细粒度视觉分类中测试时缺乏文本属性监督的问题。该方法训练一个整合图像块与文本属性的多模态教师模型,并通过预测、块和注意力层面的多级蒸馏将知识迁移至纯图像学生模型。实验在多个基准上显示,该框架相比强 ViT 基线提升了分类准确率,并降低了预期校准误差(ECE),证明了文本属性监督能同时提升性能与置信度可靠性且保持推理效率。

  7. arXiv · 机器人与计算机视觉8

    第 3 届 WEAR 挑战赛错误预算分析:堆叠、计数约束与接缝匹配

    针对第 3 届 WEAR 数据集挑战,该报告分析了 shuffled multimodal windows 系统的离线归纳误差。在参与者级模拟中,特征堆叠使宏观 F1 提升 0.051,软计数约束再增 0.011;二次接缝距离虽能正确排序约 720 个候选中的 83.9%,但对最终分数影响微乎其微。系统配置在仿真中得分 0.936,提交版本得分为 0.938,其中部分错误涉及空类标签。

  8. arXiv · 机器人与计算机视觉62

    OlmoEarth v1.3:遥感多模态数据嵌入向量发布

    作者发布了 OlmoEarth v1.3 预印本,该模型旨在将多模态、多时相的遥感数据压缩为 64 或 128 维向量。相比前代版本,其训练所需 GPU 时间分别减少 18% 和 53%,同时保持了与 v1 及 v1.2 相当的编码器骨干性能。作者利用该模型计算并发布了全球年度 10m 分辨率的嵌入向量,数据遵循 OlmoEarth artifact license。

  9. arXiv · 机器人与计算机视觉5

    STB-tvMF Dice Loss:无需超参调优的医学图像分割损失函数

    Self-Tuned Boundary-Aware t-vMF Dice Loss 通过利用前一 epoch 的平均预测 - 目标余弦相似度自动确定形状参数,解决了自适应方法需调优的问题。在 Synapse 数据集配合 U-Net 架构下,该方法将平均 DSC 从 63.03% 提升至 70.75%,且在三个数据集与多种架构上均验证有效。代码即将发布。

  10. arXiv · 机器人与计算机视觉45

    LapaFM:通过多阶段持续学习构建的腹腔镜基础模型

    LapaFM 是基于超过 20,000 分钟手术视频训练、采用多阶段持续学习策略以缓解灾难性遗忘的腹腔镜基础模型。该模型支持烟雾去除、手术阶段识别及息肉分割等多任务,在 13 个回顾性和 2 个前瞻性队列中表现优于专用模型与现有基线。其成功恢复超 90% 被烟雾遮挡帧,并在淋巴结转移预测等任务达到临床级或更优性能。

  11. arXiv · 机器人与计算机视觉59

    通过复合子空间流匹配进行表征学习

    针对自监督学习中联合嵌入架构与生成模型难以兼顾语义提取与细节保留的矛盾,论文提出复合子空间流匹配(CSFM)方法。该方法将表征学习定义为确定性退化课程下的方差最小化逆过程,通过在光谱、颜色和光照子空间中实施硬时间风格截断来约束轨迹方差,驱动容量受限编码器忽略瞬态风格伪影并编码持久内容。

  12. arXiv · 机器人与计算机视觉48

    Benchmarking Data-Free Continual Model Merging for Whole-Slide Image Survival Analysis 基准评测数据免持续模型合并全切片图像生存分析

    针对全切片图像连续生存分析需整合癌症队列知识且保留旧信息的挑战,该工作建立了涵盖任务特定微调、顺序合并及 TASK-IL 与 CLASS-IL 设置的数据免持续模型合并端到端基准。

  13. arXiv · 机器人与计算机视觉48

    Neural Disjunctive Normal Forms for Learning Exact Rank Filters 提出一种基于阈值分解的神经网络表示方法,通过直传过程实现精确秩滤波器的梯度学习。该方法在 MNIST、Fashion-MNIST 去噪及视网膜血管分割任务中,均优于使用精确次梯度的训练基线及平滑形态学网络。

    Neural Disjunctive Normal Forms for Learning Exact Rank Filters 提出一种基于阈值分解的神经网络表示方法,通过直传过程实现精确秩滤波器的梯度学习。该方法在 MNIST、Fashion-MNIST 去噪及视网膜血管分割任务中,均优于使用精确次梯度的训练基线及平滑形态学网络。

  14. arXiv · 机器人与计算机视觉43

    DS-BiCA-Net:遥感图像变化描述中的成对保持跨时间建模方法

    DS-BiCA-Net 通过分离内图与跨时模块并保留双图独立流,在 LEVIR-CC 数据集上以 82.65 的 S_m^* 刷新最高记录,Dubai-CC 无几何增强下获 66.72 次高成绩。实验证实仅内图优化无效,需先经双向交叉注意力才能提升性能且优于反向顺序。该方法为后续模型设计提供了可独立测量的模块贡献证据。

  15. arXiv · 机器人与计算机视觉82

    分离双曲视觉语言模型中的角度对齐与径向排序

    该论文介绍 AURORA 框架,旨在解决现有双曲视觉语言预训练目标中语义对齐与层级结构纠缠的问题。作者提出通过角度对齐捕获语义相似性,并利用新的径向 - 角度顺序锥(RAOC)进行蕴含建模,同时引入范数正则化防止径向退化。模型在数百万图像文本对上训练,并在零样本分类、图文检索等任务上优于欧氏和双曲基线。材料为 arXiv 预印本,未提及同行评审状态或开源代码。

    推荐理由:提出 AURORA 框架,通过解耦语义对齐与层级蕴含建模解决双曲空间表示冲突。

  16. arXiv · 机器人与计算机视觉78

    RVL-CDIP 数据质量审计:发现标签错误与测试集污染并发布修正语料

    RVL-CDIP 作为文档分类事实标准基准,其报告准确率已达 98.8%。本研究对其进行系统性审计,发现约 10.5% 的 40 万份文档存在错误标签,35.2% 的测试集样本在训练集中有重复或近似副本。

    推荐理由:该研究对 RVL-CDIP 基准进行系统性审计,发现标签错误、测试集污染及敏感数据问题并公开修正版。

  17. arXiv · 机器人与计算机视觉57

    TTT in VLA Models: Exploring Training with Human Demonstrations

    该论文记录了在 InternVLA-A1 和 Pi0.5 上集成测试时训练(TTT)的实验配置与观察结果,指出在当前规模下该方法未能实现基于演示的持续目标选择。研究考察了记忆转移、截断反向传播及对比正则化等设置,发现较短序列或全轨迹梯度连通性并未显著提升对演示的响应能力;当演示简化为单帧提示时,真实机器人执行仍表现出对固定位置杯子的偏好。材料提供了实现细节与训练配置以支持进一步检查与复现。

  18. arXiv · 机器人与计算机视觉46

    NUViT:面向傅里叶空间数据的非均匀视觉 Transformer

    NUViT 通过重构图像分块、数据表示与位置编码,解决了标准 ViT 在傅里叶空间数据上适配性差的问题。实验涵盖傅里叶域分类、2D 晶体晶格识别、MRI 标注及冷冻电镜蛋白异质性分析,结果显示其结构捕捉能力优于现有架构。该预印本论文发布于 arXiv,代码与权重开放许可状态待进一步确认。

  19. arXiv · 机器人与计算机视觉50

    STEP:基于稀疏端点和伪轨迹的手术点追踪

    STEP 是一个两阶段框架,用于从手术视频中学习稀疏物理端点的持续对应关系。第一阶段利用冻结的离线教师生成候选轨迹,并通过时间可逆性和立体一致性选择密集监督;第二阶段使用鲁棒的物理端点损失锚定终端对应,同时通过往返损失约束时间一致性。

  20. arXiv · 机器人与计算机视觉46

    Ba-GP 框架修正高斯过程回归中的输入偏差

    Ba-GP 框架利用记录的高斯过程后验均值梯度,将估计的输入偏差与噪声高效传播至均值和协方差修正。仿真与室内光强映射实验表明,该方法相比含噪输入基线提升了预测精度与不确定性校准,且计算成本降低一个数量级。该成果已获 IEEE Robotics and Automation Letters 录用(2026 年 10 月)。

  21. arXiv · 机器人与计算机视觉26

    FSVL:面向长江中游可解释混淆鱼类识别与知识生成的快慢视觉语言协作框架

    FSVL 提出一种整合视觉识别与大语言模型检索增强生成(RAG)的快慢双路径框架,解决淡水鱼类细粒度识别难题。在包含 51 个物种的中游测试集上,该框架将分类准确率从 99.67% 提升至 100%,并将知识生成的科学名准确率从 91.37% 提高至 100%。

  22. 盖世汽车 · 汽车资讯75

    简智机器人开源Gen-HumanWholeBody 600小时全身操作数据集

    简智机器人正式开源Gen-HumanWholeBody数据集,包含600小时高精度全身移动操作数据,覆盖16976个场景和1281种人类技能。该数据集采用第一视角Ego视觉方案采集,利用自研数据基础模型(DFM)将原始行为转化为结构化数据,实现了多模态统一对齐,可直接投入机器人策略训练。

  23. Hugging Face Daily Papers63

    Harness-Model 协作用于长程持续学习

    针对长程智能体面临的知识复用与快速适应矛盾,本文提出 HaMo 框架,通过蒸馏轨迹为策略级经验卡片实现即时检索,并利用经验条件化的持续学习目标训练模型跨语境执行策略。实验表明该方法在域内和跨域偏移下均优于单一 Harness 或单一模型适应方案,有效提升了知识保留与新任务适应能力。

10月25日周日
  1. Hugging Face Daily Papers68

    ProAS:一种用于多轮代理强化学习的进度感知优势塑造框架

    针对无批评者算法(如 GRPO)存在的均匀信用分配难题,本文提出 ProAS 框架,利用动态演化的代理参考图实现细粒度信用分配。实验表明该方法在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上分别将 ALFWorld 任务成功率提升至 91.9% 和 94.3%,WebShop 任务达到 66.7% 和 70.8%,并将训练收敛速度提升约 2.44 倍。

10月24日周六
  1. 量子位28

    特赞提出企业需构建“主观世界模型”与“企业世界模型”,并发布 Agentic Transformation 共建计划

    特赞在 WTCC 论坛提出,企业智能体架构需同时具备理解客户偏好的“主观世界模型”和理解内部流程的“企业世界模型”。特赞已采集万条量级专家判断路径构建训练数据,其主观世界模型在行为模拟上准确率达 85%。公司同步发布 Agentic Transformation 共建计划,推动高校与企业协作将组织判断转化为可积累资产。

  2. Hugging Face Daily Papers83

    EnvLunch:将环境作为交互学习的免费午餐

    针对智能体数据分析需大量标注任务的痛点,该方法提出 EnvLunch 阶段,利用可执行环境的丰富交互结构生成无标注任务,让模型仅凭最终观测恢复等效轨迹。实验显示,该预热策略使模型在各类下游训练预算下平均超越基线超 9 个点,且仅需少量标签即可达到基线需 8 至 32 倍数据量的准确率。

    推荐理由:该预印本提出利用可执行环境本身作为无标注任务来源,在下游强化学习前进行免标签预热训练,显著降低对人工标注数据的依赖。

10月23日周五
  1. 智元 AGIBOT · Newsroom87

    智元开源 AGIBOT WORLD Release 4:面向物理推理的数据集

    智元宣布开源 AGIBOT WORLD 2026 的第四版发布内容“物理推理”数据集,将任务设计重心从操作难度转向决策复杂度。该数据集覆盖具身智能五大研究方向,包含超 10 类逻辑推理场景,记录同一目标在不同状态与约束下的决策与执行过程。通过连接高层指令、子任务分段、动作步骤及空间标注,支持决策模型与底层策略的协同训练,旨在帮助机器人从孤立操作迈向自主完成复杂现实任务。

    推荐理由:智元开源 AGIBOT WORLD Release 4,提供涵盖多状态约束的物理推理数据集与细粒度标注,支持决策 - 执行联合训练。

  2. arXiv · 机器人与计算机视觉65

    Disentangled Sparse Representations for Concept-Separated Diffusion Unlearning

    针对文本到图像扩散模型的去学习任务,现有稀疏自编码器(SAE)方法因未显式强制概念分离而导致语义相关概念共享潜在特征。本文提出 SAEParate,利用交叉注意力引导的空间聚合强调概念相关区域,并通过非线性变换增强编码器的表达能力以在潜在空间明确分离重叠概念。实验表明该方法在 UnlearnCanvas 基准上达到最先进性能,尤其在联合风格与物体去学习这一易受干扰的场景中表现显著。