跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉15

    基于概率模型的 MRI 头部分割脂肪位移校正方法 FLOW

    针对 T1w MRI 扫描中脂肪组织化学位移伪影导致颅骨和头皮分割偏差的问题,研究提出利用变分推断的 FLOW 方法。该方法根据扫描参数显式建模脂肪位移,在保持其他结构高准确率的同时显著提升了外脑解剖结构的还原精度。实验表明,FLOW 校正后的分割结果大幅降低了生物物理电场模拟中的系统性偏差。

  2. arXiv · 机器人与计算机视觉48

    QVR3D:无需训练的查询引导视觉推理实现 3D 定位

    QVR3D 提出一种基于 RGB-D 观测的查询引导视觉推理框架,通过 QGMC 选择互补视图并结合 GPE 估计定位概率。该方法在 ScanRefer 和 Nr3D 数据集上实现了零样本状态最优性能,且无需任务特定适配即可支持单多目标定位。代码已开源,QGMC 还提升了多个三维视觉语言任务的帧效率。

  3. arXiv · 机器人与计算机视觉64

    CuPH:基于像素的并行立方体持久同维算法

    作者提出 CuPH 算法,通过基于像素的层级同步扫描和免锁并查集方法,将图像持久同维计算的并行深度从线性降低至对数级。实验显示该算法比现有 GPU 基线快 18.6 到 99.6 倍,在拓扑感知分类和分割任务中分别加速 4.2 到 16.7 倍及 8.3 到 44 倍,同时保持精度不变。

  4. arXiv · 机器人与计算机视觉54

    GAV:一种基于视角感知的跨视图指代推理与视觉定位新框架

    论文提出 GAV(Grounding Across Views)框架,旨在解决从卫星图定位地面目标时自然语言查询难以直接对齐的难题。该方法将传统点击或框选提示扩展为联合由指代表达和视觉示例引导的实例定位,通过视角感知的推理机制提取目标中心描述并增强方向无关的角色线索。

  5. arXiv · 机器人与计算机视觉78

    Robust Pixel-wise Digital Image Correlation under Large Motions and Illumination Variations via a Global-to-Local Hybrid Neural Field

    该论文提出一种全局到局部混合神经场框架,用于在大幅运动和光照变化下实现鲁棒的像素级位移测量。第一阶段通过粗粒度旋转搜索、相位相关和掩码细化估计主平面刚性变换,为后续优化提供可靠初始化;第二阶段利用混合 Kolmogorov-Arnold 网络与多层感知机表示残差位移,并采用对重叠区域有效且抗光照的结构损失函数进行优化。实验表明该方法在噪声、非均匀变形、大旋转及退化成像条件下均能准确稳定地恢复位移。

  6. arXiv · 机器人与计算机视觉78

    UniCaMo:统一相机与运动控制的视频扩散模型框架

    UniCaMo 是一个用于图像和文本生成视频的扩散模型框架,能够联合控制相机与物体运动。该方法基于参考图像、文本提示、稀疏 3D 物体轨迹及 3D 相机轨迹构建运动一致的输入噪声,结合参考衍生的噪声传播与新区域球高斯噪声表示,无需重建未观测场景几何即可提供有效的运动先验。

    推荐理由:提出无需修改架构的联合相机与物体运动控制框架,通过轻量微调实现视频扩散模型的先进运动可控性。

  7. arXiv · 机器人与计算机视觉42

    PhoneValue-Bench:智能手机翻新检测的双真值基准与 ValueAgent 推理管线

    PhoneValue-Bench 填补了现有资源在员工对齐换机字段及双真值评估上的空白,提供包含两万多个订单的弱标注训练集。ValueAgent 在该基准全项测试中达到 84.1/100 分,外观与员工字段填充率分别为 97.0% 和 54.1%,建立了多模态翻新估值的双真值基准。项目公开了可执行的评分器、提交模式及代码仓库,支持生产检验流程的感知融合与估值推理。

  8. arXiv · 机器人与计算机视觉48

    ConstraintMatch:通过受限区域证据选择实现组合式图文匹配

    ConstraintMatch 是一种无需训练即可利用实体级区域一致性提升图文匹配的推理方法。该方法在冻结条件下,于全 ARO Attribute 数据集上使准确率较全局匹配提升 7.70 个百分点,并在 SugarCrepe++ 属性交换任务中平均提升 5.63 个百分点。研究验证了将实体级证据选择作为组合式多模态检索评分原则的有效性。

  9. arXiv · 机器人与计算机视觉48

    FusionGhost-Gait 模型在 ArabGait 数据集上实现鲁棒的遮挡步态识别

    FusionGhost-Gait 融合时空架构,在包含海湾服饰的 ArabGait 数据集上 Rank-1 准确率最高达 67.91%。该模型参数量仅 108,970-133,674、FLOPs 为 0.035-0.052 billion,较基线减少超 65% 参数与 75% 计算量。研究证实其在严重遮挡导致下肢姿态置信度下降场景下仍具轻量化部署潜力。

  10. arXiv · 机器人与计算机视觉58

    DADKC:面向衣物混合终身行人重识别的分布感知自适应差异化知识巩固框架

    该论文提出了 DADKC 框架以解决终身行人重识别(LReID)任务中的域偏移与同一身份不规则衣物变化问题。核心思想是在差异化知识巩固范式上增强自适应分布建模,设计了锚点池适配器、阶段路径混合器和阶段桥对齐三个轻量级模块,在无需存储历史图像或特征的情况下实现了基线方法的性能提升并降低了遗忘率。材料为预印本,代码已开源。

  11. arXiv · 机器人与计算机视觉78

    SceneBound:流式三维重建模型应记住多少?

    论文提出 SceneBound,一种无需训练的规则,用于决定流式三维重建模型何时写入关键帧。该规则仅在预测相机位姿距离所有存储的关键帧超过固定半径时写入,使关键帧数量与访问位姿的覆盖数成常数倍关系。在 CUT3R 和 StreamVGGT 等模型的循环状态或 KV 缓存中,该方法实现了评估的训练免费规则中的最低平均轨迹误差,且关键帧增长仅占 3% 至 6%。

    推荐理由:提出无需训练的 SceneBound 规则,通过几何覆盖数控制流式三维重建模型的记忆量与漂移。

  12. arXiv · 机器人与计算机视觉72

    SE-Mem:面向场景一致的生成式视角合成的语义 - 情节记忆框架

    arXiv 论文 SE-Mem 针对相机条件交互式视频生成中全局场景一致性保持的挑战,提出一种受人类认知启发的语义 - 情节记忆框架。该方法将历史观测组织为结构化 3D 表示并附加语义重要性评分,采用两阶段检索策略识别最具信息量的帧以提供上下文引导。

  13. arXiv · 机器人与计算机视觉58

    RATR:基于角色分配和时间路由的免训练材质重绑定

    该论文提出 RATR 方法,旨在将参考图像的材质外观转移到目标物体上,同时保留其几何结构和身份。现有方法难以平衡保真度与结构保持,因视觉条件中结构与外观线索相互耦合。RATR 基于扩散模型构建免训练编辑器,通过角色分配协调两者影响:在目标侧引入反照率解析表面释放机制以抑制原始外观并保留几何线索;在参考侧设计材质证据隔离机制强调材质线索并减少物体结构干扰。

  14. arXiv · 机器人与计算机视觉10

    3D Neural Rendering for Automated Ultrasonic Laser Scans 提出结合机械臂与神经渲染的波场重建方法

    该方法利用 UFactory xArm6 六自由度机械臂配合压电换能器,以已知姿态向静止激光多普勒测速仪展示声学激发测试件。训练出的 Complex-nerfacto 模型在保留复数测量值方面优于基线 RGB nerfacto,在独立视角下平均 ZNCC 达 0.60(基线为 0.28)。该技术已用于焊接铝制圆柱和 T 型支架的缺陷检测与表征,但稀疏扫描下的几何重建仍是实际部署的主要障碍。

  15. arXiv · 机器人与计算机视觉78

    直线并非相机位姿:对短片段位姿基准的审计

    Xinyi Shi 在 arXiv 发布论文,指出绝对轨迹误差(ATE)作为相机运动标准指标的局限性。研究发现,在恒定速度假设下,简单将预测轨迹拉直反而能降低 ATE 得分,且该指标忽略相机朝向导致几何评估失真。作者提出一种修正后的位姿锚定 ATE 方案,能更准确地追踪重投影误差并区分不同模型性能。代码、预测结果与数据将在后续发布。

    推荐理由:该研究指出绝对轨迹误差指标存在缺陷,提出一种修正方案以更好评估几何精度。

  16. arXiv · 机器人与计算机视觉58

    面向预算受限的超光谱场景检查的空间不确定性分析

    该研究针对宽域超光谱调查生成的土地覆盖图在类别边界和模糊区域可靠性低的问题,提出利用集成分类器的像素级不确定性表面来指导有限次实地核查的策略。通过在七个基准场景中验证,该方法选取的高不确定性像素包含的错误数量是整体场景的 2.6 至 7.9 倍;使用贪心视野感知覆盖策略仅需 15 个站点即可覆盖高达 57% 的分类器错误,效率是不确定性无关采样的 1.7 至 18 倍。

  17. arXiv · 机器人与计算机视觉48

    PRISM-Net:基于 VLM 引导解耦属性蒸馏的可解释细粒度产品检索网络

    PRISM-Net 提出一种可解释多专家架构,利用零样本 SigLIP 提示词监督结构线与色彩专家路径,解决大规模电商系统中的特征纠缠问题。在包含 27.5 万图像的跨模型基准测试中,该网络将 SwinV2 的全折叠 mAP@10 从 80.98% 提升至 83.90%,其中线条与色彩识别分别提升 5.74% 和 9.12%。

  18. arXiv · 机器人与计算机视觉78

    TAP-Out:通过外推技术实现任意点的 360°跟踪

    论文提出了 TAP-Out 方法,这是一种离线算法,利用生成式视频外推作为世界模型先验来解决目标离开相机视场后的跟踪问题。该方法将窄视场输入视频外推为完整的 360°全景视频,通过视频对象分割定位目标,并合成以物体为中心的视角裁剪供标准帧内跟踪器运行。

    推荐理由:该工作提出利用生成式外推构建世界模型先验,在 TAPVid360 基准上实现离屏目标跟踪的最优性能。

  19. arXiv · 机器人与计算机视觉15

    MedSAM、LiteMedSAM 与 CNN 在细视网膜血管分割中的性能对比评估

    MedSAM 预训练模型在所有四个数据集上对细血管的中心线召回率与最佳 CNN 无显著差异,差距介于 -0.6 至 +2.5 个百分点。架构搜索获得的紧凑纯 ViT 从头训练则未保持该性能,而预训练纯 ViT 结果不支持其遗漏细血管的普遍预期。研究在 DRIVE、HRF、FIVES 及 VessMap 数据集上验证了模型容量与计算成本权衡。

  20. arXiv · 机器人与计算机视觉72

    MoRE-GS:面向未来高斯泼溅的运动机制专家路由方法

    针对动态新视角合成中单一动力学模型难以同时表征静止区域、协调运动和关节轨迹的问题,该研究提出 MoRE-GS 框架。该方法冻结仅由观测时间前缀重建的高斯表示,利用持久性、系数空间 Transformer、图卷积网络及带刚性/非刚性约束的结构化 Transformer 四个互补专家预测控制关键点运动。

  21. arXiv · 机器人与计算机视觉78

    Déjà Vu:基于循环一致性的语义对应重排序方法

    arXiv 预印本发布了一种名为 Déjà Vu 的测试时解码模块,旨在提升跨图像语义关键点匹配的精度。该方法将匹配问题重构为‘先召回后重排序’流程,利用大模型特征中零样本能力优于贪心选择的特性,通过自适应候选集和循环一致性评分进行优化。实验显示其在 SPair-71k 等基准上显著提升了 [email protected] 与 Keypoint Average Precision 指标。

    推荐理由:提出测试时重排序模块,利用循环一致性解决语义匹配解码瓶颈。

  22. arXiv · 机器人与计算机视觉58

    CVW500k:面向小视野观测的跨视角地理定位新基准与模型

    针对 GNSS 受限环境下地面图像定位难的问题,作者提出 CVW500k 数据集,包含超过 50 万对来自全球不同区域的地面 - 卫星图像对,且采用更贴近真实相机的小视野图像。同时发布 GeoQueryNet 框架,利用基于 CLIP 的视觉编码器与可学习查询令牌实现跨视角特征对齐。代码已开源。

  23. arXiv · 机器人与计算机视觉42

    SketchBloom:免训练矢量素描外推与笔触级风格控制框架

    SketchBloom 是一个免训练的矢量素描外推框架,结合预训练光栅化外推、风格迁移引导与逐实例向量优化,生成含贝塞尔曲线的可编辑 SVG。在 LineArtOut-1K 数据集上,该方法在统一矢量化条件下,感知、语义及结构保真度均优于评估的矢量基线。单张处理耗时约 6 分钟(NVIDIA H200 GPU),无需任务特定网络训练或模型重训。

  24. arXiv · 机器人与计算机视觉33

    CDBM:用于建筑形态分析的复杂度 - 多样性框架

    研究提出 CDBM,包含十二个可解释描述符以量化建筑体量几何细节的复杂度与多样性。基于 OpenStreetMap 中 482,241,306 栋建筑的测试显示,结合梯度提升时该指标在区分生成与映射形态及匹配人类偏好方面表现最佳。CDBM 作为现有指标的补充,揭示了当前模型难以生成强表达且异质形式的挑战。

  25. arXiv · 机器人与计算机视觉5

    SpatialVec:一种支持边界感知的地理空间对象统一表示学习框架

    SpatialVec 提出了一种通过自适应采样几何边界及其周边区域来捕获细粒度结构的统一表示学习框架。该基于 Transformer 的编码器 - 解码器模型在两个真实数据集上的评估显示,其显著提升了多边形交互中复杂拓扑关系的保留能力,并在下游预测与分类任务上大幅超越最先进基线。论文已被 IEEE International Conference on Big Data 接收为全文研究论文。

  26. arXiv · 机器人与计算机视觉43

    Detector-Integrated Multi-Cue Association for Occlusion-Aware UAV Multi-Object Tracking 提出集成检测器的多线索跟踪框架,在 UAVDT 基准上以 82.59 FPS 实现 MOTA 28.33、HOTA 31.16 和 IDF1 38.18,IDSW 较 DeepSORT 降低 58.4%。

    Detector-Integrated Multi-Cue Association for Occlusion-Aware UAV Multi-Object Tracking 提出集成检测器的多线索跟踪框架,在 UAVDT 基准上以 82.59 FPS 实现 MOTA 28.33、HOTA 31.16 和 IDF1 38.18,IDSW 较 DeepSORT 降低 58.4%。

  27. arXiv · 机器人与计算机视觉42

    HistGramBench:多模态模型重绘历史数学图表的结构恢复评测基准

    HistGramBench 基准收录了 1551 至 1933 年间出版的 2,507 个来自八种语言的数学图表,用于评估多模态模型将其重绘为 TikZ 代码时的结构恢复能力。评测结果显示,表现最佳的模型仅能恢复约五分之三的事实(如平行与相切关系),且多数遗漏源于模型未生成绘图程序。该基准通过对比 AI 共识事实与模型自身输出,为历史学家和图书馆员提供了量化工具搜索能力的标准方法。

  28. arXiv · 机器人与计算机视觉58

    Faithful Where You Look:基于锚点的评估掩盖了图像条件化视频生成中的文本伪造

    该研究指出当前图像条件化视频模型的基准测试因仅关注标注区域(如路牌)而忽略了周边区域的文本伪造问题。实验显示,在东京街景参考数据上,主流模型在锚点处的文本保真度接近无模型控制组,但在非锚点区域有 36%-54% 的生成文本无对应参考且具备可读性,远超控制组的 1.6%。作者提供了代码、标注及预注册评分结果,证明现有指标无法有效追踪此类伪造现象。

  29. arXiv · 机器人与计算机视觉42

    AegisBench 审计空域搜救人员在真实灾害部署条件下的检测性能

    AegisBench 填补了无人机搜救系统在平静日光基准与洪水、火灾等极端灾害夜视任务间的评估鸿沟。该基准对 HERIDAL 和 SARD 数据集施加九种物理扰动,测试 Faster R-CNN、YOLOv11 及 RT-DETR 共 168 种工况,揭示低光导致召回率归零且微调无法迁移至真实夜视图像。

  30. arXiv · 机器人与计算机视觉35

    CRaFT-XDet:一种用于双能 X 射线违禁品检测的因果鲁棒融合 Transformer

    CRaFT-XDet 提出了一种基于因果不变性与物理动机的检测框架,将双能 X 射线威胁识别重构为衰减驱动模态变化下的不变表征学习。该模型拥有 29.2M 参数,推理延迟仅 1.7ms(345 FPS),在 SIXray 数据集上实现 0.9389 [email protected],且无需域适应即可在 OPIXray 和 HiXray 保持强泛化。

  31. arXiv · 机器人与计算机视觉68

    恶劣天气下目标检测模型的可靠性:面向自动驾驶的部署导向鲁棒性研究

    该论文评估了在晴朗白天场景上训练且未进行适应的目标检测架构在雾、雨、雪和夜间等未见环境下的表现。研究使用性能下降百分比(Drop)、天气鲁棒性指数(WRI)和关键道路参与者(如汽车、公交车、卡车、行人)的类别敏感度分析来衡量鲁棒性,并利用预期校准误差(ECE)测量预测置信度的可靠性。

  32. arXiv · 机器人与计算机视觉42

    单目与多视角行人三维重建策略对比:城市路口感知中的权衡与部署指南

    针对城市路口行人运动分析,研究对比了结合文本提示分割的单目学习流水线与需校准的多视角几何流水线。前者覆盖更广但存在尺度模糊和身高压缩问题,后者虽能高效获取度量重建却易受单目遮挡影响且计算成本较高。作者据此为不同分析任务提供了基于覆盖度、人体学合理性及失败模式的策略选择配置指南。

  33. arXiv · 机器人与计算机视觉78

    CausalPrune:面向高效大视觉语言模型的 Counterfactual Causal Token Pruning

    针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。

    推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。