EviRef:支持多捕获条件的逻辑异常检测证据特异性记忆方法
EviRef 是一种无需训练的计算机视觉方法,通过为每类证据构建独立参考记忆来验证场景规则。该方法在 VID-AD 数据集上,仅用每个任务 20 张正常图像即可实现平均 AUROC 92.1%,优于使用 50 张图像的对比方法。其组件原型可解析任意捕获条件下的图像,且支持文本等额外证据通过任务级门控机制接入。
EviRef 是一种无需训练的计算机视觉方法,通过为每类证据构建独立参考记忆来验证场景规则。该方法在 VID-AD 数据集上,仅用每个任务 20 张正常图像即可实现平均 AUROC 92.1%,优于使用 50 张图像的对比方法。其组件原型可解析任意捕获条件下的图像,且支持文本等额外证据通过任务级门控机制接入。
针对视频跌倒检测中陌生摄像头与稀缺本地标签的挑战,该研究分析了 OmniFall 和 AI-Hub 数据集共 2,697 个片段,验证了多源联合训练对跨数据集检测的提升。
论文指出固定增益 PD 控制在运动与力跟踪间存在权衡,提出 ImpedanceMimic 强化学习策略,根据运动和力测量调节每关节的刚度、阻尼和位置设定值,推理时仅需运动输入。该方法在 129 名参与者和六种活动中均优于匹配的固定增益 PD 及现有控制器,接近专用回归器效果。通过惯性缩放先验表达增益,单策略即可控制特定生物力学模型,无需显式人体测量数据,并实现向未见过人类和人形机器人的零样本迁移。
推荐理由:提出利用强化学习调节关节阻抗的策略,在无需显式人体参数时实现跨主体与机器人的零样本迁移。
针对现有开放词汇遥感图像分割方法在单轮推理中难以区分视觉相似但类别不同的区域的问题,论文提出 Puzzle 框架。该方法利用预测历史与视觉相似度先验,通过轻量级控制器迭代细化块级注意力并自适应停止,无需重新训练即可兼容多种模型与数据集,显著提升了分割性能。
该论文提出 SuperGlance 方法,旨在解决现有视觉语言动作模型(VLA)推理速度慢的问题。作者通过训练 VLM 的隐藏状态直接对固定候选轨迹集进行评分,将其转化为编码器风格的驾驶策略。
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%。
论文提出了 DecoEdit 框架,旨在解决当前多模态图像编辑局限于二维平面控制(如文本提示、边界框)的难题。该工作构建了包含 160 万样本的 DecoDataset 数据集和 DecoBench 基准测试,并设计了一种解耦管道:利用 SAM-3D 的结构引导锚定目标几何、比例和空间方向,同时通过细节保留路径锁定高保真纹理。
该研究提出了一种利用环境支撑进行稳定化的全身模型预测控制方法,使 Unitree H1-2 人形机器人能够触及超出正常站立工作区约 50 厘米的远端物体。控制器在笔记本电脑上以 34 Hz 实时运行,成功将仿真策略转移至现实世界,并在负载下保持姿势超过四分钟。
论文提出 DEFDVO 方法,通过结合球面先验的可变形特征提取、端到端的接缝感知估计以及基于球面梯度的补丁选择,解决了全景相机等距矩形投影带来的畸变与采样偏差问题。该方法仅在 TartanAirV2 合成数据上训练,在 360DVO 基准测试中将平均绝对轨迹误差降低了 4.8 倍,并取得了真实世界数据集上的最低平均 ATE。代码已开源。
针对薄细裂缝视觉线索弱及标注成本高的难题,FDAM 提出融合盒检测与网格分类的框架,通过频域增强与方向特征细化提升定位精度。该方法在 RoadDistress2026、Crack500 和 DeepCrack 数据集上验证了有效性,代码已开源。
论文提出 RoboCoEvo 框架,旨在解决 MLLM 智能体与机器人基础模型(如 VLA)改进脱节的问题。该方法采用代码即策略的表述形式,让智能体开发可执行的失败检测与恢复程序以生成修正经验,随后将修正行为整合进模型的端到端策略中;更新后的策略分布变化反过来指导智能体程序的修订。
推荐理由:提出基于代码的策略与 VLA 模型协同进化的框架,通过失败引导的迭代循环提升自主任务执行能力。
SearchChord 提出一种免训练框架,通过文本预选、图像验证和潜在场重组平衡编辑保真度与计算成本。消融实验显示在 200 个候选者池中选取 100 个最具性价比,而 TextSim 仅需预选 10 个即可优于全量输入。该方法在 PIE-Bench 及新提出的 CropWeed-EditBench 上验证了文本预选提升对齐、重组保留源内容的权衡机制,代码与数据将公开。
论文提出 CAST 框架,通过从冻结的扩散策略采样动作块、利用势垒条件进行安全认证,并结合价值函数集成排名执行最优块。该方法证明了认证步骤的安全性及在有限采样下的生存性保持能力,在 Robomimic 操作、平面四旋翼、MuJoCo 人形机器人和单icycle等基准上,联合任务与约束的成功率均优于输出过滤器,特别是在大编辑场景下避免了策略死锁。
该论文指出,在视觉基准测试中,强分类器无法识别的‘失败屏幕’往往包含大量标签错误的样本。研究基于 ImageNet 等数据集验证了这一现象,发现严格筛选下的错误率显著高于整体水平。作者提出了 ScreenAudit 工具,用于重建修正后的答案集并对基准进行逐图审计,相关代码与数据将在后续发布。
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。
论文提出角色分离扩散 Transformer(RoSeDiT),利用 adaLN 监听机制将全局规则与图像 token 隔离,解决类条件 DiT/SiT 中控制器通道不足的问题。
推荐理由:提出 RoSeDiT 架构,通过控制器通道实现全局规则隔离与确定性采样流形压缩,在更少参数和步数下超越 SiT 基线。
该论文主张机器人社区应采用演示视频的披露标准。基于涵盖六国的九千三百多份样本的预注册实验,研究发现公众难以区分视觉真实性(如真实画面与CGI)和行为真实性(如自主性与遥操作)。作者设计披露干预措施证明其能显著提升公众对视频真实性的辨别能力及对机器人能力的理解,旨在准确校准公众预期并促进研究透明度。
针对现有违反预期基准仅聚合时空误差导致无法定位物理理解缺陷的问题,本文引入局部违反预期评估框架,对比了全局、时间局部化及空时局部化的 V-JEPA 模型表现。研究发现在发育性自我中心视频预训练过程中,全局与局部判断的吻合度呈非单调变化,且局部判断置信度随准确率提升而增加,证实全局误差不能直接作为物理违规的时空证据。
论文提出了 Tactile-Driven Motor Adaptation(TMA)方法,旨在解决具身智能在关节化环境中进行强力多指操作的挑战。该方法利用触觉反馈构建策略学习结构,以圆锥几何作为多指接触表示的归纳偏置,并基于触觉历史在线调整电机行为。
推荐理由:提出触觉驱动的电机自适应方法,在仿真训练后零样本迁移至宇树 G1 机器人实现强力开门任务。
该研究对比了八种上采样方法在提升低分辨率(128 至 8 像素高)美国车牌可读性方面的效果。结果显示,SwinIR 开源增强器使性能最高提升 38 个百分点,而自适应去噪先验和商业 AI 上缩反而损害可读性;传统插值仅带来约 5-9 个百分点的微弱增益且最近邻插值有害。实验未发现字符幻觉现象,明确了不同技术在计数与识别任务中的具体贡献差异。
本文提出一种离线性能驱动的优化方法,将单线性化点的位置作为优化变量,通过网格搜索与有界细化从候选工作点中选出最小化非线性轨迹目标的最优位置。在四组三点间运动任务中,该方法相比传统初始、中间或终端线性化策略,分别将非线性轨迹目标降低 17-18%、21-22%、37-38% 和 7-8%,且结合 PID 反馈修正后性能优势依然保持。
论文提出一种人机闭环方法,自动挖掘强化学习策略在点云抓取任务中持续失败的案例,将其送入虚拟环境由人类完成抓取操作并生成新数据回流训练。实验显示,该方法将未见物体上的成功率从 55% 提升至 83%,并将原本失败率高达 24% 的困难案例成功率提升至 45%,同时未降低对未见物体的性能表现。
针对近身交互场景下缺乏大规模标注数据的难题,作者提出了 CISyn 数据集,利用物理仿真和 Blender 渲染生成了包含碰撞动力学、相互遮挡及姿态纠缠的 25,000 条序列。该工作还提出了一种不确定性感知损失函数,帮助模型更有效地学习重度遮挡样本。实验表明,结合 CISyn 并替换回归损失可显著提升近身交互基准上的表现。数据集、生成管线和代码已开源。
RAVEN-Bench 引入包含 100 对时序对齐 EO-IR 视频及 1200 道人工审核的四选一问答题,支持单模态与配对评估以诊断跨光谱推理能力。该基准在 NeurIPS 2026 数据集与评测轨道被接收,代码和数据已开源,旨在验证 RGB 视频模型进展是否有效迁移至低空多模态理解任务。
针对多机器人导航中全局调度对执行偏差敏感而局部方法缺乏长程协同的问题,提出一种结合软全局协调与灵活局部执行的框架。该方法利用凸集图支持优先级规划,通过感知通道的路线选择与时空路径受限优化避免冲突,并采用模型预测路径积分控制器在线避障及自适应跟踪策略应对偏差。
推荐理由:提出基于通道的分层多机器人导航框架,在仿真与硬件实验中均实现高成功率并优于基线。
UnSPAD 是一种融合并去噪任意长序列二进制 SPAD 测量的不确定性感知爆发摄影框架,通过结合运动估计与不确定性引导的测量融合及去噪,生成时序一致且无幻觉的重建结果。该方法在真实和模拟的 SPAD 及量子图像传感器基准测试中,相比最先进方法展现了最佳重建质量、提升的时间一致性以及更优的色彩保真度。该工作已获 WACV 2027 录用,相关代码与数据开放许可情况需参考官方发布。
针对现有不确定性估计器难以区分字段级推理误差且忽视视觉退化问题,本文提出 FiReIQ 框架,通过结合单生成过程的字段对齐推理信号与局部全局图像质量特征进行质量条件化视觉融合。研究构建了涵盖金融票据和法律合同的 FiReIQ-Bench 基准,实验表明该方法在私有金融服务数据上将 AUROC 提升 6.8%,95% 精度下的覆盖率提升 10.6%,有效降低了人工复核需求并提升了文档自动化可靠性。
推荐理由:FiReIQ 框架结合推理信号与图像质量特征,在金融票据等文档提取任务中显著提升了置信度判别能力。
论文提出 Guided Group Featurizers (GGF),这是一种利用物体标注进行初始化和训练的块稀疏特征提取器(BSF)扩展方法。研究评估显示,GGF 的特征组在语义一致性上平均达到 94.1%,显著优于 SLiCS 和受监督的 Vanilla BSF;同时其单组捕捉效率覆盖目标图像的比例更高,且参数更少、训练循环更短。
沙希德贝赫什蒂大学机器人智能自动化实验室设计了集成 ESP32 微控制器与 Jetson Orin NX 模块的 1:10 比例自动驾驶平台。系统通过 UART 链路协同运行,利用 ROS 栈及 Stanley、PID、Pure Pursuit 算法在类城市环境中实现稳定导航。该报告包含 62 页内容、32 张图表及 11 个表格,作为未来自动驾驶研究的模块化实验平台。
该论文针对非 RGB 科学成像(如生物、医学和卫星图像)中数据集通道组成异质性的问题,提出 DINO BoC 方法。研究发现,在大规模数据训练下,独立编码通道的策略显著优于联合编码方法。该方法在从细胞显微镜到地理空间图像的广泛实验验证中表现优异,特别是在分布外任务和无见过组合的泛化上达到新的 SOTA。作者开源了用于荧光显微镜的新型通用特征提取器的代码和模型权重。
推荐理由:论文提出 DINO BoC 方法,证明在大规模数据下独立编码通道优于联合编码,并在荧光显微镜等基准上刷新 SOTA。
RescueVLM 是基于 SketchVLM 构建的开源、免训练且模型无关的救援工具,支持在本地部署并通过下拉菜单切换底层模型。该框架在德国消防队实地数据及实火演习中验证有效,单次自然语言查询即可将数百张图像浓缩为带 SVG 标注和 GPS 定位的关键帧短名单供指挥官审阅。
DeepVFR 是一个用于人脸视频修饰的初始受控合成基准,包含 1,024 对 30 fps、150 帧的视频片段。该基准由 Wan2.2 生成源片段并通过后端特定的人脸迁移构建同步代理目标,旨在解决专业编辑一致性与隐私合规难题。数据及排名将在论文接收后公开,但明确不替代人工修饰视频或建立合成到真实的泛化能力。
论文发现视觉语言模型(VLM)在检查临床影像时,若先见图像后见元数据,会推翻约 91% 的误判;反之则推翻 98-100%。研究基于 60 对含覆盖缺陷的 NLST 胸部 CT 及真实不匹配样本验证了该现象,并指出简单警告句可将顺序反转影响降至 9% 以下。
推荐理由:研究发现 VLM 对相同证据的质检决策受输入顺序影响,揭示了临床影像处理中的新风险。
该报告披露了 UCF UrbanTwin V2X-Real Sim2Real LiDAR Challenge 的第三名技术方案,涵盖合成点云生成与三维目标检测。
推荐理由:报告披露了 UrbanTwin V2X-Real 赛道第三名方案的完整实现细节,涵盖合成点云生成与三维检测流程。
Agri-MRAG 提出语义一致性引导聚类与参数化知识注入策略,将检索知识编码为 LoRA 适配器并融合至 MLLM 前馈网络层。该框架在 PlantVillageVQA 和含 7,514 张图像的 PlantVQA 数据集上 ROUGE-L 分别达 41.21 与 46.58,较 mRAG 提升 11.70 分。
arXiv 预印本论文 AerialOcc 提出了一种统一的基于占据栅格(occupancy)的空中感知模型,旨在解决现有方案依赖特定任务输出的问题。该研究构建了 AerialOcc-20K 大规模多类别占据数据集,实验表明该统一架构能在单次推理过程中支持多种无人机感知任务,在保持结构统一的同时实现具有竞争力的性能。材料为预印本版本,未提及同行评审状态或具体部署许可。
论文研究了当单步原语解码器作为系统一世界模型时的关键因素。在 ManiSkill3 PushT-v1 和 lerobot/pusht 数据集上,将输入输出表达为物体初始姿态的 SE(2) 坐标系比世界坐标系降低决策后悔值 1.9-2.2 倍;单步解码延迟为 1.6-1.8 毫秒,优于迭代扩散模型。
推荐理由:该研究对比了单步解码与迭代解码在系统一世界模型中的表现,证实物体坐标系能显著降低决策后悔值且单步解码延迟更低。
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。
Trap Tracker RT 是首个由野外组织拥有基础设施的开源自托管应用,通过邮件或 FTP/SFTP 接收图像并调用 DeepFaune-SSA v1.2 模型进行本地分类与预警。
Songtao Hu 等人提出一种特征空间语义预测框架,旨在解决现有手术辅助系统过度关注外观保真而忽视下游推理需求的问题。该方法直接在冻结的视觉基础模型(VFM)表示中建模时序动态,通过构建分层目标表示并用可学习掩码替换未来帧特征,训练掩码 Transformer 从观测上下文预测潜在特征。
推荐理由:提出在冻结视觉基础模型特征空间进行语义预测的框架,相比像素级合成在手术流程预判与工具识别上表现更优。