跳到正文
10月23日周五
  1. arXiv · 机器人与计算机视觉47

    Residual Calibration via Local Feature-Space Refinement 方法提出 LAPE 框架提升模型校准质量

    针对深度神经网络置信度估计不可靠问题,该方法提出局部自适应概率估计(LAPE)框架,将全局校准器输出作为稳定锚点,利用邻域校准样本的非参数化局部证据对个体预测进行残差修正。通过级联特征增强融合(CFAF)扩展至多视图输入场景,实验表明该插件式模块能提升多种现有基线的校准质量,并在不同设置下保持高效与鲁棒性。论文已被 NeurIPS 2026 接收,代码与数据许可状态待 arXiv 正式注册后确认。

  2. arXiv · 机器人与计算机视觉75

    CODI:通过跨蒸馏改进自监督视觉 Transformer

    该研究指出自监督 Vision Transformers 的类标记虽能集中全局语义,但密集预测常受限于低注意力区域。为此,作者提出 Cross Distillation (CODI),在不改变架构的前提下,将少量教师类标记分布混合到每个教师块标记目标中,为掩码块提供与注意力无关的语义修正。实验表明,在对齐预训练设置下,该方法同时提升了密集和图像级性能。代码已开源。

  3. arXiv · 机器人与计算机视觉63

    KinoUAV:一种融合动力学建模的无人机视觉语言导航安全稳定基准

    针对现有无人机导航方法缺乏显式动力学建模与安全距离约束导致的高姿态震荡和碰撞问题,本文提出了 KinoUAV 基准,包含数据集与 KinoUAV-Agent。该方案采用分层动力学轨迹生成管道,在速度、加速度及加加速度约束下分段生成轨迹以减少震荡;引入方向自由空间(DFD)标签描述安全通行间隙,使智能体能预测 DFD 并据此生成避障动作,实现感知与决策解耦。

  4. arXiv · 机器人与计算机视觉36

    AVAtt:面向绘画视觉注意力的自由观看眼动数据集与基准评测

    AVAtt 发布了一个涵盖十六种艺术流派和五个世纪绘画的自由观看眼动数据集,包含每位画作的扫描路径、注视点及眼屏距离等原始数据。研究对比了经典与深度显著性模型在人类一致性上的表现,并排名了四十四种扫描路径相似度度量方法,揭示了面部注视增强效应及构图规则对视线预测的有效性。代码、Python 包及数据集已开源,为艺术感知视觉注意力模型提供了新的基准。

  5. arXiv · 机器人与计算机视觉49

    VisCurate:基于行为等价评估的视觉技能库筛选框架

    VisCurate 是一种通过共享探针电池运行候选技能对并分配六种行为关系,从而从执行而非文本描述中筛选视觉技能库的新框架。该基准在注入七类缺陷后验证了现有文本基线的高误合率,而 VisCurate 在困难负例上零误合且能恢复 51.2% 真正可合并的技能对。实验显示真实未筛选库中 92% 共享技能冗余,仅 10/17 已发布等价声明获执行确认,表明视觉技能库应由行为而非描述进行策展。

  6. arXiv · 机器人与计算机视觉48

    FiLM-CAM:基于特征调制的条件访问图像水印方法

    该方法通过密钥控制特征层线性调制机制,强制要求正确密钥才能解码提取载荷,同时能估计并移除预存水印。实验在多种编码器 - 解码器骨干网络上验证了架构无关性,确保授权使用时性能最优而错误密钥下失效。论文已被 NeurIPS 2026 接收,代码与权重开放许可待注册。

  7. 盖世汽车 · 汽车资讯33

    星忆智能完成数千万元融资,聚焦物理 AI 数据基础设施与高精度手部姿态解析

    星忆智能近日完成由顺禧基金领投及凌云光等跟投的数千万元种子轮连续融资,资金将投向核心算法、真实世界多模态数据基础设施建设及商业化能力提升。公司依托自研 EgoKit 采集系统与 HBR Engine 引擎,攻克遮挡与高速运动难题,实现人手—物体交互场景下的毫米级三维手部姿态解析与自动化标注。

10月22日周四
  1. arXiv · 机器人与计算机视觉65

    MCLR:通过类间似然比最大化和统一无分类器引导与对齐目标改进条件建模

    论文提出 MCLR 微调目标,旨在解决标准去噪分数匹配中类间分离不足的问题,从而在无需依赖推理时干预的情况下增强扩散模型的条件生成能力。作者证明 CFG 引导分数是该目标的唯一最小化器,并将 CFG 解释为隐式的推理时对比对齐过程。材料还比较了 MCLR 与 DPO、CCA 等对比目标的关系。

  2. arXiv · 机器人与计算机视觉58

    Just Respect the Semantics:通过预 LLM 语义变分辨率分词与 LLM 内相关性剪枝实现图像 Token 压缩

    论文介绍 Varest 方法,利用对象和文本定位器引导变分辨率合并以保留边界细节,并通过学习到的注册表在早期解码后剪枝视觉 Token。该方法在三个骨干网络和 13 个基准测试中均优于 15 个基线,仅使用 5.56% 的原始图像 Token 数量即可保留 86.10%-92.33% 的全量性能。

  3. arXiv · 机器人与计算机视觉82

    结构化剪枝的统一响应几何方法

    针对传统通道剪枝忽略响应互补性的问题,该方法将剪枝定义为选择具有大联合响应容量的子集,并通过统一响应几何映射与 Schur 贪婪残差筛选非冗余坐标。构建包含无标签实例和任务条件实例的两个版本,后者结合激活梯度方差与相关性进行尺度与互补性判断。

    推荐理由:提出基于统一响应几何的结构化剪枝方法,在无需微调下实现更高精度。

  4. arXiv · 机器人与计算机视觉72

    基于物理启发的全局 - 局部解耦网络实现高效现实世界去雾

    针对现实世界单图去雾的强不适定性与低延迟部署需求,作者提出 PGL-Net 框架,通过算子级模拟引入物理归纳偏置,避免显式参数估计。该方法将去雾分解为全局分布校正与局部结构细化,利用全局条件对齐补偿雾霾偏差,并通过动态特征调制恢复空间与光谱变异细节。

  5. arXiv · 机器人与计算机视觉82

    CAVE:一种用于碎片化视觉证据推理的结构化信用分配方法

    针对大语言模型在处理非局部且语义模糊的视觉信息时面临的挑战,本文提出了基于 GRPO 的过程奖励方法 CAVE。该方法通过信念更新、证据获取和自适应焦点控制三种信号评估中间步骤的贡献,引导模型优化每个推理动作并学习更可靠的策略。

    推荐理由:提出基于 GRPO 的结构化过程奖励方法 CAVE,通过信念更新等信号优化中间步骤贡献,在碎片化视觉证据整合任务上显著提升了模型性能与鲁棒性。

  6. arXiv · 机器人与计算机视觉65

    基于开放词汇图像分割的伪标签实现三维点云语义分割的数据高效方法

    针对三维点云场景分割中训练场景少、标注稀疏且缺乏重建用二维图像的三重数据不足问题,论文提出 PLOVIS 框架。该方法利用开放词汇图像分割模型从训练点云直接生成二维图像以创建伪标签,并通过两阶段过滤与类别平衡内存库提升质量。

  7. arXiv · 机器人与计算机视觉23

    主动学习在模拟类别不平衡与标签偏移下的二值语义分割研究

    针对机器视觉中缺陷分布强类别不平衡及存储限制引发的潜在标签偏移问题,该研究提出一种基于两个开源数据集的合成协议。实验对比了随机采样、熵基选择、核心集选择及 Galaxy Sampling 四种策略,证实即便在高度不平衡数据下,后三者仍优于随机采样并量化了标签偏移导致的效率损失。

  8. arXiv · 机器人与计算机视觉72

    Align, Don't Blend: 正交监督解耦是实现通用 AI 生成图像检测的关键

    论文指出现有 AI 生成图像检测模型因混合监督导致性能受限,提出通过正交监督解耦将语义与伪影信号分离输入不同分支的架构 AlignGemini。实验显示该方法在仅用两个生成器训练的情况下,跨五个基准测试提升 9.5%。作者还发布了包含八个当代生成器的诊断基准 AIGI-Now,涵盖五个闭源商业模型,提供细粒度分析能力。代码已公开。

  9. arXiv · 机器人与计算机视觉65

    R3:重建、原始数据与去雨——直接在 Bayer 域进行去雨处理

    本文针对图像重建网络多基于后 ISP sRGB 图像训练的局限,提出在原始 Bayer 马赛克数据上直接学习去雨的新范式。作者构建了 Raw-Rain 基准,包含真实雨天场景的 12-bit Bayer 与位深匹配的 sRGB 配对数据,并引入信息守恒分数(ICS)作为更贴近人眼评价的色彩不变性指标。

  10. arXiv · 机器人与计算机视觉72

    AutoExpert:基于专家指南自动化 3D LiDAR 标注

    AutoExpert 是一项研究,旨在解决依赖普通人工标注的局限性,提出利用公开基础模型自动完成 3D LiDAR 数据标注的方法。该方法遵循 nuScenes 和 PandaSet 两个自动驾驶数据集的专家指南,通过 2D 检测、升维及生成 3D 立方体的流水线,将 AutoExpert-nuScenes 基准上的 3D 检测 mAP 从 12.1 提升至 25.4。

  11. arXiv · 机器人与计算机视觉35

    CoLeTra:一种提升图像分割拓扑准确性的数据增强方法

    CoLeTra 是一种数据增强方法,通过人为切断薄管状结构(如血管)的图像连接但保留原始标签,让模型学习“看似断开实则连续”的先验知识以改善拓扑精度。该方法在多种架构、损失函数及数据集上的实验表明,其分割结果拓扑更准确,Dice 系数与 clDice 指标通常优于基线。作者同时发布了一个专为提升拓扑准确性设计的专用数据集,代码托管于指定 URL。

  12. arXiv · 机器人与计算机视觉72

    面向更平坦极小值的双侧平滑感知最小化方法

    针对现有平滑感知最小化仅考虑梯度上升方向平坦性的问题,本文提出利用训练损失与邻域内最小损失的差值作为新指标,并结合两者构建双侧平滑感知最小化方法。理论分析证明该方法收敛于局部极小值,实验显示其在分类、迁移学习、人体姿态估计及网络量化任务中均展现出更优的泛化性能与鲁棒性。

  13. arXiv · 机器人与计算机视觉42

    TernScope:模型 - 硬件协同设计实现高效三元内窥镜分割

    TernScope 通过模型与硬件协同设计,利用全层三元权重和 8 位激活值,在仅用 0.2483 M 参数下保持高精度分割。相比同工艺 Gemmini 加速器,其计算阵列面积减少 88.46%,实现了轻量级医疗分割的低比特高效路径。代码与实验结果已公开,适用于图像视频处理、硬件架构及计算机视觉领域。

  14. arXiv · 机器人与计算机视觉54

    Motion Equivariant Convolutional LSTM:当运动成为规范对称性时

    论文提出 Motion Equivariant Convolutional LSTM(MELSTM),将运动视为数据的规范对称性,利用速度模型作为规范场实现序列数据上的等变性。实验显示该模型在帧预测、仅凭运动识别数字及抗相机抖动动作识别任务中,优于标准卷积 LSTM 和同等参数量级的流等变网络,具备更高的准确性、更长的泛化视界以及更低的计算开销。

  15. arXiv · 机器人与计算机视觉44

    ASVD 实现盲式压缩图像恢复的免训练加速

    ASVD 通过激活校准奇异值分解,在 PromptCIR 模型上实现免训练加速,参数减少 59%、计算量降低 16.1%,PSNR-B 优于 TSVD 基线。该方法离线推导低秩因子且无需在线校准,保持原有恢复流程完整。研究已接受发表于 IEEE Journal on Emerging and Selected Topics in Circuits and Systems。

  16. arXiv · 机器人与计算机视觉83

    CausalAlign:面向一致自运动的视频生成模型因果对齐方法

    针对扩散式视频生成模型在长序列中自运动(ego-motion)漂移导致几何不一致的问题,该研究提出 CausalAlign 框架。该方法利用线性探针诊断自运动表征的保留模式,并通过将特定层的表征与 3D 基础模型在 delta-token 空间对齐来增强自运动状态。

    推荐理由:该工作通过因果对齐框架修正扩散视频生成模型的自运动漂移,显著提升了几何一致性与具身任务成功率。

  17. arXiv · 机器人与计算机视觉82

    零样本筛选低分辨率热成像视频中的跌倒事件:实验室与居家场景下的评估

    该研究评估了生产级多模态大模型 Gemini 3.8 Flash 和 3.7 Flash 作为事件触发式跌倒筛查器的决策阶段能力,使用公开的低分辨率热成像数据集。

    推荐理由:原文在实验室与居家真实场景中评估了多模态大模型对低分辨率热成像视频的跌倒检测能力,并公开了帧级标注数据。

  18. arXiv · 机器人与计算机视觉58

    ViBMR:首个大规模多序列脑 MRI 数据集与越南放射学报告生成综合评估

    针对低资源临床语言在脑 MRI 报告生成中的不足,该工作发布了 ViBMR 数据集,包含 3,649 名患者的 11,875 个系列(涵盖 T1、T2、FLAIR 及增强 T1 序列),并配套了首个针对越南语临床报告的全面评估框架。材料展示了多模态视觉语言模型在该任务上的表现,证明了原生低资源数据集对于可靠报告生成的必要性。数据集与基线模型将面向非商业研究开放。

  19. arXiv · 机器人与计算机视觉35

    Expandable Modality Experts 提出医疗视觉语言学习新架构,在九类模态的 25 个基准测试中表现最优或并列第一

    该研究提出基于可扩展模态专家库的医疗视觉语言技术,利用 ViT-Large 骨干网络结合共享视觉计算与确定性路由的前馈专家。方法在七种模态、1940 万无配对图像行及 323 万图文对上预训练对齐,零样本分类平均平衡准确率达 0.674,线性探测为 0.856,双向检索召回率为 20.70%。该技术在不冻结原有路径的前提下实现了模块化学习与表示扩展,已提交至 ICLR 2027。

  20. arXiv · 机器人与计算机视觉38

    随机非线性提升视觉识别不确定性估计

    该方法将随机激活函数切换重构为轻量级不确定性估计机制,通过单次前向传播在分类、语义分割及分布外检测任务中诱导预测多样性。实验基于卷积与 Transformer 架构在多元数据集上验证,证明其在保持主任务性能竞争力的同时显著提升了不确定性质量。该工作已接受发表于 BMVC 2026,无需集成模型或额外计算开销即可实现有效估计。

  21. arXiv · 机器人与计算机视觉78

    扩散 Transformer 如何去除噪声?注意力与 MLP 的聚合器 - 预测器视角解读

    arXiv 论文提出将扩散 Transformer(DiT)视为输入自适应的局部去噪器,其中上下文聚合对应注意力机制,补丁预测对应 MLP。研究证实 DiT 在真实图像上训练时表现出与高斯马尔可夫随机场分析一致的去噪上下文依赖性与注意力分布模式,且共享内存补丁预测器可作为 MLP 的有效替代方案。

    推荐理由:该文从聚合器 - 预测器视角解析 DiT 的去噪机制,为架构级微调与干预提供理论依据。

  22. arXiv · 机器人与计算机视觉24

    频谱域分析揭示胸部 X 光分类隐藏失效模式

    针对深度学习模型在胸部 X 光异常检测中易受分布偏移影响的问题,研究提出一种无需真实故障标注的数据中心框架。该方法将图像投影至频域提取信号能量分布特征,通过无监督聚类发现模型失效高度集中于特定频谱簇而非随机分布。此技术能有效隔离“盲区”,实现模型可靠性预测及性能退化数据切片发现,相关成果已提交至 MIDL 2026 会议。

  23. arXiv · 机器人与计算机视觉82

    从欧氏到双曲:基于原语的组成性统一视角

    该论文研究了视觉语言模型中的组成性零样本学习(CZSL),提出无需显式重组属性与物体对,直接利用分解出的原语特征即可识别未见过的组合。研究通过新评分函数和广泛评估表明,嵌入流形的几何结构(欧氏、球面或双曲)及数据集结构显著影响组成性推理效果。

    推荐理由:该文提出无需显式重组即可利用分解特征进行零样本组合学习,并对比了欧氏、球面及双曲流形对推理的影响。

  24. arXiv · 机器人与计算机视觉78

    开放词汇模型与标签传播用于不确定性感知目标检测伪标签研究

    针对目标检测依赖大量人工标注且软标签成本高的问题,作者提出一种半监督框架,利用开放词汇检测器生成区域建议与语义表示,构建对象级相似图并传播概率标签信息。该方法为未标注对象分配软标签,量化了偶然性与认知不确定性。

    推荐理由:提出基于开放词汇检测器与图传播的半监督框架,在仅用1%标注成本下实现COCO数据集40.5% AP,接近全人工标注水平。

  25. arXiv · 机器人与计算机视觉72

    JointLight:基于异步 RGB-辐照度联合建模的人本视频重光照方法

    针对人本场景光传输建模难、可控性差及现有路径追踪线索易产生伪影的问题,该文提出 JointLight 模型。通过在游戏引擎合成的高质量配对数据集上训练,采用两阶段策略强制模型分别对 RGB 和真实辐照度帧进行去噪,并利用域匹配缩小差距;推理时引入异步劫持生成管线实现灵活光照控制。该方法在真实场景中展现出鲁棒泛化能力,在光照保真度和生成质量上优于现有方法。代码与数据集将公开。

  26. arXiv · 机器人与计算机视觉75

    LEAF-Mamba:面向全切片图像分析的自适应特征融合框架

    论文介绍 LEAF-Mamba 框架,旨在解决全切片图像(WSI)分析中因数据量巨大和标注有限导致的级联学习挑战。该框架利用重建正则化适配器从冻结预训练编码器中提取紧凑的任务特定表示,并通过并行 Mamba 与卷积流分别捕捉长程依赖与局部交互,结合输入相关门控机制调节联合表示。实验表明,该方法在多种特征提取器上均优于强基线模型,显著提升了诊断分类与生存预测的平均性能。