跳到正文
10月22日周四
  1. arXiv · 机器人与计算机视觉60

    基于量化潜在变量细化的高效生成式图像压缩

    针对现有生成式图像压缩(GIC)方法在低码率下难以平衡感知质量与推理速度的问题,本文提出 GR-GIC 框架。该方法引入由熵上下文引导的潜在变量细化及自适应扰动以优化重建性能,并采用重构投影残差向量量化(P-RVQ)提升并行度以降低延迟。

  2. arXiv · 机器人与计算机视觉49

    大预训练模型后处理去偏新方法研究:无需标注或 LLM 的线性映射方案

    针对 CLIP 等大预训练模型嵌入中的虚假相关性,现有后处理去偏方法因依赖文本表达偏差特征而在特定场景表现不佳。研究提出一种新方案,通过识别冻结几何中共享虚假属性的成对样本并学习单一线性映射实现去偏。该方法在无需偏差属性标注或大语言模型的情况下,在所有数据集上均取得了具有竞争力的性能。

  3. arXiv · 机器人与计算机视觉48

    Spatially Gated Steering 实现多个人物文本生成去偏

    Spatially Gated Steering (SGS) 通过提取扩散 Transformer 内部注意力图,独立调节每人的人口统计特征,无需微调或布局指定。该方法在 FLUX.1-Dev 和 SD3.5-Large 两个架构上验证,显著提升了职业提示词下的种族与性别多样性,同时保持图像质量接近基线。代码库与模型权重已公开。

  4. arXiv · 机器人与计算机视觉53

    SemQAM:一种用于联合语义 - 信道编码与调制的统一生成式图像编解码器

    该论文提出了 SemQAM,这是一种将源图像转换为调制符号(如标准 QAM)的联合语义 - 信道编码与调制方案。针对信道损伤导致的潜在表示损坏及自回归编码中的误差传播问题,SemQAM 利用向量量化表示特征,并将 VQ 索引映射为 QAM 符号,同时更新对应码字以直接受信道影响;此外还利用接收码字的条件期望近似重建并减少误差传播。

  5. arXiv · 机器人与计算机视觉78

    OpenEarth-OVS44:面向开放词汇分割的多模态遥感数据集发布

    针对现有遥感数据类别覆盖有限、分类体系粗糙的问题,作者发布了 OpenEarth-OVS44 多模态基准数据集。该数据集包含来自法国、日本和美国 40 个城市的 290,587 个专家验证片段,涵盖 2,832 张 RGB 图像及 1,341 对严格配准的亚米级分辨率 RGB-SAR 影像,并构建了统一的 44 类(9 基类)分类体系。

    推荐理由:该数据集提供多模态遥感分割基准与统一分类体系,支持跨域泛化能力评估。

  6. arXiv · 机器人与计算机视觉35

    Rethinking Underwater Image Enhancement:基于文本引导退化课程的学习框架

    针对现有水下图像增强数据集规模有限且难以获取的问题,研究提出统一退化感知训练框架。该框架利用文本条件退化增强管道合成多样化样本,并通过渐进式退化课程与传输引导单步扩散模型提升鲁棒性。多项基准实验表明该方法性能优越,代码与模型将在论文发表后开放。

  7. arXiv · 机器人与计算机视觉48

    Melange:多模态大语言模型的合成视觉偏见基准

    Melange 是一个涵盖七类社会偏见的合成视觉基准,基于 BBQ 数据集通过受控生成视觉场景构建。该基准经 VQA 自动化筛选与人工复核验证,系统评估了 23 个开源 MLLM 在纯文本、纯图像及图文结合三种设置下的表现。结果显示从文本转为视觉输入使公平性平均降低 0.291,模型虽以 90%–95% 准确率识别属性却仍无法避免偏见回答。

  8. arXiv · 机器人与计算机视觉48

    PaceShift:监督自适应课程与受控反课程学习提升稠密预测

    PaceShift 提出“先稳定后挑战”范式,结合监督自适应课程选择与受控光谱后训练,在 CECS 等稠密预测任务中提升准确率并改善校准度。该方法支持全监督、弱监督及模型衍生监督,保持部署架构不变且零推理计算开销。代码将公开发布。

  9. arXiv · 机器人与计算机视觉24

    VideoGen Model 1 提示词扩展在音视频生成中优于纯格式调整

    VideoGen Model 1(MiniMax H3 后训练版)在控制实验中显示,对 30 个提示词的创意扩展比单纯重格式提升整体评分 0.63 分。该结果基于 VA-Judger 评估器得出, Gemini 3.8 Flash 评估下提升幅度不确定且视觉质量变化不大。研究论文已上传 arXiv,代码与模型页面提供在线访问。

  10. arXiv · 机器人与计算机视觉43

    AdvFidelity:在强化学习中统一偏好对齐与少步图像生成

    AdvFidelity 通过在线对抗奖励将感知瑕疵的保真监督融入强化学习,实现在单阶段内完成偏好对齐与高保真少步生成。该方法基于 LeapAlign 构建判别器以区分高质量参考与内容匹配重建,无需分布匹配蒸馏(DMD)等显式目标。在两个模型骨干及三个任务设置中,其四步或八步推理效果媲美全步 LeapAlign 及其他全步强化学习方法。

  11. arXiv · 机器人与计算机视觉48

    Compressing Onboard Language Models for Space Robots under a Behavioral-Fidelity Requirement 如何压缩空间机器人机载语言模型

    QSelect 方法通过组合 AWQ、GPTQ 和 AutoRound 检查点,在 DeepSeek-R1-Distill-Qwen-7B 等模型上实现更低困惑度。默认模式无需标签即可降低 KL 散度,目标适配模式使 Llama 模型 3-bit 准确率提升 4.3 至 4.5 个点。所有评估均在通用领域基准和地面 GPU 上进行,空间任务与飞行硬件留待后续工作。

  12. arXiv · 机器人与计算机视觉18

    FAIRHiveFrames-1K 与 FAIRHiveText-1K 数据集及智能养蜂辅助系统框架发布

    针对气候压力下的蜂群管理难题,该系统利用边缘部署的计算机视觉管道将蜂巢照片转化为可解释的检查报告。研究基于开源 FAIRHiveFrames-1K 构建检测器并蒸馏为结构化事实,同时发布 FAIRHiveText-1K 数据集以支持 LLM 研究。该框架强调可复现性与边缘计算优势,旨在通过知识图谱提供基于证据的行动建议。

  13. arXiv · 机器人与计算机视觉38

    WaFIR:基于子带自适应路由的盲全合一图像复原模型

    WaFIR 通过分解 Haar 子带并总结傅里叶描述符,在无需测试时任务标签的情况下实现去噪、去雨和去雾的统一处理。该模型相比 PromptIR 基线平均提升 PSNR 0.48 dB,优于 Up-Restorer 0.38 dB,且基于描述符的路由机制对未见噪声强度更鲁棒。代码已公开,研究聚焦于子带频率结构作为提示词条件化的可解释补充。

  14. arXiv · 机器人与计算机视觉45

    ReSeg:免重训腹部器官分割的通用语义表示学习框架

    ReSeg 提出一种两阶段免重训框架,实现跨 CT、MRI、PET 三种模态的零样本腹部器官分割。该方法通过专用数据引擎生成合成数据预训练 GSRNet 与 OESNet,在七个数据集上优于现有最先进方法且无需真实训练图像。研究消除了对大规模医疗数据的依赖,解决了泛化能力与隐私风险问题。

  15. arXiv · 机器人与计算机视觉35

    HumanCentric-Scenes-AI:涵盖监控、职业肖像及短视频的多模态数据集发布

    HumanCentric-Scenes-AI 是一个包含 296 个人工生成刺激样本的人类策展多模态数据集,覆盖监控、职业肖像、AI 编辑图像和短视频四类场景。该数据集提供原始文件、生成提示词及元数据,旨在支持人类感知研究、检测分类器校准及生成模型偏差分析。

  16. arXiv · 机器人与计算机视觉78

    单图食物质量估计器无法跨数据集迁移其克级尺度

    该研究在 Nutrition5k 等四个数据集上对比了微调后的 DINOv2-base 与零样本 Qwen3-VL-32B,发现前者虽在本域误差更低,但在外部数据集表现不优于后者。

    推荐理由:研究指出单图食物估重模型无法跨数据集迁移,且存在场景依赖与食物特异性偏差。

  17. arXiv · 机器人与计算机视觉45

    T-DIG:面向图像生成的文本条件多样性框架

    T-DIG 提出一种迭代式文本条件多样性框架,利用冻结生成器与 LLM 策略通过 GRPO 训练实现多轴变异探索。该方法无需访问模型权重即可在开源及专有模型上应用,并发布了首个基于人类书写轴与真实用户交互构建的多样性数据集。实验显示其在提升文本条件多样性的同时保持了基线提示对齐,远超现有基准。

  18. arXiv · 机器人与计算机视觉5

    TEMPL:一种资源高效且透明的无模型伪标签生成框架

    TEMPL 提出了一种无需预训练权重、标注数据或 GPU 的多阶段无模型框架,直接利用灰度 CT 扫描生成多边形标注。在树突数据集上,该方法以 CPU 运行实现 63.19% IoU(SAM 为 10.74%),耗时 15 秒/图,显著优于 SAM 的 28 秒且避免了颗粒合并问题。该框架适用于资源受限环境下的标注引导与微观结构量化,已在硅砂样本中验证了 YOLO 模型训练的等效性。

  19. arXiv · 机器人与计算机视觉54

    基于数据驱动的乐谱符号定位用于手写音乐合成

    针对手写乐谱标注稀缺问题,本文提出用数据驱动方法优化合成乐谱的符号布局。研究从 MUSCIMA++ 和 OmniOMR 提取分布发现硬编码规则存在系统性偏差,替换为经验均值可将定位 RMSE 降低最多 60%;进一步训练图神经网络预测上下文偏移,使茎干和连线的 RMSE 再降 50% 至 85%。

  20. arXiv · 机器人与计算机视觉45

    Policy-Mask:预算感知的扩散特征自适应方法

    Policy-Mask 通过联合选择时间步、网络层和通道子集,在固定通道预算下优化冻结扩散模型的特征提取。该方法在 ADE20K 分割任务达 38.9 mIoU,CIFAR-100 分类准确率达 75.4%,SPair-71k 姿态估计 [email protected] 为 76.3%。研究已适配 PixArt-$\Sigma$和 SD3.5 MMDiT架构,并开源代码与权重。

  21. arXiv · 机器人与计算机视觉49

    DualHeads:奖励倾斜少步扩散模型简化方案

    DualHeads 通过冻结扩散主干并附加两个轻量级分类头,仅需外部奖励评估即可实现任务对齐。该方法在规则与模型类奖励下,少步生成即达到强化学习方法的奖励水平且保持画质、无额外推理成本。该预印本论文发布于 arXiv,代码与权重开放许可待定。

  22. arXiv · 机器人与计算机视觉78

    超越正确答案:组合线索如何塑造视觉判断

    针对视觉问答中的视觉绑定问题,本文通过固定图像与陈述的对照实验,分析了对象角色、关系等字段标签在不同模型上的差异化效果。研究发现,添加对象角色标签对 Qwen3 有利但对 Qwen2 有害,且保留提示词的优势主要源于避免错误互换;更清晰的提示词虽提升文本匹配但未必改善视觉判断,而直接选择图像中的关系则能部分降低特定提示下的误差。

    推荐理由:该研究通过控制变量实验揭示了结构化提示中不同标签对视觉绑定任务的具体影响,为优化多模态模型指令提供了实证依据。

  23. arXiv · 机器人与计算机视觉59

    SAIL:一种针对图结构数据的可学习空间自相关泛化方法

    论文介绍 SAIL(Spatial Autocorrelation Index Learner),这是一个可微框架,将经典的空间自相关统计推广为可学习的算子,通过联合学习特征投影与节点邻域亲和性来生成局部和全局的空间相干描述符。该方法在合成数据和大规模生物医学图上的实验表明其具有统计正确性,并能发现空间相干模式,适用于计算机视觉、地理空间分析和生物医学领域。代码仓库已公开。

  24. arXiv · 机器人与计算机视觉73

    VeriCalib:一种可验证的目标法激光雷达 - 相机外参标定方法

    该论文针对传统基于目标的外参标定仅依赖标量误差无法判断结果可靠性的问题,提出 VeriCalib 框架。该方法通过两层补偿机制和结构化协方差联合传播不确定性,解耦旋转与平移以评估各方向精度,并引入同视场与跨视场检查及最小可检测偏差界限来形成明确的标定状态,从而指导用户决定接受结果或如何补充数据。材料为 arXiv 预印本,未报告真实部署效果。

  25. Hugging Face Daily Papers75

    Harness Scaling:一种用于通用型智能体强化学习的扩展维度

    该论文提出Harness Scaling这一新维度,旨在解决现有智能体系统仅依赖单一固定执行器(harness)导致的特化与迁移受限问题。研究通过构建因子化解耦的执行空间、选择平衡的因子覆盖子集以及组织跨配置训练,实现了从单点训练到多样化配置的扩展。

10月21日周三
  1. 智东西 · 机器人84

    英伟达开源Flora数据引擎,低成本转化海量机器人视频为训练信号

    英伟达发布并开源了面向机器人数据集的数据引擎Flora,该系统由动作描述、时间分段和奖励三个模型组成,可将原始机器人视频转化为带时间戳的动作描述及过程/结果奖励。Flora基于Qwen3.5微调,在WGO-Bench等基准测试中表现优异,标注成本约为GPT-6 Astra的1/125(每小时0.72美元对比88.49美元),目前已用于训练GR00T系列模型。

    推荐理由:英伟达开源Flora数据引擎,将机器人视频转化为高质量训练信号,成本仅为GPT-6 Astra的1/125。

  2. arXiv · 机器人与计算机视觉82

    基于赤字驱动的分层采集构建 STRATA-S12:一个用于自监督学习的开源 SAR-光学语料库

    该研究针对合成孔径雷达与光学卫星数据配准中存在的地理缺失问题,提出了一种名为 DDSA 的算法,通过分层配额控制、严格时间配对及人机协同修复机制来优化数据采集。实测显示,该算法在部分预算下即可覆盖所有分层,且修复循环提供了近四成的有效样本对。作者公开了 STRATA-S12 语料库及其元数据侧车,预注册线性探针检查证实其适用于自监督预训练任务。

    推荐理由:作者提出一种分层采集算法以解决多模态遥感数据的地理缺失问题,并公开了包含修复机制的自监督预训练语料库。

  3. arXiv · 机器人与计算机视觉78

    $S^3$: 谱域零空间交换让推理模型更高效

    论文提出S3(Spectral Null-Space Swap)方法,这是一种无需训练的成对检查点组合策略。研究指出推理能力的核心存在于非思考模型主导奇异方向投影的零空间中,移除该分量可大幅提升效率而不损害准确率。实验在2B至30B参数量的稠密及MoE架构上验证,相比完整思考模型,S3平均降低27.4%推理token开销,同时整体任务准确率提升1个百分点(如在HMMT25上准确率达+8.3%)。

    推荐理由:提出S3方法,通过交换非思考与思考模型的零空间权重,在推理效率提升27.4%的同时保持准确率。

  4. arXiv · 机器人与计算机视觉7

    SCOPE:一种用于长尾联邦学习的可扩展免训练语义核心集选择框架

    SCOPE 是一种利用正交投影嵌入实现免训练的联邦学习核心集选择框架,专为高分辨率仪器产生的非独立同分布及长尾数据设计。在 HPC 集群 GPU 节点上针对四个数据集(含科学显微图像)的测试中,该框架比基于特征的核心集基线快 7.7 倍且上传数据量减少 293 倍。

  5. arXiv · 机器人与计算机视觉72

    PALATE:一种基于全期望定律的深度生成模型评估增强框架

    针对深度生成模型(DGMs)在保真度、多样性和新颖性之间平衡的评估难题,本文提出了 PALATE 框架。该方法通过独特地应用全期望定律处理可访问数据随机变量,并整合 MMD 基线指标与 DINOv3 特征提取器,构建了全面的评估体系。实验表明,PALATE 在检测样本记忆化和评估泛化能力方面表现优异,且具备优于现有最先进方法的计算效率和可扩展性。

  6. arXiv · 机器人与计算机视觉82

    PURE:利用无标签数据优化前馈式三维重建

    PURE 是一种无需真值监督的后训练细化框架,旨在解决现有前馈式三维重建模型在处理动态真实世界视频时因非刚性运动、遮挡和光照变化而表现脆弱的局限。该方法通过蒸馏最先进的 2D 先验中的鲁棒结构知识至 4D 前馈架构,利用相对深度约束、仿射不变几何蒸馏及基于特征对应的姿态细化来稳定几何预测。

    推荐理由:PURE 框架利用无标签数据进行后训练,通过蒸馏 2D 先验知识提升模型在动态场景下的深度与姿态估计鲁棒性。

  7. arXiv · 机器人与计算机视觉68

    Learning Native Reflection in Unified Models with Interleaved Reinforcement Learning

    arXiv 论文介绍 UMM-Reflection 方法,利用交错强化学习在统一多模态模型内联合优化反思文本与基于流的图像修订,无需外部验证器即可实现跨轮次信用分配。实验显示该方法在 BAGEL 基准上 GenEval 指标提升 12.05 点,且增益可迁移至 WISE、OneIG-Bench 和 T2I-CompBench++ 等未见过的任务。

  8. arXiv · 机器人与计算机视觉78

    EMERGE:一种基于等变图扩散的分辨率无关点云生成方法

    论文介绍 EMERGE 框架,这是首个专为点云生成设计的完全 SE(3) 等变图神经网络扩散主干网络。该方法克服了现有 Transformer 和 VAE 架构忽略 3D 空间连续非网格拓扑的问题,通过引入几何归纳偏置实现了分辨率无关的零样本推理,并在标准指标上达到最先进质量且训练收敛更快。

    推荐理由:提出首个基于 SE(3) 等变图神经网络的点云生成框架,实现分辨率无关的零样本推理与更快的训练收敛。

  9. arXiv · 机器人与计算机视觉49

    Registration-Grounded Spectral Fusion 解决未配准 WLI/NBI 内镜病变分割问题

    针对白光照像(WLI)与窄带成像(NBI)序列采集导致空间不一致的挑战,该方法提出基于拓扑正则化配准的对应条件复数谱融合框架。在 FAHSYSU 和 PICCOLO 数据集上的实验显示,其分割效果优于现有方法,且通过模块消融与可靠性分析验证了有效性。论文已上传至 arXiv(arXiv:2607.26395),代码与权重暂未提及开放许可。

  10. arXiv · 机器人与计算机视觉58

    TAMF-VTON:一种基于 Qwen-Image-Edit-2509 的无掩码虚拟试穿模型

    arXiv 论文 TAMF-VTON 提出了一种无需分割掩码、解析图或姿态表示的推理时框架,基于 Qwen-Image-Edit-2509 构建。该模型采用 token-wise 稀疏混合专家适配机制,在 VITON-HD 和 DressCode 基准测试中取得了最佳分数,支持单件或多件服装转移及主体间迁移。材料仅提供了预印本链接与定性结果展示,未报告真实机器人部署或商业化许可信息。