基于潜空间光度监督的盲后验推断式视频反向色调映射方法
针对高动态范围(HDR)显示普及但生成视频等素材仅存标准动态范围(SDR)的问题,本文提出将 SDR 转 HDR 的反向色调映射重构为盲后验推断任务。研究指出现有生成先验方法存在系统性亮度偏差,即“光度误差”。
针对高动态范围(HDR)显示普及但生成视频等素材仅存标准动态范围(SDR)的问题,本文提出将 SDR 转 HDR 的反向色调映射重构为盲后验推断任务。研究指出现有生成先验方法存在系统性亮度偏差,即“光度误差”。
该研究利用视频预训练特征结合相机估计与场景聚合,在 CO3D 数据集上对比了全局与空间相机回归配置。结果显示空间相机配置虽降低轨迹误差但深度表现不及恒值中位数深度,联合相对目标优化改善了归一化内参误差却增加了原始 Chamfer 距离。研究强调需分离组件比较以区分表征适应、对齐形状与原始重建效果,代码已开源。
针对现有自动化手术技能评估难以在不同语义等价准则间迁移的问题,本文提出了预测性准则对齐(Predictive Rubric Alignment, PRA)方法。
论文提出 PolyMorphWBC 分层控制器,仅接收末端执行器轨迹指令即可生成四足机器人与六自由度机械臂的协同运动,支持跨四种不同机械臂构型及扩展工作域。该方法在 IsaacLab 仿真中达到 93.95% 任务完成率,物理 Go2-ARX5 系统上实现了基于语言条件的无视觉长距抓取演示。
针对机器人与床垫、蹦床等弹性表面交互导致的形变问题,作者提出 Elastra 仿真框架。该框架利用仅垂直移动的单元结合弹性连接与阻尼来模拟变形与恢复过程,并通过接触力驱动运动更新几何以计算后续受力。
推荐理由:该框架通过垂直移动单元模拟弹性体变形,在床垫与蹦床场景下将机器人站立成功率提升显著。
针对长上下文多模态智能中图像细节访问不可靠的问题,本文提出无需训练的 Visual Position Re-Anchoring (VPR) 方法。该方法通过调整缓存中的视觉键旋转相位至短上下文参考点,直接作用于现有 KV 缓存,无需提取注意力图或增加模型前向传播。
该研究提出了 PreNav 框架,旨在解决室内半静态环境中的开放词汇物体导航问题。系统利用大语言模型将目标与家具的共现关系转化为空间先验,再通过条件扩散模型生成有序的中心线及带状区域作为全局搜索参考,从而避免在每一步都调用昂贵的视觉 - 语言模型。
推荐理由:PreNav 框架利用扩散模型生成全局搜索参考,在无需微调的情况下实现了半静态环境下的零样本开放词汇导航。
预训练视频世界模型常依据未来预测分数进行选型,但该分数混合了编码器质量、近期相似性及预测器贡献。研究通过匹配对照组在 2.7 万家庭第一人称视频试验中分离三者,发现 V-JEPA 系列内部预测器贡献差异显著,且仅对动作条件化模型为负值。建议报告未来预测分数与其持久性基线的差距以增强可解释性,下游效用需另行评估。
推荐理由:提出用匹配对照组分离预测分数与编码器效应,建议报告差距而非原始分数以评估世界模型真实性能。
针对现有代理式视频推理框架评估标准不一、计算成本高且效果提升有限的问题,该研究提出了 SAVE(Simple Agentic Video Explorer)基线及扩展方法。
推荐理由:该研究通过受控评估发现,在长视频场景下,简单的主动探索框架比复杂代理更有效且成本更低。
CrowdMAPS 提出了一种基于 Web 的众包范式,用于在标准物理数据采集后或期间,通过远程标注者为每个访问过的机器人状态指定多个有效替代动作,从而增加数据集的动作密度。
DiFiT 通过双视图蒸馏与可微 Top-K 机制,在保留模型推理概率分布的同时降低多模态大模型推理成本。该方法在 Qwen2.5-VL-7B 上相比 FastV 将采样导致的负向翻转减少 30.3%,并在 10% 和 30% 的保留率下分别维持了基准性能的对应表现,有效解决了剪枝引发的概率漂移问题。
针对大型工业管道等重型物体的 6-DOF 姿态估计,作者提出了 MiniPose 流程,通过采集缩小比例模型的真实 RGB-D 数据并转化为全尺寸几何表示,以解决真实数据采集负担大及合成数据难以复现传感器误差的问题。实验表明,混合少量微型图像与合成数据可提升两种不同网络架构(PVN3D、RDPN6D)的平均 ADD-S AUC,且相比全尺寸真实数据训练,该方法在采集困难场景下可作为有效替代方案。
TSAT 通过无标签测试序列进行在线优化,利用可控 token shift 辅助任务生成空间适配信号并抑制不可靠样本干扰。在 CM-UOT 数据集上,该方法在频繁模态切换和严重空间位移下表现优于现有测试时自适应技术,验证了其在跨模态无人机目标跟踪中的鲁棒性与泛化能力。
该文指出当前具身世界模型的指标多关注输出质量,却忽视了对反事实动作后果预测的保真度审计。作者提出利用敏感性分析检查模型对动作扰动的强制响应,以评估其预测能力,并强调硬件部署需建立新的评估框架来平衡状态误差与准确的敏感性预测。材料为 CoRL 2026 研讨会论文,未涉及具体产品发布或真实机器人部署结果。
推荐理由:提出通过敏感性分析审计世界模型对反事实动作后果的预测保真度,为硬件部署前的评估提供新框架。
针对冻结的视觉语言模型难以尊重描述中否定词的缺陷,本文提出 Negation-Aware Evidence Scoring (NAES) 方法。该方法将否定描述重构为肯定查询并结合证据评分,配合轻量级文本分解器 NegSplit 处理结构信息。
该研究提出 Estimating Image Creativity 框架,通过监督机器学习模型预测图像的新颖性、惊喜度和唤醒度三个维度并合成最终创意分。基于 Amazon Mechanical Turk 收集的受控实验数据显示,其估算分数在统计学上与人类对测试图像的创意评级等效。该方法验证了心理学维度的有效性,为计算机视觉与人工智能领域的图像评估提供了自动化工具。
该论文针对视觉语言模型在存在干扰图像时的准确性下降问题,通过注意力分析与消融实验发现中层干扰图到文本的连接是主要路径。研究提出一种答案一致性正则化方法,在不直接约束注意力的情况下减少干扰影响,使五个基准测试的循环准确率平均提升 16 个百分点,同时保持单图性能。材料为预印本论文,未涉及真实机器人部署或产品发布。
FCLPF 方法通过原型生成伪特征解决联邦增量学习中的灾难性遗忘问题,无需历史数据且避免使用 GANs。在 CIFAR-100 数据集上,该方法平均准确率达 51.87%、遗忘度仅 9.62%,显著优于基线的 47.72% 和 20.46%;在 TinyImageNet 上表现同样领先,分别实现 37.56% 准确率与 3.14% 遗忘度。
Genie Sim Benchmark 通过配对真实 - 仿真任务及系统辨识研究进行评测。在涵盖 16 个任务名称的 22 对机器人任务中,基于真实机器人数据微调的策略实现了描述性分数相关性 0.9686、MAE 0.0405、RMSE 0.0520,仿真与真实的差异范围为 -0.110 至 +0.080。
针对模仿策略执行误差累积导致失败的问题,本文提出动作仿射世界模型(A²WM),利用预训练策略的标称行为,离线从扰动轨迹中学习局部动作敏感性。该模型直接预测完整规划时域内的任务几何变化,结合二次惩罚与线性约束构建凸二次规划问题,仅需一次模型评估和一次求解即可完成在线修正,且冻结策略与模型权重。
Facial-Video Digital Hydration Biomarker Score 在 104 名参与者的斋月禁食实验中,成功追踪了从空腹到补水后的水合状态方向性变化。
论文提出了 ILA 模块,旨在解决在人形机器人受限环境或人机物理交互中直接跟踪参考运动存在安全隐患的问题。该方法无需专用交互传感器,通过适配机器人的观测历史来预测由物理交互引起的参考修正,使机器人能在响应物理引导的同时保留预训练运动跟踪器的能力。
针对人形交互生成依赖预建 3D 资产的限制,该方法提出统一流程,直接从单张 RGB 图像重建场景几何并生成人类交互参考。通过引入度量场景对齐和接触引导重定向两个阶段,在保持几何一致性的同时修正了因人与机器人本体差异导致的支撑误差。完整流程在仿真中成功率达 89%,在宇树 G1 物理实验中于 50 次尝试中成功 70 次,且无需针对特定场景微调策略即可被多个预训练跟踪器执行。
论文介绍了 XInfer,这是一个在生产环境中部署的视觉语言动作模型服务系统,旨在降低大规模机器人部署的推理基础设施成本。该系统通过协调异构计算与机器人执行的响应需求,在利用并行性的同时管理干扰,从而在保证时间关键反馈的前提下提升 GPU 效率。
针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。
推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。
该论文基于 CARLA 驾驶模拟器中的循环状态空间模型世界模型与主动推断规划,识别出后验(观测过滤)状态保留障碍物信息而想象出的先验状态逐渐丢失的“后验先验差距”。
该论文介绍了 RSLiveBench-UAV,这是一个基于真实无人机图像持续采集、采用几何辅助关联实体身份并延迟披露答案的视觉语言基准。研究在十个场景下评估了 30 个通用、遥感及具身模型,涵盖 17 项任务,发现所有测试的具身模型均优于选定的遥感对比器,但细粒度车辆识别仍具挑战且性能随高度和相机俯仰角变化。
推荐理由:引入持续进化的无人机视觉语言基准,通过几何辅助关联实体与延迟披露答案来支持对空域智能模型的持续评估。
该论文引入 Reality Perception Gap (RPG) 基准,包含 10,000 个经过跨平台重传压缩及带有相机光学伪影的视频,涵盖犯罪与战争等高风险内容。测试显示,在 1% 误报率下,现有 18 种检测器无一能捕获超过 15% 的伪造视频。研究通过正对照和重编码扫描发现,生成器与内容的偏移导致性能下降,而重传压缩则抹去了基于伪迹的检测所依赖的低级痕迹,表明被动检测可能已达极限。
推荐理由:该研究揭示了现有 AI 视频检测器在真实部署环境下的失效机制,指出被动检测已达极限并建议结合多模态证据。
该论文提出 Hint-Informed Self-Distillation (HISD) 方法,旨在解决推理分割中目标消歧难的问题。该方法利用外部模型离线生成包含目标身份、判别性属性等线索的提示词(Hints),并通过提示词感知的指数移动平均教师网络对学生轨迹进行评分与知识蒸馏。
针对非完整机器人无法瞬时跟随传统向量场且易发生碰撞的问题,本文提出 DIVAL 方法,通过在工作空间局部施加微分同胚变形,使规划向量场的初始方向与机器人航向一致。数值仿真显示该方法在所有试验中均实现无碰撞收敛并避免控制不连续;地面车辆硬件实验进一步验证了其在不同目标、初始条件及真实扰动下的鲁棒性。
该方法将创造力重构为配对草图间的结构化语义偏差,利用双曲距离量化新颖性并通过自适应约束评估恰当性。在 AuDrA-Drawings 数据集上,其对齐专家判断效果达到最先进水平且对评分者变化具有强鲁棒性。框架揭示了可解释的径向组织模式,为自动创造力评估提供了几何基础。
针对现有 AIGC 检测器依赖生成器特定伪影且泛化性差的问题,本文提出一种无需外部文本提示的检测框架。作者首先分析了超过 20 个生成模型的 15 种手工物理描述符,通过 FSDVA 评估选出拉普拉斯方差、Sobel 统计量和残差噪声方差等五个核心特征。
HeadIO 提出结合身体帧航向分解与双向 Mamba 骨干网络的方法,在仅用 IMU 的头戴设备(如 AR 眼镜)上实现无相机头部追踪。该方法在 Nymeria 基准数据集上将 RTE-5s 误差从 0.260m 降至 0.239m,FLOPs 约为现有全管线方法的三分之一、参数少 8 倍。论文已提交至 ICRA 2027,代码与权重暂未开放。
该论文报道了在 CogniSAT-6 任务上成功进行的基于物体的变化检测流程的在轨验证,旨在实现低延迟的海事监控。系统采用轻量级三阶段操作序列,包括优化的地面双采集调度、实时机载 AI 船舶分割以及多时相匹配。
论文指出跨域视频深度伪造检测中,表达性路由和特征融合的增益多为评估泄露所致。通过 2x2 折叠审计发现,在诚实家庭保留下所有显著增益消失;但在尾部硬样本上,全局校准融合(InvB)将多专家误分类视频比例从 15.2% 降至 2.3%,且在最坏家族 AUC、选择性风险和低假阳性召回率上稳定优于单一专家。建议从业者进行全局校准与组合,并保留完整数据集家族进行评估。
针对动态环境中类人机器人集群因人员进出导致重组受阻的问题,该研究提出结合社会力模型、模型预测控制(MPC)与控制屏障函数(CBF)的新框架。仿真消融实验与在线用户研究显示,该方法在复杂环境下能实现更平滑且安全的重定位行为,同时保持社交适宜性。论文已上传至 arXiv 待注册 DOI,包含 8 页正文及 4 张图、2 个表格。
该研究提出了 OrthoPairGTL 框架,基于部分冻结的 DINOv3 骨干(约 300M 参数),通过正交对分解、超球正则化及集合级一致性目标进行几何监督训练。
本文介绍并开源了 Sophon,这是一种基于成对彩色点云刺激的程序化诊断工具,涵盖一维线性、二维笛卡尔和极坐标三种坐标系及四种问题类型。研究发现在剥离先验知识后,主流开源 VLM 在空间基准测试上表现接近随机猜测,而前沿模型和人类则能保持较高准确率。
推荐理由:该工作开源了针对 VLM 空间推理能力的程序化诊断工具,并揭示模型存在路由瓶颈而非能力缺失。
针对通用机器人操作模型采样序列效果不佳且昂贵验证器引入高延迟的问题,该工作提出 HDH 框架,利用冻结 VLA 部署的历史数据训练轻量级动作验证器。在四个 LIBERO-10 任务上平均成功率为 82.3%,在三项真实世界操作中相比基线提升 22.6%。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。
针对宇宙学、分子动力学及等离子体物理中的科学粒子数据,现有基于八叉树的神经点云压缩方法因无法适配其非局部平面结构而效果有限。在 G-PCC 基线之上,当前神经编解码器仅实现边际比特率降低,显示出显著性能差距。该研究为未来利用学习技术突破科学数据压缩瓶颈提供了关键视角与方向。