跳到正文
11月2日周一
  1. arXiv · 机器人与计算机视觉58

    WorkIng:面向自动驾驶的高速公路施工区真实与仿真基准数据集

    作者发布了 WorkIng 基准数据集,包含覆盖 32 公里的真实世界高速施工区数据(12000+ 标注帧、227399 个跟踪 3D 边界框)及基于 CARLA 的仿真场景。研究证实真实数据仍是性能主要驱动因素,而分层合成增强能提升感知与规划架构的表现。

  2. arXiv · 机器人与计算机视觉12

    Visual-Inertial RGB-D SLAM with Encoders 系统实现差分轮式机器人实时定位建图

    该系统针对纯视觉 SLAM 因特征缺失或高速运动导致的失效问题,提出结合编码器数据的紧耦合视觉惯性 RGB-D 方案。在自建数据集测试中,其状态估计均方根误差约为 2-7 cm,实现了准确且鲁棒的实时性能。相关源代码及含编码器信息的公开数据集已发布以供验证。

  3. arXiv · 机器人与计算机视觉58

    OpenVIO:一个通用的开源视觉惯性里程计系统

    作者 Seungwon Choi 发布了 OpenVIO,这是一个基于 MIT 许可的开源视觉惯性里程计(VIO)系统。该系统支持针孔相机、鱼眼相机以及拼接后的 360°全景图像,并详细描述了各模块的设计考量。材料提供了在公开数据集上与其他开源 VIO 系统的基准测试结果,但未报告真实机器人部署结果或具体应用场景的性能数据。

  4. arXiv · 机器人与计算机视觉18

    GPU 加速增量欧氏距离变换用于移动机器人在线运动规划

    该系统利用 GPU 并行计算技术,构建包含多传感器数据的体素地图并实时输出高频局部距离信息以支持在线运动规划。实验表明该方法在无人机和地面车辆上实现了有限算力下的实时性能,优于现有机器人建图系统且适合未探索区域映射。论文已发表于 IEEE RA-L 2022,作者接受的手稿代码可通过链接获取。

  5. arXiv · 机器人与计算机视觉73

    当深度说谎:镜面诱导的 RGB-D 模糊性下的视觉语言模型基准测试

    作者构建了一个包含 1011 张图像的镜面场景 RGB-D 数据集及 MIRA-Bench 基准,涵盖六种反射表面与昼夜条件。评测发现现有 VLM 在区分真实物体与镜像、匹配对应关系及空间推理上普遍失败;提供深度数据反而降低性能,表明模型无法识别镜中错误的深度信息。代码与数据已开源。

  6. arXiv · 机器人与计算机视觉78

    DrawSplat:一种基于亚特兰大世界引导的隐式高斯 SLAM 框架用于室内重建

    该论文提出 DrawSplat 框架,旨在解决现有高斯 SLAM 在室内弱纹理、大面积平面及噪声深度场景下易出现位姿漂移和几何伪影的问题。方法采用类似绘画的流程:先通过点线联合跟踪构建显式结构布局,再利用亚特兰大世界(Atlanta World)的先验推断重力方向并生成可微正则项填充隐式神经高斯以获取高保真外观与连续几何细节。

    推荐理由:该工作提出基于 Atlanta World 先验的隐式高斯 SLAM,通过点线联合跟踪与结构采样解决室内弱纹理场景下的位姿漂移与几何重建问题。

  7. arXiv · 机器人与计算机视觉78

    VoxLution:一种用于高保真室内场景生成的体素进化方法

    该论文介绍 VoxLution,这是一种基于粗到细(coarse-to-fine)的 Transformer 架构,旨在解决现有生成模型几何过于平滑的问题。该方法将高分辨率体素超分辨率建模为多分辨率稀疏体素网格上的序列问题,通过无训练、与分辨率无关的标记化方案编码八分体信息,并利用相邻块边界信息确保局部生成的连贯性。

    推荐理由:提出基于粗到细的 Transformer 方法,在标准基准上显著降低几何模糊度与生成差异。

  8. arXiv · 机器人与计算机视觉75

    VariaFlow:一种用于无监督异常检测的不确定性感知流匹配方法

    论文提出了 VariaFlow 方法,利用无条件流匹配先验和掩码引导的恢复集合来估计预测方差,从而对残差进行归一化以区分真实病理与解剖变异。该方法在三个涵盖中风和肿瘤的脑 MRI 数据集上训练一次即可泛化,取得了最高的 AUROC 和 AUPRC,并在跨域场景下比最强基线提升了显著的性能,特别是在小病灶检测方面表现更稳定。

  9. arXiv · 机器人与计算机视觉66

    BDNet:快慢思维即所需——一种高效图像分类骨干网络

    本文提出了 BDNet,这是一种围绕快速图像特征和缓慢统计参考构建的分层图像分类骨干网络。其基线变形算子(BDO)将特征相对于阶段特定参考的偏差通过低秩投影和学习的通道缩放进行转换,避免了成对 token 相似度计算,推理复杂度与 token 数量呈线性关系。

  10. arXiv · 机器人与计算机视觉74

    SAFARI:面向危险环境探索的语义与前沿驱动自主风险巡检框架

    论文提出 SAFARI 框架,将物体检测作为统一概率地图的原生通道,联合几何证据与语义信息进行探索与规划。研究在三个实地站点通过四足机器人完成了 11 次任务,平均覆盖可达区域 98.7%,无人干预时间占比 97.6%,并能检测到最小特征尺寸 15cm 的物体。

  11. arXiv · 机器人与计算机视觉42

    GeoReasoner:超越试错的城市空中视觉语言导航地理空间主动推理框架

    GeoReasoner 提出将城市空中视觉语言导航(VLN)范式从反应式试错转向地理空间引导的主动推理,通过预搜索推导区域先验、假设驱动探索及一致性验证来抑制高海拔视角下的视觉歧义。在 CityNav 基准测试中,该零样本方法设定了新的最先进水平(SOTA),并在与监督方法的竞争中表现优异。论文为 arXiv 预印本(arXiv:2610.41446v1),代码与权重开放许可情况原文未提及。

  12. arXiv · 机器人与计算机视觉72

    FlexReader:面向高效任意长度场景文本识别的自适应解码路径

    FlexReader 是一种场景文本识别模型,通过引入子串感知模块和并行解码块,支持在感知到的子串范围内进行任意步长的解码。该模型还提出了自适应前缀解码机制,根据置信度动态选择最优解码步长。实验表明,FlexReader 在包含长文本、弯曲文本及遮挡的基准测试中均表现出鲁棒的识别能力,相比自回归解码实现了最高6倍的推理速度提升。

  13. arXiv · 机器人与计算机视觉62

    CalibSwitch:面向多模态感知的观测驱动相机-LiDAR 外参恢复与选择性维护

    论文提出 CalibSwitch 框架,解决移动机器人和智能车辆部署中传感器几何不确定性及观测质量波动问题。该方法将绝对外参恢复与状态选择性维护分离,利用跨模态生成器从图像 - 点云观测中无初始变换地恢复 SE(3) 候选解,并结合观测质量与时序历史决定何时更新冻结检测器的几何状态。

  14. arXiv · 机器人与计算机视觉82

    ReVEAL:从多模态大模型中激发角色感知的潜视觉证据以进行推理视频目标分割

    论文提出了 ReVEAL 框架,旨在解决推理视频目标分割(ReVOS)任务。该方法将视觉证据令牌(VETs)引入视频推理过程,通过动态注意力层路由器聚合跨层的注意力,从而关联必要区域与目标、背景或干扰物的角色。

    推荐理由:提出 ReVEAL 框架,利用 MLLM 推理中的角色感知潜视觉证据引导分割模型,无需跨模型对齐。

  15. arXiv · 机器人与计算机视觉76

    Coarse3D:面向图像转三维的可控且忠实稀疏结构生成

    论文提出 Coarse3D 模型,旨在从任意非定位图像中生成可控朝向且几何忠实的体素结构,以解决现有方法在方向控制和二维至三维映射上的不足。该模型采用首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力机制三项设计,能够直接替换现有流程中的粗粒度阶段。实验表明该方法显著提升了稀疏结构质量并持续增强最终三维生成效果,达到当前最先进水平。

    推荐理由:提出 Coarse3D 模型解决稀疏结构生成中的方向控制与几何一致性难题,可替换现有流程的粗粒度阶段。

  16. arXiv · 机器人与计算机视觉38

    FlowMoDE:基于粗到细流匹配的单体深度估计模型实现仿真到现实泛化

    FlowMoDE 提出一种基于粗到细流匹配框架,在仅用单一合成室内数据集训练下,于五个真实室内外数据集上相对误差降低 14.1%、点云重建 Chamfer 距离减少 9.9%,且支持仿真到现实泛化。该工作解决了多步采样效率低与单步模型细节恢复难的矛盾,已在 arXiv 提交待审并开源项目页面。

  17. arXiv · 机器人与计算机视觉82

    MotorSense:首个大规模配对视频与肌电信号的动作理解数据集

    针对计算机视觉模型仅依赖视觉后果而缺乏本体运动信号的问题,该工作提出了 MotorSense,这是首个大规模的双手肌电(EMG)与第一人称视频配对数据集。数据包含 100 小时无脚本操作中的同步视频、双手 EMG、IMU 及音频。

    推荐理由:该工作提出首个大规模配对视频与肌电信号数据集,通过跨模态预训练实现视听对齐,在动作识别等任务上超越传统自监督方法。

  18. arXiv · 机器人与计算机视觉58

    无需显式几何的屋顶太阳能潜力学习实证研究

    该研究提出 Direct Rooftop Solar Prediction (DRSP) 框架,旨在直接从卫星影像和区域光照信息映射到应用级太阳能输出,无需输入或预测屋顶朝向、坡度等几何中间量。作者构建了包含美国中西部约 60K 个屋顶和德州 87K 个屋顶的两个数据集,并系统分析了地理分布、模型深度及回归目标的影响。代码与数据已公开。

  19. arXiv · 机器人与计算机视觉78

    单标注多假设分割:基于语义 - 空间残差银行的方法

    针对单图像仅含一个标注却需覆盖多种有效掩码的挑战,研究提出语义 - 空间残差银行方法。该方法冻结经平衡分配训练的语义特征以保留结构分组,同时学习图像残差以捕捉局部边界与范围变化。在五个医学终点及 BSDS 数据集上验证了其在保持区域分组的同时提升对未见过标注的覆盖能力,并产生更多有用的独立掩码。

    推荐理由:提出语义 - 空间残差银行方法,在单标注约束下提升多假设分割的覆盖度与结构保持能力。

  20. arXiv · 机器人与计算机视觉45

    Pancreas-MedNeXt:统一 MRI 分割模型助力胰腺癌放疗

    Pancreas-MedNeXt 提出统一 MedNeXt 架构,通过监督预训练与多任务微调,从单个体积分割胰腺全貌、亚区及肿瘤和周围器官。在 142 例 PANTHER 患者数据上,该模型诊断 MRI 下肿瘤 Dice 系数达 58.41%,MR-Linac 为 42.55%,分别超越专用 MedNeXt 基线约 4.94 和 5.89 个百分点。

  21. arXiv · 机器人与计算机视觉58

    精选世界模型数据提升空中检测:Dreams Are Cheaper Than Flights

    针对机器人感知依赖昂贵且难以采集的真实现场数据的痛点,该研究利用 70 亿参数世界模型生成合成视频以扩展训练集。实验显示,在无人机上预训练的模型中,加入精选的合成帧使 mAP@50--95 提升 4.3%,完全替代真实数据时提升 10.3%,在城市基准测试中最高可达 33.5%。

  22. arXiv · 机器人与计算机视觉58

    Prior-Guided Single-Exposure HDR Novel View Synthesis via Base-Gain Representation

    该论文提出了 PriorGS 框架,旨在从单曝光低动态范围(LDR)视图恢复高动态范围(HDR)场景并估计相机响应函数。方法通过伪 HDR 监督引导 HDR 重建,并利用可学习先验正则化 CRF 建模以保证单调性;同时引入 3D base-gain HDR 表示以解决跨视图不一致问题并支持编辑。实验表明该方法在基准测试中表现显著优于现有方案。

  23. arXiv · 机器人与计算机视觉78

    RADI3N:基于参数化 3D 控制的语义感知图像编辑框架

    arXiv 论文 RADI3N 提出一种针对部分级参数化 3D 控制的图像编辑框架,旨在解决现有扩散模型在几何密集型编辑中难以保持纹理与结构一致的问题。该方法通过 CS-ARAP 变形模块抑制部件边界处的旋转场不连续性,并引入无逆选择性纹理转移机制以消除高频位置偏差,支持跨图像的语义匹配。

    推荐理由:提出 RADI3N 框架,通过 CS-ARAP 变形与无逆纹理转移机制,解决参数化 3D 控制下的几何保真度与语义匹配难题。

  24. arXiv · 机器人与计算机视觉73

    FieldGuideRAG:基于图像的知识图谱检索增强生成用于细粒度识别

    作者提出 FieldGuideRAG,一种无需训练的图检索增强生成方法,利用视觉语言模型通过对比查询与知识图谱节点上的真实照片来识别细粒度物种。该方法在 CUB-200 及 iNaturalist 数据集上验证了节点照片对提升准确率的贡献,并展示了其在生态问题回答和缺失类检测方面的性能。相关图结构、提示词和代码将开源。

  25. arXiv · 机器人与计算机视觉60

    UFMF:雷达引导的运动学先验用于实时 4D 占用预测

    论文 UFMF 提出一种实时 4D 占用预测器,通过无注意力对角状态空间核心结合雷达引导的速度感知动态先验(VADP),在保持低延迟的同时提升长时域对快速移动目标的预测精度。该方法在 nuScenes 数据集上达到 0.45 mIoU,单 RTX 4090 运行帧率达 122 FPS,显著优于近期占用世界模型且计算成本更低。

  26. arXiv · 机器人与计算机视觉45

    AquaProbe:高效适配冻结视觉模型以应对水下图像挑战

    AquaProbe 通过测量域偏移分布并分配固定 LoRA 预算,使比例化 LoRA 秩分配的分割 mIoU 达 70.1,优于均匀分配方案 1.9 个点且参数同为 59 万。该方法的三路路由器在标准 SUIM 划分上实现 70.6 mIoU,在保留退化测试集 AUDRC 上达到 63.4。研究利用成对清洁与物理渲染图像分离新增分歧,解决了水下浑浊与波长衰减导致的感知可靠性问题。

  27. arXiv · 机器人与计算机视觉44

    Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation 方法提升检测性能

    SAILS 方法通过整合空间图谱统计加权交叉熵损失,在无需推理时注册的情况下提升了全身 PSMA PET/CT 前列腺转移灶的 Dice 系数与漏诊体积。该方法在 AutoPET~III 数据集上将整体 Dice 从 0.520 提升至 0.531,并在 Deep-PSMA 外部数据集中额外检出 126 个病灶,但伴随假阳性体积增加。研究验证了该策略在高危骨骼区域的有效性,相关代码与论文已开源。

  28. arXiv · 机器人与计算机视觉57

    EgoHSI3R:基于第一人称视频的在线 4D 手 - 场景交互重建

    arXiv 论文 EgoHSI3R 提出一种统一的前馈框架,用于从单目第一人称视频中在线重建 4D 手 - 场景交互。该方法通过循环场景表示维持共享世界空间与尺度,结合手部中心提示融合预训练先验与局部场景上下文,利用 MANO 顶点查询预测密集接触点。

  29. arXiv · 机器人与计算机视觉54

    Drone-PUR:从视觉线索发现到无人机场景的理解与推理

    论文介绍 Drone-PUR 数据集与基准,旨在解决通用视觉语言模型(VLM)在无人机场景中因小目标、细微属性及视角变化导致的感知与理解局限。该基准包含 11 项任务,涵盖单图、序列、跨模态及多视角数据,共提供 17.5 万训练样本和 2 万经人工审核的测试样本。

  30. arXiv · 机器人与计算机视觉68

    DyCraft:一种用于长周期 4D 场景生成的代理系统

    论文介绍 DyCraft 系统,通过分步策略解决通用编码代理在长周期动画中易产生物理违例的问题。系统将提示词扩展为详细计划以构建静态场景,再创建关键动作帧的 3D 故事板,将复杂时空约束分解为可独立调试的起止状态对。实验覆盖人形机器人、人物及机械装置等 24 个长周期多镜头任务,结果显示 DyCraft 相比原生 GPT-6 代理及基线显著减少物理违例并提升生成质量。

10月30日周五
  1. arXiv · 机器人与计算机视觉5

    Robust, Estimator-Agnostic Dynamic 3DGS Compression 方法实现无需运动模型或训练知识,在六个 N3DV 序列上平均将静态编码器 BD-rate 降低 42.0% 至 71.8%,项目代码已开放。

    Robust, Estimator-Agnostic Dynamic 3DGS Compression 方法通过拼接帧组并利用空间冗余,在无需运动模型或训练知识的情况下实现鲁棒压缩。该方法在六个 N3DV 序列上平均使静态编码器 BD-rate 降低 42.0% 至 71.8%,未追踪集合表现与逐帧编码持平。项目代码已开放,论文已提交至 IEEE ICASSP 2027。

  2. arXiv · 机器人与计算机视觉35

    TeethGNN 基于形态解耦的骨骼分类实现错颌畸形临床评估

    TeethGNN 利用图神经网络融合 CBCT 图像特征与形态信息,通过协作校准策略直接预测关键指标以替代人工测量。该系统在自建临床数据集上达到 77.08% 准确率和 89.61% AUC,优于现有最先进方法。该预印本论文已被 Biocybernetics and Biomedical Engineering 接收,代码与数据开放许可情况未明确说明。

  3. arXiv · 机器人与计算机视觉42

    面向网联车辆编队的任务导向语义通信框架:基于 SD-VAE 的紧急语义消息与仿真评估

    该研究提出集成实例分割、单目深度估计及 SD-VAE 压缩的任务导向语义通信框架,通过 V2X 协议广播紧急语义消息(ESM)以支持危险预警和远程操作。评估显示 SD-VAE 在低信噪比下优于 JPEG 等格式且具备平滑降级特性,7,290 次仿真运行中车辆碰撞率仅为 0.99%。论文已提交 IEEE 待刊,代码与数据许可状态未明确说明。