跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉38

    UltraBench 2:面向超声影像基础模型的鲁棒性评测基准

    UltraBench 2 是一个涵盖广泛解剖结构与任务的综合基准,旨在解决超声基础模型评估碎片化问题并提升标准化与可复现性。分析显示,专用预训练在分类任务仍领先,而通用大模型在分割任务上已追平最先进水平。该工作已被 ML4H 2026 会议接收,相关代码与数据将支持社区对超声影像基础模型的公平比较。

  2. arXiv · 机器人与计算机视觉39

    AnaDiffusion:解剖学组合潜在扩散模型实现可控 3D 脑 MRI 生成

    AnaDiffusion 提出一种将生成过程分解为独立解剖区域并进行部件组装与全局优化的框架,解决了现有模型忽视局部结构的问题。在 ADNI 测试集上,该模型在所有评估区域均取得最低的 FID 分数,且在局部编辑任务中实现了比分割条件基线更高的目标转移率(MS-SSIM)。此预印本工作无需推理时密集分割图即可实现可控部件编辑,代码与权重尚未开放。

  3. arXiv · 机器人与计算机视觉70

    缺失的触感:感知与显示局部接触几何让遥操作更接近人类灵巧性

    论文提出在双自由度力反馈遥操作系统中集成基于视觉的触觉传感器和 32 像素触觉显示屏,以捕捉并渲染机器人手指上的空间接触模式。实验表明,这种空间分布的触觉信息能显著减少不必要的动作和任务步骤,降低任务完成时间,并使不同操作员的演示表现更一致;这些改进还能迁移到自主策略训练上,使基于触觉增强演示训练的模型在任务耗时和对自然人类行为的偏离度上也得到改善。

  4. arXiv · 机器人与计算机视觉52

    第二届 LoViF 2026 挑战赛:真实世界全合一图像复原方法与结果

    该论文回顾了第二届 LoViF 2026 挑战赛,旨在推进涵盖模糊、低光照、雾霾、雨雪等多种退化条件的统一图像复原技术。比赛吸引了 158 名注册参与者,最终有 20 个团队的结果被成功复现并纳入排名。报告对提交的解决方案进行了综合分析,揭示了有效的策略设计,并为未来真实世界低级视觉研究建立了更新的基准。

  5. arXiv · 机器人与计算机视觉72

    礼貌性预期规划:提升持久共享环境中的长周期任务规划

    论文提出 courteous anticipatory planning 方法,解决标准任务规划器缺乏对未来的预见且忽视其他机器人约束的问题。该方法通过基于模型的规划器生成候选计划,并利用独立学习的每机器人估计器联合最小化即时成本与聚合预期未来成本,避免组合式联合展开并支持模块化部署。

  6. arXiv · 机器人与计算机视觉30

    RFMSR:基于残差流匹配的图片超分辨率方法

    RFMSR 提出将源分布设为以低质量潜变量为中心的 Gaussian,使流从输入图像而非纯噪声开始以保留结构先验。该方法结合单步输出监督损失与条件流匹配损失,无需蒸馏即可实现任意步数的高质生成。实验显示其效果可与最先进方法竞争,代码已开源。

  7. arXiv · 机器人与计算机视觉44

    Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision

    人类与现代视觉模型在分类准确率相近时,其错误方向存在系统性差异,揭示了仅靠准确率无法察觉的归纳偏置。研究通过自然图像分类任务下 12 种扰动类型匹配的人机响应,量化混淆矩阵不对称性并关联信息 - 误差权衡几何特征(斜率 beta、曲率 kappa 及效率 AUC)。结果显示人类呈现广泛但微弱的不对称,而深度模型则表现为稀疏且强烈的方向性坍缩。

  8. arXiv · 机器人与计算机视觉65

    Q-Gate:基于查询调制的多模态关键帧选择用于长视频理解

    针对多模态大模型处理长视频序列成本高昂的问题,本文提出 Q-Gate,一种免训练的插件式框架,将关键帧选择视为动态模态路由问题。该方法解耦检索为视觉定位、全局匹配和上下文对齐三个轻量级专家流,并利用 LLM 的上下文推理机制评估查询意图,动态分配权重以激活必要模态并抑制无关模态。

  9. arXiv · 机器人与计算机视觉56

    DINO 所见:ALiBi 位置编码消除 Vision Transformer 的位置偏差

    论文指出 Vision Transformers(如 DINOv2)存在独立于语义内容的位置偏差与伪影,导致在无优选方向的领域(如材料科学截面图)难以进行零样本适配。研究通过线性探测验证了该偏差的普遍性,并证明通过微调模型采用 ALiBi 相对位置编码可消除这种偏差,同时保留良好的通用语义特征,使其成功应用于复杂显微图像的 trainable segmentation。

  10. arXiv · 机器人与计算机视觉72

    Free-GVC:面向无需重训的极端生成式视频压缩与时间连贯性

    该论文提出了 Free-GVC 框架,将视频编码重构为由视频扩散先验引导的潜在轨迹压缩。方法在 GOP 层面运行,通过自适应质量控制模块动态构建在线率感知代理模型以预测最佳扩散步,并利用跨 GOP 对齐模块建立帧重叠与潜在融合来消除闪烁、增强时序连贯性。实验显示该方法在 DISTS 指标上平均降低 93.29% BD-Rate,用户研究证实其在极低码率下具有更优的感知质量与时序一致性。

  11. arXiv · 机器人与计算机视觉45

    Tracing 3D Anatomy in 2D Strokes:投影派生掩膜能否替代三维分割以识别颈椎骨折?

    针对颈椎骨折诊断难题,该研究提出利用 YOLOv8 定位与 DenseNet121-Unet 分割生成的二维掩膜反投影替代全量三维分割。在 RSNA 2022 数据集上,该方法获得的椎体级和患者级 AUPRC 分别为 75.64% 和 92.00%,性能提升无统计学显著性且优于部分基线。结果表明,基于二维投影的掩膜近似是颈椎骨折识别中可行的三维分割替代方案。

  12. arXiv · 机器人与计算机视觉42

    Teleo-Spatial Intelligence 模型在物理动力学与意图推理上落后人类表现

    Teleo-Spatial Intelligence(TSI)通过整合物理动力学与动作目标,揭示了视觉语言模型在开放世界环境中存在显著的意图推理差距。基于包含 11,328 个真实视频及 8,000 例基准数据的 EscherVerse 资源评估显示,最强专有模型整体准确率仅为 57.26%,远低于人类首判平均 90.62% 的水平。

  13. arXiv · 机器人与计算机视觉82

    E0:通过 Tweedie 离散扩散实现表达性细粒度动作预测

    针对现有视觉语言动作(VLA)模型在多样化任务中泛化能力弱、动作输出粗糙或不稳定的问题,本文提出 E0 框架。该方法将动作生成建模为量化动作 token 的迭代去噪过程,利用 Tweedie 离散扩散机制自然对齐基于 token 的推理逻辑,支持细粒度且可执行的精细控制,并避免了掩码式离散扩散的分布失配问题。

    推荐理由:提出基于 Tweedie 离散扩散的 E0 框架,解决 VLA 模型动作生成粗糙与泛化不足问题。

  14. arXiv · 机器人与计算机视觉62

    STITCHER:利用图搜索进行复杂环境下的受限轨迹规划

    arXiv 论文介绍了一种名为 STITCHER 的无优化轨迹规划框架,通过结合短轨迹段拼接与图搜索技术,在复杂环境中实时生成满足状态或执行器约束的动态可行且无碰撞的长程轨迹。仿真测试显示该方法能在数毫秒内为跨越两个 50m x 50m 环境的全路径生成安全轨迹;硬件实验利用定制四旋翼验证了其在倾斜角和电机力等非线性约束下,以高达 63km/h 的速度实时生成可跟踪路径的能力。

  15. arXiv · 机器人与计算机视觉68

    面向软体机器人的连续时间随机状态估计框架

    针对传统软体机器人(CR)状态估计依赖复杂动力学模型或准静态方法的局限,本文引入一种基于因子图优化范式的连续时间随机状态估计框架。该方法将连续时间运动学构建为受白噪声高斯过程影响的因子,结合简单机器人模型与高频传感,实现对未建模外部力及数据丢失的适应。

  16. arXiv · 机器人与计算机视觉72

    BusterX++:面向统一的跨模态 AI 生成内容检测与解释的 MLLM

    论文提出了 BusterX++,这是一个用于联合图像和视频检测的可解释推理多模态大语言模型(MLLM)。作者构建了 GenBuster-Bench++ 基准数据集,包含平衡的图像和视频样本。实验表明,在统一的图像 - 视频设置下,主要由稀疏结果奖励驱动的单一阶段纯强化学习策略优于强力的微调加强化学习基线,且纯 RL 在整个训练过程中保持了更高的策略熵度。

  17. arXiv · 机器人与计算机视觉30

    Foundation Model Driven Robotics:基于基础模型的机器人技术综述与未来路线图

    该综述系统梳理了大语言模型和视觉语言模型在感知、规划及人机交互领域的进展,将应用划分为仿真驱动、开放世界操作等四个方向。文章重点分析了程序化场景生成与策略泛化等关键趋势,同时指出了具身数据匮乏、安全风险及算力限制等核心瓶颈。最后提出了通过构建更鲁棒的可解释模型来弥合语义推理与物理智能差距的未来研究路线图。

  18. arXiv · 机器人与计算机视觉12

    Firn 冰层图像分类的拓扑特征通用性与可解释性评估

    该研究评估了拓扑数据分析(TDA)在 firn 冰层图像分类中的性能,旨在解决传统卷积神经网络因训练数据有限而过度拟合方向相关特征的缺陷。实验对比了子水平集与距离变换两类拓扑特征及持久曲线,发现单一方法无法在所有类别中占据主导,需在准确率、通用性与可解释性之间权衡。论文为 arXiv 预印本版本 v2,代码与权重未提及开放许可。

  19. arXiv · 机器人与计算机视觉42

    Grid-based Submap Joining:高效优化全局占用图与局部子帧的算法

    该研究提出基于网格的子图拼接方法,将二维非特征 SLAM 问题转化为非线性最小二乘形式以同时优化全局地图和局部子帧。利用雅可比矩阵增量独立于全局占用值的特性,作者设计了仅姿态更新的 Gauss-Newton 算法,显著降低了大规模环境下的计算成本。仿真及公开激光雷达数据集的评估证实,该方法在效率、精度及解决超大规模场景能力上均优于最先进方法。

  20. arXiv · 机器人与计算机视觉72

    当无参考图像质量模型遇见扩散潜空间的 MAP 估计时

    该工作首次展示无参考图像质量评估模型可作为自然图像先验用于真实世界图像增强。方法在预训练的微分双射扩散过程中于扩散潜空间执行梯度上升,而非原始像素域。不同模型带来不同的增强输出,提供了比较它们在感知优化场景下优缺点的新计算手段。

  21. arXiv · 机器人与计算机视觉5

    EventSpikeSeg:基于混合信号架构的事件相机脉冲分割预印本

    EventSpikeSeg 提出一种结合驻留电容内存与共享模拟处理的混合信号架构,在 GF180MCU 工艺下实现事件相机脉冲分割。该架构在 DSEC 数据集上软件检查点达到 27.976% 平均交并比,但硬件准确率、全网络物理运行及系统能效尚未验证。研究详细表征了 22 个模块家族与 74 个工作点,揭示了存储复制与服务调度作为扩展约束。

  22. arXiv · 机器人与计算机视觉78

    CS-MPC:不确定性下非线性系统的收缩认证采样模型预测控制

    论文提出了针对非线性机器人系统在参数不确定性、干扰及在线揭示的安全约束下的追踪与安全方法。该方法在每个采样展开中使用收缩认证的追踪反馈以集中展开,并通过分位数收紧的离散时间控制屏障函数条件验证输入执行。

    推荐理由:提出收缩认证采样模型预测控制方法,在 rover、四旋翼及小行星着陆任务中验证了其在参数不确定性与安全约束下的有限样本稳定性与概率安全性。

  23. arXiv · 机器人与计算机视觉78

    VLAN:面向多主体的视觉语言可访问导航基准

    VLAN 是一个新的导航基准数据集,包含 1,000 个场景、20K 条导航轨迹和 160K 关键帧,涵盖多样光照与环境条件。该基准针对足式与轮式智能体(含人形机器人与四足机器人)以及视觉或行动障碍人士提供特定主体的动作与可访问性特征,并将日常障碍物分类为可通过、绕行、高风险和阻挡四类。

    推荐理由:VLAN 基准提供千人场景与二十万轨迹数据,支持足式、轮式及残障用户等多主体导航评估。

  24. arXiv · 机器人与计算机视觉48

    TetraCoder:自适应四面体编码实现神经场隐式与显式表示的高效转换

    TetraCoder 是一种单分辨率无哈希的自适应四面体编码,通过连接显式四面体空间编码器与隐式有向距离场(SDF),构建连续分段仿射混合空间以建立精确对应。该方法因单分辨率优化网格而优于多分辨率方法,且不受哈希碰撞影响,支持快速射线追踪及几何外观编辑。实验显示其在从图像和点云拟合、3D 新视角合成、重建及编辑任务上均超越最先进方法。

  25. arXiv · 机器人与计算机视觉23

    基于姿态的神经服装模型实现动画角色实时褶皱生成

    该方法利用变分自编码器构建潜空间,结合低维姿态参数与身体表面位移引导网络预测,引入局部梯度直方图损失缓解过平滑问题。在准静态生产级资产上评估显示,系统能实时生成锐利真实的褶皱、平滑的大尺度垂坠及时间连贯性,显著改善艺术家交互摆姿工作流。论文已接受至 SCA 2026 会议,代码与数据许可状态待原文补充。

  26. arXiv · 机器人与计算机视觉78

    D2ToF:基于轻量级单光子 LiDAR 波形的单步扩散深度超分辨率方法

    论文提出 D2ToF 框架,利用蒸馏扩散策略和多元引导机制,将低分辨率单光子 LiDAR 波形(8x8)一步重建为高分辨率深度图(128x128),推理耗时约 83 毫秒。实验结果显示该方法优于现有基线,解决了极差输入上采样问题。

    推荐理由:提出 D2ToF 一步扩散框架,实现单光子 LiDAR 波形到高分辨率深度图的超分辨率重建。

  27. arXiv · 机器人与计算机视觉43

    DiffusionSSD:双阶段扩散与近数据处理实现极致视觉压缩

    DiffusionSSD 提出一种算法架构协同设计框架,通过双阶段扩散降低计算成本并借助 cUFS+LPDDR-PIM 将编解码卸载至数据侧。实验显示该方案在保持感知质量的同时,计算开销最高减少 92.7%,相比 NPU+DRAM 及 SmartSSD 等近数据处理架构,编码吞吐量分别提升 2.32 倍和 2.91 倍。

  28. arXiv · 机器人与计算机视觉78

    Vision-as-a-Tool:一种将视觉作为工具的视觉 harness 框架

    该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。

    推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。

  29. arXiv · 机器人与计算机视觉16

    LightTAR:一种轻量级且快速的目标感知多模态表格学习方法

    LightTAR 通过联合提取编码器层的目标感知特征,以少量计算成本提升所有表格模型的预测性能。该方法在 MulTaBench 数据集上平均改善预测效果,仅轻微增加运行时间且无需修改现有编码管道或学习器架构。代码与论文已公开,适用于结合数值、文本和图像的多模态表格学习任务。

  30. arXiv · 机器人与计算机视觉76

    在仿真中训练原生使用真实机器人的推理模型

    该论文提出一种方法,利用 Post-training Engine for Agentic Robotics (PEAR) 在仿真环境中对开源 27B 推理模型进行强化学习训练,使其能够原生控制真实机器人而无需演示。

    同一新闻,精选展示《MIT韩松团队新作:基于Qwen3.8的Robot-Use RL让机械臂临摹画作与做化学实验》

  31. arXiv · 机器人与计算机视觉62

    BAL:潜空间双向自回归学习人类动作表示

    该论文提出 BAL 框架,通过潜空间中的双向自回归预测(前向与后向)来捕捉人体动作的自然时序结构,以替代依赖人工假设的现有方法。实验在大规模数据集上验证了其在动作描述、预测和插值任务上的有效性,优于多数基线。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。

  32. arXiv · 机器人与计算机视觉72

    通过探测激活恢复蒸馏图像和视频生成器的多样性

    蒸馏扩散模型虽降低采样延迟但导致样本多样性严重坍缩。本文探究发现学生模型将激活方差集中到更少的方向,且该现象位于去噪初始步骤的中间层。为此提出 ReDiverse 方法:训练时通过轻量适配器微调回归教师特征方差,推理时无训练机制沿预计算的主成分方向引导激活。在图像和视频蒸馏基准测试中,该方法在保持生成质量的同时一致恢复了样本多样性,并得到用户研究支持。

  33. arXiv · 机器人与计算机视觉42

    基于线性互补问题的连续体机器人环境摩擦接触建模研究

    该研究提出一种基于库仑摩擦假设的摩擦模型,通过互补约束预测连续体机器人与环境的静摩擦、滑动摩擦及滞后效应。实验验证显示,在 287.9 mm 长的肌腱驱动连续体机器人上,该模型将无摩擦模型的末端位置最大误差从 45.4 mm 降低至 5.85 mm。论文已被国际机器人研究杂志(IJRR)接收发表,代码与数据暂未开放。

  34. arXiv · 机器人与计算机视觉20

    通过隐藏神经元概念归纳理解农业 CNN 中的上下文偏差

    研究利用概念归纳技术揭示卷积神经网络在农业图像分类中依赖背景主导区域的上下文偏差。分析涵盖五种数据集、四种架构及三个网络深度,验证了边缘与纹理特征的有效性,发现中等偏差的甘蔗数据集神经元特征验证率最高(40.5%)。该工作表明行为上下文依赖性与隐藏神经元的语义可解释性捕捉了 CNN 行为的不同侧面,可作为基于补丁的偏差检测补充。