跳到正文
10月30日周五
  1. arXiv · 机器人与计算机视觉59

    GradSplat:正向传播内基于梯度的前馈 3D 高斯泼溅

    GradSplat 是一种无需目标视图的前馈模型,通过在正向传播内部引入学习到的梯度步骤来优化自身高斯的形状、不透明度与颜色。该方法结合对数各向异性校正和循环更新机制,在 RealEstate10K 六个视图协议下优于九种方法,且在 ScanNet++ 上表现最佳。代码将在指定链接发布。

  2. arXiv · 机器人与计算机视觉5

    RoSAMDepth:利用 SAM 实现鲁棒自监督深度估计的 CVPR 2026 论文发布

    RoSAMDepth 框架通过整合 Segment Anything Model 的对象级先验,解决了现有方法在恶劣条件下深度预测模糊的问题。该方法结合段引导表示对比、自适应区域离群点掩蔽及对象可靠性评估策略,在多数据集与多样天气实验中均优于最先进方法。代码已公开于 GitHub 链接处,论文发表于 CVPR 2026 会议。

  3. arXiv · 机器人与计算机视觉35

    Vision-Based Density Estimation for Adaptive Traffic Control:基于视觉的自适应交通控制密度估计框架

    该研究提出一种从随机视觉观测直接优化交通流的框架,包含车辆密度估计、预测动力学建模及策略优化三部分。密度估计模块在印度斋浦尔 Rambagh 4 交叉口的 40 张标注图像上测试,五折验证均绝对误差为 3.32±0.95 辆,均绝对百分比误差为 14.5%。论文指出预测与控制阶段的实证训练与评估仍属未来工作,当前结果仅涵盖感知组件。

  4. arXiv · 机器人与计算机视觉72

    SpaceAct:基于闭环动作与主动感知的 3D 时空推理基准

    SpaceAct 是一个交互式基准,旨在解决多模态大语言模型(MLLMs)仅描述图像而非在三维空间解决问题的难题。该基准通过 SAPA(时空主动探测智能体框架),利用互锁积木和机械谜题构建测试环境,包含 108 个已验证实例,涵盖六个类别的 36 个任务家族。

  5. arXiv · 机器人与计算机视觉23

    SparseTokenGS:基于可复用 Token Pool 的稀疏视角 CBCT 重建方法

    SparseTokenGS 提出一种基于可复用 Token Pool 的高斯方法,解决稀疏视角锥束 CT 重建中全局信息丢失导致体积不一致的问题。该方法在三个公开胸部与牙科数据集上表现最优,临床牙科扫描仅需六个投影即可达到 29.51 dB 峰值信噪比和 0.842 结构相似度,且无需每扫优化或投影域损失。

  6. arXiv · 机器人与计算机视觉56

    对齐未对齐基准:单视图新视角合成的改进评估框架

    针对单视图新视角合成性能量化缺乏标准的问题,本文指出现有方法因相机位姿与真值对不齐导致评估处于任意局部最优。作者提出利用传统2D至2D及2D至3D图像匹配技术对齐3D重建结果,并仅在共视区域进行评估以定义正确真值。实验表明,经坐标对齐后,使用显式3D高斯的方法重新达到最先进水平,且无需任务特定训练即可与专用方法媲美。

  7. arXiv · 机器人与计算机视觉45

    基于姿态感知扩散先验的极稀疏视角 CT 重建方法

    针对扫描受限导致仅能获得少量投影数据的场景,该方法利用单张二维投影样本学习姿态感知扩散先验,结合测量视图保真度与投影物理一致性进行引导采样。在两个公开数据集的 1、4 及 8 视设置下,其新颖视角合成得分最优,重建质量优于或持平依赖密集体积监督的基线方法。

  8. arXiv · 机器人与计算机视觉3

    3D 姿态是否提升足球动作估值?一项关于姿态表示与学习目标的实证研究

    针对现有多智能体深度强化学习模型仅使用二维位置而忽略姿态信息的问题,研究利用欧冠 2022/23 赛季数据对比了六种姿态表示在五种学习设置下的效果。结果显示,添加 3D 姿态仅在三种情况下稳健提升回报预测(主要基于躯干和头部朝向),而在十二种情况下恶化预测;移除动作预测损失可将位置仅值的技能从 0.003 提升至 0.040。

  9. arXiv · 机器人与计算机视觉43

    BudSplat:渲染预算约束下的前馈 3D Gaussian Splatting 框架

    BudSplat 是一种在有限渲染预算下保持高价值高斯原生的紧凑前馈 3DGS 框架,通过多视觉令牌提取细节感知重要性分数并联合优化渲染贡献进行质量感知剪枝。该方法有效解决了稀疏到稠密多视图输入中冗余原生累积导致的效率瓶颈问题。实验表明,该模型在 RE10K、DL3DV 和 ACID 数据集上实现了渲染质量与效率的良好平衡。

  10. arXiv · 机器人与计算机视觉45

    Silhouette-Based Gaitomics 用于老年人衰弱评估的计算机视觉研究

    该研究提出基于轮廓的"Gaitomics"框架,利用标准化剪影和步态能量图像提取形状、纹理等特征以连接衰弱预测与可测量模式。在包含 66 名受试者的 Fried 衰弱表型实验中,CatBoost 分类器在三类任务中取得最高均值为 0.647±0.085 的微 AUC,其中衰弱与非衰弱对比达到 0.833±0.249。

  11. arXiv · 机器人与计算机视觉58

    建筑损毁评估中的邻里捷径诊断与证据插件

    针对高分辨率卫星影像建筑损毁评估中模型过度依赖邻居信息而忽略孤立受损建筑的问题,研究团队提出一种无需重训的‘建筑证据’插件。该插件引入仅关注建筑本身和经交换训练以不信任环境的两个专家模块,在保持整体精度的同时,将孤立受损建筑的检测率从 1-6% 提升至 13-39%,并将误判率降低 40-69%。

  12. arXiv · 机器人与计算机视觉58

    单目深度估计在月球环境中的有效性研究

    本研究利用 NASA Ames 极地光学月球模拟重建(POLAR)立体数据集和阿波罗 17 号表面影像,验证了多种先进单目深度估计方法在非分布内月球环境下的重构效果。结果表明,部分最先进技术能成功泛化并生成高保真的非结构化月面相对三维重建结果。该论文已接受发表于 2026 年国际空间机器人学会议(iSpaRo)。

  13. arXiv · 机器人与计算机视觉15

    Vision Tomography:面向便携的三维双向人脸 - 头骨推断框架

    Vision Tomography 提出一种从视觉数据重建配对三维人脸与头骨几何的新框架,旨在解决传统 CT 成本高且存在辐射暴露的问题。该方法构建包含超 200 个样本的数据集,利用稠密射线匹配配准确保拓扑一致性,并引入 BFSM 模型支持基于共享系数空间的双向推断及组织厚度变化建模。实验证实了其在法医鉴定、医疗诊断及手术结果预测等场景下的鲁棒性与准确性,代码与资源已公开。

  14. arXiv · 机器人与计算机视觉38

    基于多站点观测的相机框架验证城市骑行设施使用与方向对齐分类方法

    该研究利用运动触发相机在亚利桑那州坦佩市 17 个地点部署,通过人工复核 1,943 起骑行事件并自动化捕捉 92.9% 数据,证实自行车道占比越高逆向骑行率越低(Spearman rho = -0.87)。该框架结合多站点静止相机观测与全人工验证基准,为规划者提供低成本筛查高人行道逆行风险的方案。研究已接受提交至 106 届交通研究委员会年会展示。

  15. arXiv · 机器人与计算机视觉43

    Convex Potential Learning for Optimal Transport Between Medical Images 提出基于凸势函数参数化的新方法,在 2D 和 3D 医学影像数据集上实现更低的传输估计误差与更高质量的图像重建。

    该方法通过参数化凸势函数构建保证无旋的传输映射,解决了现有方法难以扩展至大型 3D 医学影像或仅能提供近似解的问题。实验表明其在 2D 和 3D 医学影像数据集上的传输估计误差更低且图像重建质量优于现有方法。

  16. arXiv · 机器人与计算机视觉20

    TreeNext:稀疏张量网络实现混合林冠层下个体树径高精度估算

    TreeNext 架构利用稀疏张量网络,在四块德国温带混合林中实现了从 UAV 激光扫描点云到个体树径(DBH)的自动回归。该模型在自动分割实例上 R²达 0.8355,真值分割上达 0.9380,显著优于随机森林等基线且数据效率高。研究证实分割质量是自动化流程的主要误差来源,确立了稀疏张量网络在该任务中的实用基础。

  17. Hugging Face Daily Papers45

    HairDeck:从单图生成动画就绪风格化发丝卡片的计算机视觉方法

    HairDeck 提出一种将发型视为无序集合的扩散 Transformer,能从单张图像直接生成发丝卡片及驱动它们的弹簧骨骼链。该方法在 CHARM 测试集上将 Chamfer 距离降低 44%、卡片方向误差减半且速度提升 33 倍,优于现有融合网格与逐缕方法。项目页面已提供代码与权重,适用于游戏与虚拟形象动画制作。

10月29日周四
  1. 量子位81

    分子之心发布MMDesign技术报告:19个项目18个成功,拿下高难度GPCR靶点

    分子之心发布了其AI蛋白质从头设计平台MMDesign的最新技术报告,覆盖18个不同靶点共19个设计项目,其中18个项目获得经实验确认的结合分子,项目成功率达94.7%。

    推荐理由:报告展示了国产AI制药平台MMDesign在抗体从头设计上的系统性验证成果,涵盖GPCR等难靶点及跨模态能力。

10月28日周三
  1. arXiv · 机器人与计算机视觉63

    SuperMotion:一种用于文本驱动的人体动作编辑的源保持去噪方法

    该论文提出 SuperMotion 框架,旨在解决现有扩散编辑器在去噪过程中丢失时间细节的问题。该方法通过显式复用源运动并预测保留门控机制,将校正后的估计直接传递给采样后验,从而注入样本级的时间细节。实验表明,SuperMotion 在 MotionFix 数据集上实现了 33.20% 的全池 R@1 编辑准确率,有效减少了时间细节衰减并保留了动作动力学。

  2. arXiv · 机器人与计算机视觉8

    GAUGE:面向前馈 4D 追踪的组级视差不一致校正方法

    GAUGE 是一种免训练且模型无关的后处理模块,通过恢复运动组的径向尺度与平移来修正单目视频中的视差不一致误差。在包括 D4RT、4RC 和 SM4RT 在内的八个动态查询点追踪器上,该方法将端点误差降低了 15.1% 至 62.6%,显著优于仅用梯度微调带来的 -1.1% 至 15.2% 提升。代码已公开提供下载。

  3. arXiv · 机器人与计算机视觉63

    从透视到鱼眼:深度估计与开放词汇分割的泛化方法

    针对鱼眼相机因径向畸变导致视觉基础模型失效的问题,本文提出 Distortion Extenders 方法,通过可学习参数建模畸变系数与分布偏移,将鱼眼图像潜在特征对齐至透视图像以恢复高精度估计。该方法在卷积与 Transformer 架构的单体深度估计及开放词汇分割任务上均优于基线,且其激活值可用于解码畸变系数辅助相机标定。代码已开源。

  4. arXiv · 机器人与计算机视觉62

    PRIMA:通过分类学先验和自适应驱动的数据自举提升动物网格恢复

    PRIMA 是一个用于从单目图像恢复四足动物三维网格的框架,旨在解决物种长尾分布和大尺度监督数据有限的问题。该方法首先利用 BioCLIP 图像特征推导分类学形状先验,将物种级知识注入重建过程;其次提出自适应驱动的数据自举方案,将丰富的二维标注转化为可靠的伪三维监督,构建了包含约 9K 伪三维标注的 Quadruped3D 数据集。

  5. arXiv · 机器人与计算机视觉43

    VolFill:基于体素流匹配的单一视角无模态三维场景重建方法

    VolFill 是一种生成式框架,利用混合 3D VAE 压缩稀疏距离场并配合潜在扩散 Transformer 恢复完整场景结构。在 SCRREAM 和 NRGB-D 数据集上的实验表明,该方法显著优于现有无模态基线,支持大规模表面提取与占用查询。论文已被 NeurIPS 2026 接收,代码与权重尚未公开。

  6. arXiv · 机器人与计算机视觉61

    TALON:面向 6-DoF 航天器姿态估计的 Token 对齐轻量化适配器

    论文提出 TALON 方法,通过冻结 ViT 主干网络并在自注意力层前注入时空 3D 适配器,结合基于原型的 KL 散度损失实现 patch-token 几何对齐。该方法在 SPADES 数据集上将姿态误差降低 50%,在 SwissCube 数据集上 ADD-0.1d 精度提升 21.8%,且在 SPARK 真实数据上的零样本跨域评估将误差减少 4.7 倍。

  7. arXiv · 机器人与计算机视觉82

    AmaraSpatial-10K:面向空间计算与具身智能的时空对齐 3D 数据集

    AmaraSpatial-10K 是一个包含 10,071 个合成 3D 资产的数据集,所有资产均经过标准化处理以支持直接摄入。每个资产提供符合物理尺度的.glb 文件、分离的 PBR 贴图、凸碰撞包络、配对参考图像及多句文本元数据。

    推荐理由:该数据集提供标准化 3D 资产与独立评测套件,显著改善检索召回率并提升仿真稳定性。

  8. arXiv · 机器人与计算机视觉62

    S3KF:用于全景 3D 多目标跟踪的球形状态空间卡尔曼滤波

    论文提出了 S3KF 框架,利用旋转激光雷达和四鱼眼相机构建几何一致的单位球面状态表示,融合全景检测与激光雷达深度进行多模态跟踪。研究建立了基于穿戴式定位设备的地图真值生成管线以支持量化评估。在自采集真实序列实验中,该方法实现了分米级平面跟踪精度、优于 2D 全景基线的身份连续性以及 Jetson AGX Orin 平台的实时车载运行能力。

  9. arXiv · 机器人与计算机视觉42

    AnyCXR:利用多阶段域随机化合成数据实现任意投影视角的胸部 X 射线解剖分割

    AnyCXR 框架仅需合成监督即可在 PA、侧位及斜位等多种真实投影视角下,零样本泛化分割 54 个人体解剖结构。该方法结合多阶段域随机化引擎生成超 10 万张高多样性合成 X 光片,并利用条件联合标注正则化策略处理不完美标签以维持解剖一致性。实验证明该方案能显著降低标注负担并提升模型在多样化成像条件下的鲁棒性,支持心脏胸廓比估算等下游临床任务。

  10. arXiv · 机器人与计算机视觉62

    LoBE-GS:用于大规模场景重建的负载均衡且高效 3D 高斯泼溅框架

    针对现有方法在大规模无界场景(如街区)中面临的内存压力、负载不均及粗粒度阶段利用不足等问题,本文提出 LoBE-GS 框架。该方法通过优化切割线的负载均衡 KD-tree 分区方案平衡每块相机数量,并利用基于深度的反向投影加速预处理;同时引入可见性裁剪和选择性稠密化技术降低训练成本。

  11. arXiv · 机器人与计算机视觉82

    DEIMv2:融合 DINOv3 特征的实时目标检测模型

    该研究提出了 DEIMv2 系列目标检测模型,通过结合 DINOv3 特征与空间调优适配器(STA),在涵盖从 X 到 Atto 的八种模型规模上实现了性能与成本的优化。其中最大模型仅用 5030 万参数即达到 57.8 AP,而 S 版本成为首个参数量低于 1000 万且超越 50 AP 里程碑的模型。

    推荐理由:该工作将 DINOv3 特征引入检测框架,在保持参数高效的同时实现了性能突破。

  12. arXiv · 机器人与计算机视觉21

    基于 Faster R-CNN 的濒危物种制品检测模型与手机应用原型发布

    研究团队利用包含 39,941 张真实执法图像的数据集,训练出针对大象、穿山甲和老虎制品的检测框架。最优模型在跨物种联合训练中达到 84.2% 准确率,其中穿山甲达 93.6%,并将优化后的模型部署为手机应用原型,独立测试准确率达 91.3%、F-score 为 0.86。该成果展示了利用计算机视觉技术进行野生动物贸易实时监测与可疑帖子快速分诊的潜力。

  13. arXiv · 机器人与计算机视觉68

    四元数近似网络:用于增强图像分类与定向物体检测

    本文介绍了一种名为四元数近似网络的全新深度学习框架,该框架利用四元数代数实现旋转等变性的图像分类和物体检测。不同于传统完全在四元数域运行的神经网络,该方法通过哈密顿积分解将四元数卷积近似为实值运算,并引入独立四元数批量归一化以保障训练稳定性。

  14. arXiv · 机器人与计算机视觉38

    PIS3R:基于深度三维重建的大视差图像拼接方法

    PIS3R 提出一种基于视觉几何 grounded transformer 与点条件扩散模块的图像拼接方案,有效解决大视差场景下的对齐难题。该方法先通过三维重建获取稠密点云并投影至参考视图实现像素级对齐,再利用扩散模型修复孔洞噪声以保留几何完整性。实验表明该算法在定性定量上均优于现有方法,且结果可直接应用于 SfM 等下游三维视觉任务。

  15. arXiv · 机器人与计算机视觉62

    ReliMorph:基于可靠性的 3D 形变配准框架

    论文提出 ReliMorph,这是首个将对应关系可靠性与空间专家路由及残差速度门控联合的三维形变配准框架。该框架利用共享解剖特征和模态特定适应来表征对应关系的模糊性,以此指导空间专家融合并在粗到细的细化过程中对残差速度进行门控控制。实验表明,ReliMorph 在解剖重叠度上始终优于竞争方法,有效应对了均匀、弱纹理及严重形变区域中的配准挑战。