跳到正文
10月20日周二
  1. arXiv · 机器人与计算机视觉78

    CALIPER:基于可验证奖励的空间推理自适应信用分配方法

    针对图像空间推理训练中瓶颈阶段动态变化的难题,论文提出 CALIPER 自适应过程奖励框架及 SpatialTrace 轨迹语料库。该方法通过组内岭回归估计各阶段参考覆盖率与答案正确性的关联,利用其作为效用代理逐步更新奖励权重;同时引入闭环机制监控估计器可靠性以指导回滚、多样化 rollout 及早停。

    推荐理由:提出 CALIPER 自适应过程奖励框架,利用 SpatialTrace 解决图像空间推理训练瓶颈动态变化问题。

  2. arXiv · 机器人与计算机视觉82

    One Fact, Many Places:长文档中的冗余证据破坏单一黄金标准评估

    该研究指出在长视觉文档中,事实常以图表重述或摘要复现等形式多次出现,导致基于单一黄金位置的评估失效。作者标注了 MMLongBench-Doc 和 MMDocRAG 基准中的 420 个问题及其独立证据位置,发现跨模态复制普遍存在且会显著低估检索召回率与引用准确性。研究提供了冗余感知指标与数据,以修正现有评测偏差。

    推荐理由:作者标注了长文档中跨模态冗余证据,揭示单金标准低估召回与引用准确率,并开源相关指标。

  3. arXiv · 机器人与计算机视觉73

    HP-PnP-Flow:一种具有严格收敛保证的高效即插即用图像复原算法

    该论文提出 HP-PnP-Flow 算法,通过混合时间调度与投影算子改进 PnP-Flow 方法,在 CelebA 和 AFHQ-Cat 数据集的去噪、去模糊、超分辨率等任务上表现更优。实验显示其能在大幅减少迭代次数(如去模糊从 500 次降至 100 次)的同时保持或提升重建质量,且无需满足前作对迭代的限制性条件。

  4. arXiv · 机器人与计算机视觉20

    预印本论文探讨放射组学特征鲁棒性:三种选择技术在胶质母细胞瘤队列中的对比分析

    研究分析了来自三个公共队列的 705 名 IDH-wildtype 胶质母细胞瘤患者,比较了中位数分割后的对数秩检验、单变量 Cox 回归及 SHAP 解释的 XGBoost 三种特征选择技术。结果显示仅年龄等五个特征被全部选中,且分析流程选择会显著影响哪些特征被视为预后指标。该研究揭示了放射组学异质性部分源于方法论本身,代码与数据开放许可状态待确认。

  5. arXiv · 机器人与计算机视觉48

    面部去标识化评估工具包开源发布

    该工作推出新型开源工具包,用于基于数据效用、图像质量和身份保护指标评估面部去标识化技术。框架涵盖预处理、去标识化及性能评估全流程,支持多种数据集以统一隐私增强技术的未来研究基准。实施代码已公开,相关工作曾作为海报展示于 IEEE BIP 2024 会议。

  6. arXiv · 机器人与计算机视觉42

    AVTime-50K 数据集与模型发布:通过双向时序语义对齐提升密集音视频标注质量

    AVTime-50K 是一个包含长视频的高分辨率数据集,其配套模型采用新型双向时序 - 语义对齐(BiTSA)奖励机制优化。研究还推出了 AVTime-Bench 基准,专门用于双向评估事件语义正确性与时间准确性。代码、模型及数据已在官方链接开源,旨在解决现有方法依赖清单式强化学习且缺乏统一评测的局限。

  7. arXiv · 机器人与计算机视觉66

    FEDNBO:联邦学习后知识向异构新架构迁移的基准评测

    Xinyuan Zhao 在 arXiv 上发布 FEDNBO 基准,旨在量化历史客户端不可用后,遗留模型知识对后续异构架构的效用。该研究分离了知识供给、策略识别与私有模型编译环节,揭示了架构依赖导致的转移反转现象及教师精度与私有模型效用间的差距。

  8. arXiv · 机器人与计算机视觉72

    SSIO:一种无需真值轨迹的自监督惯性里程计方法

    论文 SSIO 提出了一种针对新平台的惯性里程计自监督训练方案,利用短窗口积分作为教师信号并通过姿态图蒸馏进行序列一致性修正,从而在无需收集地面真值轨迹的情况下完成模型训练。该方法在涵盖行人、无人机、四足机器人和人形机器人的六个数据集上验证,在无速度或位置标签的条件下,其平均速度误差与同架构的监督基线相当(约 0.07 m/s)。

  9. arXiv · 机器人与计算机视觉75

    Hihaze:一种用于高分辨率真实世界图像去雾的单步扩散框架

    针对高分辨率图像去雾中空间非均匀雾霾与局部预测不一致的挑战,作者提出 Hihaze 单步扩散框架。该框架引入注意力跳越补偿(ASC)模块以保留结构细节并抑制退化特征,利用空间退化适配器(SDA)引导局部恢复,并设计无需训练的插拔式全局引导块融合(GPF)方法对齐外观与补偿细节。

  10. arXiv · 机器人与计算机视觉78

    UniJev:在多模态系统一中分离准确率与校准的决策模型

    该论文介绍 UniJev 框架,通过共享头在文本、图像和视频上进行联合监督训练。研究发现监督决策模型能提升所有模态的准确率,而现有强化学习校准算法对视觉校准效果不一致且改变不大。

    推荐理由:提出 UniJev 框架与 Cora 方法,在联合训练中分离准确率校准并降低图像视频 ECE。

  11. arXiv · 机器人与计算机视觉58

    VHA:一种基于 VQA 的生成式图像超分辨率幻觉评估方法

    针对生成式图像超分辨率可能引入幻觉的问题,作者提出了一种基于双向视觉问答(VQA)的评估技术 VHA,利用视觉语言模型判断生成细节是否忠实于参考图。为降低计算成本,团队开发了轻量级预测模型 VHA+ 并构建了基准数据集 VHA-bench。实验表明两者均与人类对幻觉的判断高度相关。代码、基准及权重已开源。

  12. arXiv · 机器人与计算机视觉47

    LEVI:基于可验证低熵构造的视觉身份保真度评测基准

    针对生成模型违反精确身份约束的问题,研究提出 Low-Entropy Visual Identity(LEVI)框架与 Verifiable Visual Grammar(VVG)语法。该基准包含跨越六个领域的 1,375 个任务及 120 个基础身份空间,评测结果显示十种配置中最高整任务通过率仅为 58.69%,揭示了视觉逼真度与身份忠实度间的显著差距。

  13. arXiv · 机器人与计算机视觉73

    PoSTCache:从预测到回溯平滑的可修正扩散缓存方法

    该论文针对扩散与流匹配模型因迭代采样导致计算昂贵的痛点,提出 PoSTCache 这一无需训练且即插即用的框架。该方法将扩散缓存重构为可修正的轨迹推断问题,利用后续全计算步骤产生的差异信号反向修正并重新整合前期的预测结果。此外,研究引入了后验方差降低策略以优化锚点选择,实验表明其在图像与视频生成模型上能持续改善质量与效率的权衡。

  14. arXiv · 机器人与计算机视觉38

    Dero:一种无需训练的文本嵌入分解重组方法,用于提升扩散模型的否定感知图像生成能力

    Dero 是一种模型无关的推理时框架,通过辅助提示构建语义与偏差子空间并利用双向 SVD 进行解耦,解决文本到图像扩散模型处理否定词时的语言偏见问题。该方法在不改变预训练权重的情况下,将纠缠表示分解并重组,在保持风格特征的同时使文本表征对齐至预期的否定语义。实验表明,Dero 在物体与概念级否定任务上均实现了更强的图文对齐、更好的语义保真度及更高的人类偏好得分。

  15. arXiv · 机器人与计算机视觉72

    无监督跨域行人重识别中的置信度引导伪标签细化方法

    针对无监督跨域行人重识别中领域偏移导致噪声伪标签被强化的问题,提出 CGPLR 框架。该方法联合建模中心兼容性、局部邻域一致性等指标以估计样本级可靠性,据此对样本进行保留、修正或暂缓硬监督的三选一决策,并采用置信度加权与无标签表示一致性等差异化学习目标。

  16. arXiv · 机器人与计算机视觉68

    基于摄像头的弱监督 3D 占用网络中的前景吸引方法研究

    针对基于摄像头训练的 3D 语义占用模型在稀疏高斯表示中对小物体关注不足的问题,本文提出一种仅作用于训练阶段的前景吸引损失。该方法利用伪深度将前景伪标签像素反投影至 3D 空间,并将邻近的高斯点拉向这些目标点,同时保持推理网络不变。

  17. arXiv · 机器人与计算机视觉4

    ResCD-CSI 数据集发布:基于 CSI 分类的住宅建筑图像基准用于深度学习目标检测

    针对计算机视觉在建筑行业缺乏结构化公开数据的问题,ResCD-CSI 数据集发布了包含美国活跃住宅工地的高分辨率图像。该基准涵盖 14 大类 CSI 分部,共标注了 16,365 个物体边界框,旨在支持基于深度学习的施工现场元素识别与 AI 驱动监测方案开发。

  18. arXiv · 机器人与计算机视觉42

    Text-to-Image Flow Matching 模型测试时扩展:噪声再生序贯蒙特卡洛方法

    针对扩散模型难以直接迁移至确定性 ODE 控制的流匹配模型问题,研究提出噪声再生序贯蒙特卡洛(noise-rejuvenated SMC)推理扩展方法。该方法通过扰动源噪声及引入前瞻机制优化粒子采样,在 Stable Diffusion 3、FLUX.1-dev 和 Z-Image 上均实现了奖励引导生成的持续改进。代码已开源,消融实验验证了噪声再生与前瞻细化对提升生成效果的关键贡献。

  19. arXiv · 机器人与计算机视觉58

    UBD-Bench:自动驾驶多模态感知中的单模态分支退化基准与分析

    本文介绍 UBD-Bench 基准,用于研究多模态感知中的单模态分支退化问题。研究发现相机分支在多模态联合训练后普遍出现性能下降,而激光雷达分支变化较弱且依赖模型差异。通过分层探测定位到视觉骨干网络至 BEV 转换路径存在严重退化。作者提出在退化表示层面进行单模态到多模态的蒸馏干预,该方法在所有四个感知任务中均提升了相机分支探测性能和全模型表现。

  20. arXiv · 机器人与计算机视觉42

    CASE:互补发音感知语音编码器增强驱动式三维面部动画

    CASE 通过对比对齐短语音片段与连续 3D 唇部网格 VQ-VAE 潜变量,将几何分支移除并融合至基线 SSL 表示。在四个 VOCASET 基线上,该方法使平均唇顶点误差降低 2.8%-6.0%,且全脸顶点误差在所有系统中均下降。该结果基于韩语语音 - 几何对适配与英语 VOCASET 评估,验证了在共享英文预训练先验下跨语言下游迁移的一致性。

  21. arXiv · 机器人与计算机视觉62

    面向边缘部署的车载实时驾驶员安全系统轻量级框架:集成车道偏离与交通标志识别

    该预印本提出了一种在边缘设备上同时实现车道偏离预警(LDW)与交通标志检测及识别(TSD/TSR)的统一 ADAS 框架。针对数据稀缺地区,作者构建了包含 35 类本地交通标志的数据集并通过增强扩充至 8,750 样本。

  22. arXiv · 机器人与计算机视觉42

    MPIG:基于单角度偏振观测生成多角度的偏振图像

    MPIG 框架利用学习到的场景先验,从单一 0°偏振观测预测缺失的 45°、90°和 135°视图。该 Swin Transformer 架构模型包含 85.86 M 参数与 1.126 T FLOPs,在 HighPol 数据集上实现 29.729 dB PSNR 精度。下游玻璃检测与语义分割任务验证了生成图像保留关键信息的有效性。

  23. arXiv · 机器人与计算机视觉72

    IECLA:面向情感图像编辑的可解释情感贡献学习

    论文介绍 IECLA 框架,旨在生成目标情感同时保留源图像内容与结构。该方法利用反事实干预构建带符号的对象级监督信号,训练上下文条件化的贡献预测器以定位支持或反对源情感的证据;推理阶段通过图像级评估器直接估计源情感,并由编辑代理将证据与目标情感转化为局部化操作。

  24. arXiv · 机器人与计算机视觉72

    MultiAltitudeSR:一种基于物理地面采样距离条件的多高度农业无人机图像超分辨率框架

    针对无人机图像中飞行高度与空间分辨率的权衡问题,该研究提出了 MultiAltitudeSR 框架,通过条件调制特征重建以适配不同源目标地面采样距离。模型在 10 至 70 米高度的真实无人机图像上联合训练,无需成对微调即可覆盖从 1.18 倍到 6.03 倍的多种放大尺度。

  25. arXiv · 机器人与计算机视觉58

    Visual Sufficiency Landscapes:理解视觉 Token 剪枝中的查询条件可靠性

    该论文引入视觉充分性景观(visual sufficiency landscapes)来表征不同视觉子集在保持模型行为时的丰度。研究基于 Qwen2.5-VL-7B、InternVL2-8B 和 LLaVA-v1.5-7B 等模型,发现输入差异大于采样误差,且同一图像的不同问题会产生不同的景观分布。

  26. arXiv · 机器人与计算机视觉11

    LiPS 数据集与四分支神经网络预测无声口读个体差异

    研究引入 LiPS 数据集及独立预处理流程,利用眼动与瞳孔信号预测无声口读能力。四分支模型在参与者分离测试中准确率达 0.680±0.040,优于朴素融合基线且唇部图像流贡献甚微。该工作已提交至《言语、语言与听力研究》期刊,为视觉语音感知提供客观标记资源。

  27. arXiv · 机器人与计算机视觉68

    PCHMR:隐私受限现实场景下的人体网格恢复增强与基准测试

    针对现有数据驱动人体网格恢复模型依赖集中式训练带来的隐私风险,该研究构建了 PCHMR 基准,利用联邦学习与安全聚合在无需上传原始图像的前提下评估并改进模型表现。作者还提出了 DePoser 本地标注与微调流程,结合深度基础模型实现个性化适配。材料为预印本论文,旨在支持未来隐私受限场景下的人体恢复研究与部署。