跳到正文
10月28日周三
10月27日周二
  1. arXiv · 机器人与计算机视觉9

    Sentinel-2 主动火灾分割基准数据集发布:覆盖加州 25 起野火,含 2148 张图像掩码对与开源代码

    该研究发布了 Sentinel-2 主动火灾分割基准数据集,包含来自 2020 年 7 月至 2026 年 8 月加州 25 起野火的 2148 张图像掩码对。数据由 512x512 像素的三通道复合图构成,区分背景、SWIR-rule 活跃火点及无效观测,并附带独立分区与掩码盲审评估结果。开源代码库提供 ResNet-34 U-Net 实现及验证基线,支持稀有类别分割算法研究与跨事件迁移学习。

  2. arXiv · 机器人与计算机视觉23

    MS-COOT:基于超图与协同最优传输的标量场结构比较方法

    MS-COOT 将 Morse-Smale 复形表示为超图,通过协同最优传输距离联合计算临界点与区域的对应关系,以显式识别分裂和合并等区域级事件。该方法在二维仿真、三维曲面网格及体数据上评估,相比基于图的基线能更好表征结构变化并提升形状分类准确率。代码与论文已上传至 arXiv 供下载。

  3. arXiv · 机器人与计算机视觉82

    FermatSyn:基于 SAM2 增强的各向同性螺旋扫描多模态医学图像合成方法

    论文提出 FermatSyn,通过冻结的 SAM2 Vision Transformer 注入解剖学先验,结合分层残差下采样模块与跨尺度融合网络保留高频病变细节。

    推荐理由:提出 FermatSyn,利用 SAM2 先验与双向 Mamba 架构解决多模态医学图像合成中的全局一致性与局部细节冲突问题。

  4. arXiv · 机器人与计算机视觉71

    受可见性约束的测距扫描表面重建

    针对测距扫描中噪声与离群值干扰的问题,本文提出将表面重建建模为沿采集射线的预测首交点深度回归任务,通过惩罚传感器与观测点之间的虚假交点来利用可见性信息。方法将表面表示为 1-Lipschitz 多层感知机的零集,结合线性收敛的球追踪计算首命中点,并使用鲁棒 Huber 损失进行回归,无需法向量、离面采样点或 Eikonal 损失。

  5. arXiv · 机器人与计算机视觉78

    FOCUS:从基础视觉编码器到多模态大模型的视网膜模型泛化性评测基准

    FOCUS(Foundation Ophthalmic Cross-Dataset Understanding under Shift)是一个跨数据集评测基准,旨在解决单一数据集报告无法反映模型在数据分布偏移、临床定义差异及患者亚组间表现的问题。

    推荐理由:FOCUS 基准统一评估了十种数据集上从纯视觉编码器到多模态大模型在视网膜影像分析中的泛化能力与校准表现。

  6. arXiv · 机器人与计算机视觉72

    DGT-Map:利用多任务学习的异质车辆方向性全球通行度建图

    该论文提出 DGT-Map 方法,通过自监督框架从 RGB-D 观测和运动信号中学习全局、方向及车辆条件化的通行代价图。共享多任务骨干网络提取跨车辆的通用地形特征,而特定预测头保留平台依赖响应。在仿真环境中集成 Hybrid A* 导航栈评估显示,该方法在处理下坡可通行但上坡不可通行的斜坡、以及部分车辆可越过的山脊障碍等挑战地形时,相比几何、二值及无方向感知基线实现了最高或并列最高的导航成功率。

  7. arXiv · 机器人与计算机视觉62

    面向参数化 CAD 建模的设计意图保持代理框架

    针对现有方法忽视参数编辑后设计意图依赖的问题,论文提出了 DIP-CAD 框架,通过几何显式引用和约束建立命令级与草图级的依赖关系。研究引入了 Geometry Explicit Reference Dataset (GERD) 数据集以支持相关任务。在静态模型生成及参数编辑评估中,该方法分别提升了 mIoU 指标。

  8. arXiv · 机器人与计算机视觉82

    VLN on the Fly:一种用于空中机器人的车载视觉语言导航栈

    VLN on the Fly 是一种在四旋翼无人机上完全本地运行的模块化视觉语言导航栈,将指令落地、三维规划与控制作为可检查的独立阶段。该栈利用量化 VLM 进行粗粒度图像单元定位,通过深度估计提升为三维目标,使用快速 B-样条规划器生成可行轨迹,并由预训练的强化学习策略跟踪至电机指令。

    推荐理由:该预印本提出了一种在四旋翼无人机上完全本地运行的模块化视觉语言导航栈,实现了指令落地、三维规划与闭环控制的分阶段执行。

  9. arXiv · 机器人与计算机视觉35

    UPolarSeg 模型实现视网膜周边萎缩与视盘极坐标分割

    UPolarSeg 模型通过引入径向 - 角解耦模块,在眼底照片上实现了视盘和周边萎缩的自动分割。该模型在内部与外部队列测试中,视盘 Dice 分数分别达到 98.36% 和 97.63%,最大 PPA 宽度绝对误差仅为 2.4 像素。研究为近视眼形态学分析提供了高精度的定量测量工具。

  10. arXiv · 机器人与计算机视觉80

    Hi-Token:用于生成式视觉定位的分层坐标分词方法

    论文提出 Hi-Token 显式编码坐标轴与位值,用 12 个 token 表示边界框;配合 Hi-GAR 几何奖励优化策略梯度。实验显示该方法在 RefCOCO 等基准上优于原子 token 基线及强专家长模型,且仅用于训练阶段。材料为 arXiv 预印本,未提及同行评审或正式部署状态。

    推荐理由:该预印本提出 Hi-Token 坐标编码与 Hi-GAR 奖励机制,在三个 VLM 主干上提升生成式视觉定位效果。

  11. arXiv · 机器人与计算机视觉31

    Image-Space Rule Discovery:Nano Banana Pro 在图像编辑解题任务中表现优异

    Nano Banana Pro 在 WISP 定义的 11 项任务上,针对 2,200 个共享样本实现了 48.7% 的严格自动代理通过率,远超其他四款编辑器的 0%-13.4%。分析显示该模型在目标保留与格式保持方面表现稳健,但在精确的 Wason 选择测试中仅达 49%,且未建立开放式的规则归纳或迁移能力。论文已接受 ACCV 2026,提供包含参考文献的主文及补充材料。

  12. arXiv · 机器人与计算机视觉28

    Finding Change in Satellite Archives from Text:高效融合前后影像的三种架构对比与发现

    针对卫星档案中“查找新增建筑”等自然语言查询,研究对比了注意力、Mamba 及自研 TBF 三种融合模块设计。实验显示,免训练的两阶段搜索策略在 LEVIR-CC 基准上匹配全融合召回率的同时,将查询成本降低 10-15 倍;而 Mamba 线性扫描因显存带宽限制未带来速度优势。此外,TBF 压缩使参数量减少 2.3 倍、延迟降低 1.6 倍,但激进压缩会丢失关键变化细节。

  13. arXiv · 机器人与计算机视觉82

    拥挤操作任务中检测器置信度仅表示存在而非被遮挡

    论文指出开放词汇检测器的置信度分数在物体被严重遮挡时依然保持高位,该信号反映的是类别存在于场景中而非目标可见。研究对比了基于几何的真相真值,发现固定视角下检测器对 90% 的遮挡场景仍报告存在,而单次相机运动即可解决所有遮挡场景的定位问题。作者发布了基准并建议采用以目标为基准的信号来评估和门控机器人感知系统。

    推荐理由:该研究揭示了目标检测置信度在遮挡场景下反映的是类别存在而非可见性,并提供了基准与几何真值用于重新评估机器人感知策略。

  14. arXiv · 机器人与计算机视觉42

    DCGrasp:基于距离感知扩散模型的可控抓取生成框架

    DCGrasp 是一个多模态扩散框架,通过新颖的抓取能量项计算手部顶点到最近物体点的有向距离分布,实现了对多样物体几何形状的高质量、几何合理且具备灵活用户控制的抓取生成。该方法结合 Diffusion Transformer 生成候选手姿并通过优化在近接触区域强制一致性,已接受于 SIGGRAPH Asia 2026。项目页面提供包含动态可视化的补充视频以展示效果。

  15. arXiv · 机器人与计算机视觉4

    Cranio-Diff:基于扩散模型的颅面重建与结构身份约束

    Cranio-Diff 提出一种融合 ControlNet 骨骼引导与生物特征文本提示的扩散框架,用于从二维 X 光头骨图像重建面部。该方法在包含 120 名受试者侧位及正位视图的合成数据集上评估,涵盖三组年龄(25、45、65 岁)和三种 BMI 变异,共生成 4320 对样本并支持 RGB 与素描模态。

  16. arXiv · 机器人与计算机视觉65

    建模深度歧义:一种用于无飞点深度估计的混合密度表示法

    该预印本论文针对深度估计中近物体边界产生虚假 3D 点的‘飞点’现象,提出混合密度表示法(MDA)。该方法允许模型为每个像素预测多个深度假设及其概率,从而在边界处区分不同表面而非预测中间无效深度。实验表明,MDA 在不同架构下均能显著改善边界重建效果,消除严重输入模糊下的飞点伪影,且运行时开销可忽略。框架同样扩展至透明物体与天空区域处理。

  17. arXiv · 机器人与计算机视觉65

    VaViT:用于汽车激光雷达场景点云语义分割的普通 Vision Transformer

    该论文提出 VaViT 方法,证明在大规模汽车激光雷达场景中有效利用非分层 ViT 进行点云语义分割。通过精心设计的分词器、轻量级解码器和定制数据增强,VaViT 在 nuScenes、SemanticKITTI 和 Waymo Open Dataset 上的表现匹配或超越现有最先进方法,同时保持了架构的简洁性。代码与预训练模型已开源。

  18. arXiv · 机器人与计算机视觉60

    CoMo3R-SLAM:面向户外多机系统的协作单目稠密 SLAM 系统

    该论文提出 CoMo3R-SLAM,一种利用学习到的前向 3D 重建先验解决多机单目 SLAM 中尺度与关联难题的系统。各机器人仅凭单路 RGB 流跟踪融合关键帧,协调器通过先验编码器特征检索跨机关键帧,经双向稠密点云匹配验证并统一同步独立相似性度量,最终在统一的 sim(3) 图中优化位姿与深度交替约束下的稠密结构与轨迹。

  19. arXiv · 机器人与计算机视觉53

    Layout-as-Policy:基于感知后规划的单目三维场景布局估计方法

    Junwei Zhou 与 Yu-Wing Tai 提出 Layout-as-Policy (LaP) 框架,将单目三维场景布局估计重构为感知后规划问题。该方法利用视觉语言模型先通过 Perceiver 定位物体,再由 Planner 通过平移、旋转和缩放等离散动作迭代优化场景假设,以解决直接预测难以兼顾物理约束的挑战。

  20. arXiv · 机器人与计算机视觉75

    HorizonStream:面向流式三维重建的长视界注意力方法

    HorizonStream 针对在线三维重建中现有方法存在的漂移、抖动及长序列崩溃问题,提出一种显式分解几何传播核的长视界 Transformer。该方法通过 Geometric Linear Attention 实现多时间尺度的有界传播,利用带时空 RoPE 的局部注意力抑制注意力陷阱,并通过度量读出 Token 恢复稳定尺度与刚性姿态。

  21. arXiv · 机器人与计算机视觉60

    面向通用图像篡改定位的基于分数的模型研究

    针对合成媒体快速演进导致的图像篡改定位(IML)泛化挑战,本文提出 DiffIML 框架,利用基于分数的生成式建模替代传统判别模型的固定决策边界。该方法通过近似分数函数捕捉掩码分布的内在几何拓扑,从噪声中迭代恢复连贯掩码,从而规避判别模型对特定训练伪影过拟合的问题。

  22. arXiv · 机器人与计算机视觉78

    VGGT-Ω:一种高效高质的静态与动态场景重建模型

    论文介绍 VGGT-Ω,该模型在保持几何感知能力的同时显著提升了重建精度、效率与能力。研究通过简化架构(单头多任务监督)、引入寄存器聚合信息及注册注意力机制,将训练显存占用降至前代的 30%,支持使用比先前工作多 15 倍的监督数据及大量无标签视频数据。

    推荐理由:该文提出 VGGT-Ω,通过架构改进与自监督协议大幅降低显存并提升重建精度,为静态及动态场景提供几何感知特征。

  23. arXiv · 机器人与计算机视觉19

    Pyramid Self-Contrastive Disentanglement 模型实现合成孔径超声 IQ 信号自适应去噪

    该研究提出 Pyramid Self-Contrastive Disentanglement(PSCD)模型,将 IQ 信号相干性泛化为可学习隐空间以分离解剖结构与噪声。仿真实验在 0 至 30 dB 噪声水平下使信噪比提升 69.3%、对比度噪声比提升 34.4%,体内六心位及腹部器官测试仅用两个孔径即获 84.8% SNR 增益,且无需预训练成本即可泛化至多收发事件成像管线。

  24. arXiv · 机器人与计算机视觉56

    基于地理图调节解耦稀疏 Mamba 模型的树种分类新方法

    针对中分辨率成像光谱仪时间序列树种分类难的问题,该研究提出 Geo-GDS-Mamba 模型。其通过径向基函数构建独立于光谱内容的地理相关性流,利用图卷积网络融合上下文;采用解耦架构分离空间、光谱和时间信息;引入稀疏 Token 模块自适应保留关键特征以降低成本。

  25. arXiv · 机器人与计算机视觉38

    BatMIL:几何嵌入状态空间模型用于全切片图像表征

    BatMIL 采用混合双曲 - 欧氏表示与结构状态空间序列骨干,在七个涵盖六种癌症类型的数据集上优于十五种最先进方法。该研究通过引入专家模块动态路由补丁以处理区域异质性,解决了传统 MIL 方法忽视病理组织层级架构的局限。实验证明几何嵌入表征学习为计算病理学提供了有前景的方向。

  26. arXiv · 机器人与计算机视觉82

    未知动态环境下的可见性感知移动抓取研究

    针对未知且动态环境中机器人需利用有限视场摄像头接近并抓取目标物体的场景,提出统一系统以运行时强制执行可见性约束。该系统包含速度感知注视策略、分层子目标策略及实时全身规划器。

    推荐理由:提出统一系统,在动态环境中通过视线策略与全身规划器解决可见性约束,相比解耦方案显著提升成功率并降低碰撞。

  27. arXiv · 机器人与计算机视觉33

    CEZSAR:一种用于零样本动作识别的对比嵌入方法

    CEZSAR 提出了一种基于对比学习的零样本动作识别新方法,通过构建视频与句子的联合嵌入空间并设计自动负采样程序来解决语义差距和域偏移问题。该方法在 UCF-101 和 Kinetics-400 数据集的多种分割配置下均达到最先进水平。代码已公开,论文已被国际模式识别会议(ICPR)2026 接收。

  28. arXiv · 机器人与计算机视觉15

    ICPR 2026 低分辨率车牌识别竞赛发布 LRLPR-26 数据集与评测基准

    ICPR 2026 竞赛基于包含 2 万训练轨道和 3 千测试轨道的 LRLPR-26 数据集,面向长距离、压缩及恶劣成像条件优化低分辨率车牌识别。来自 41 国的 269 支队伍参赛,盲测阶段 99 支有效提交中最高团队识别率达 82.13%,四队超 80%。论文总结前五名方法并探讨未来方向,页面与代码开放于竞赛官网。

  29. arXiv · 机器人与计算机视觉57

    用于脚本阅读检测的合成眼动数据集:在 3D 模拟器上的真实轨迹重放

    针对视频行为数据标注昂贵且隐私敏感的问题,作者提出利用 3D 眼动模拟器结合无头浏览器自动化技术,将参考视频中的真实虹膜轨迹提取并重放为合成数据。该研究发布了包含 144 个会话(72 个阅读、72 个对话)共 12 小时数据的 final_dataset_v1,评估显示生成轨迹在时间动态上保留了源数据特征(KS D < 0.14)。

  30. arXiv · 机器人与计算机视觉42

    Epipolar-Constrained Graph Representation Learning 用于几何姿态估计研究

    该研究提出基于极线约束的图表示学习以解决视觉里程计中的姿态变化估计难题。方法利用无检测器模型构建对应关系图,通过本质矩阵剪枝并训练图神经网络生成聚合向量输入多层感知机输出旋转与平移元素。在 KITTI、ETH3D、King's College 及 Tartan Air 等室外基准数据集上的单目视觉里程计实验显示,其轨迹与相对姿态估计效果优于传统共识估计器及学习引导对应方法。

  31. arXiv · 机器人与计算机视觉82

    4DSurf:一种无需指定物体数量的高保真动态场景表面重建方法

    论文提出了 4DSurf 框架,利用高斯变形诱导的符号距离函数流正则化约束高斯运动以对齐演化表面,并引入重叠分段划分策略处理大形变。在 Hi4D 和 CMU Panoptic 数据集上,该方法相比最先进方法的 Chamfer distance 分别提升 49% 和 19%,且在稀疏视角下实现了更优的时序一致性。论文已被 CVPR 2026 接收。

    推荐理由:提出基于高斯泼溅的动态场景重建框架,通过流正则化与重叠分段策略解决大形变下的时序一致性问题。

  32. arXiv · 机器人与计算机视觉68

    RigidDriveGS:基于固定多相机穿车拍摄的车辆外观重建方法

    论文提出了 RigidDriveGS,一种面向物体的车辆外观重建流程,旨在解决静态相机观察移动车辆时的运动模糊、鱼眼畸变和反射等挑战。该方案结合运动门控跟踪、剔除车轮的分支掩码以辅助 SfM 同时保留渲染需求、基于原始畸变图像的稠密对应匹配以及受刚性约束的全局 SfM。

  33. arXiv · 机器人与计算机视觉65

    Know3D:利用视觉 - 语言模型知识提示 3D 生成

    该论文提出 Know3D 框架,旨在解决现有 3D 生成模型因单视图观察模糊和缺乏全局结构先验而导致的未观测区域(如背面)随机性过强及几何不合理问题。该方法通过潜在隐藏状态注入技术,将多模态大语言模型的丰富知识融入 3D 生成过程:利用视觉 - 语言模型进行语义理解与引导,扩散模型作为桥梁转移语义知识至 3D 生成模型。