跳到正文
10月20日周二
10月19日周一
  1. arXiv · 机器人与计算机视觉52

    Happy Young Women, Grumpy Old Men? 文生图模型中情感驱动的代际偏见审计

    该文生图模型中情感驱动的代际偏见审计系统检验了八款(4 款西方和 4 款中国)文生图模型在七种提示条件下的生成结果。研究发现所有模型均存在年轻面孔的过度代表,且负面情感提示会显著将输出偏向白人、中年男性面孔,同时降低感知吸引力。交叉分析显示特定组合(如年轻女性黑人面孔)被严重遗漏。该研究强调需进行包含情感条件的交叉代际审计作为标准预部署评估实践。

  2. arXiv · 机器人与计算机视觉82

    手写文本识别存在于高像素方差子空间

    该研究提出在自监督预训练中,像素重建方法在手写文本识别任务上优于对比学习方法,因为判别信号集中在高方差方向。作者在六个基准数据集上测试了六种自监督学习(SSL)方法,发现基于像素的 SSL 在所有基准上均取得最低字符错误率(CER),且对标签效率更高。

    推荐理由:实验证明像素重建在自监督手写文本识别中优于对比学习,且高方差子空间对齐能预测性能。

  3. arXiv · 机器人与计算机视觉35

    大视觉语言模型属性描述稳定性受图像输入及构图影响研究

    研究发现向仅文本提示的大视觉语言模型添加图像,会意外改变其生成的概念属性描述而非实例细节。在七款模型上测试显示,加图使动物物理术语比例从 16.7% 升至 32.8%,而食物感官术语比例则下降。此外,主体聚焦与情境构图两种框架下,41.4% 的动物和 71.4% 的食物概念对属性分布存在显著差异。

  4. arXiv · 机器人与计算机视觉52

    BenthicDINO:面向侧扫声纳的视图不变表示学习

    针对侧扫声纳图像受观测几何与声学伪影影响导致视图依赖的问题,提出 BenthicDINO 框架。该方法基于 ConvNeXt-v2 骨干网络,利用物理引导的数据增强和 HSIC 惩罚项,显式强制特征对斜距和入射角等物理参数不变。评估显示其在底栖栖息地映射任务中仅需 10% 标签即可达到近峰值性能,并在 AI4Shipwrecks 基准测试中以冻结表示优于全监督基线。

  5. arXiv · 机器人与计算机视觉75

    TORINO:基于可解释概念重叠的视觉语言模型 Token 减少方法

    该研究针对视觉语言模型计算成本高、视觉 Token 数量大的问题,提出 TORINO 框架。该方法无需微调底层模型,利用稀疏自编码器将视觉 Token 投影到可解释潜在空间,通过定义概念重叠度对共享语义内容的 Token 进行分组,进而执行剪枝或合并操作。实验表明,TORINO 能根据输入复杂度动态调整压缩率,在显著减少视觉 Token 数量的同时保持最小性能损失。

  6. arXiv · 机器人与计算机视觉73

    GazeCLIP:一种用于深度伪造归因与检测的注视引导式 CLIP 模型

    针对现有深度伪造归因或检测工作泛化性差的问题,本文提出 GazeCLIP 模型,利用注视向量分布差异设计视觉感知编码器以挖掘全局伪造特征,并通过语言细化编码器实现精准视听匹配。实验表明该模型在新型生成器上的平均准确率与 AUC 分别提升 6.56% 和 5.32%,代码已开源。

  7. arXiv · 机器人与计算机视觉48

    RRNet:支持任意局部光照变化的可配置实时视频增强网络

    RRNet(渲染重光照网络)通过深度感知渲染模块实现无需像素对齐训练数据的局部重光照,在低光增强、局部调光和眩光去除任务中表现最优。该轻量级框架利用生成式 AI 构建低成本合成数据集,支持视频会议与 AR 人像增强等实时高分辨率应用。论文已获 IEEE MMSP 2026 接收,代码与权重开放许可。

  8. arXiv · 机器人与计算机视觉63

    通过 PRISm:面向语义图像检索的重要性感知场景图

    针对现有方法要么忽略细粒度关系、要么生成冗余噪声图的矛盾,本文提出 PRISm 框架。该方法利用标题衍生的相关性监督重要性预测模块对对象和三元组进行剪枝,并通过边感知上下文 GNN 融合全局视觉特征生成索引嵌入。在 PSG 数据集上超越最强基线,在 Flickr 数据集上保持最优 top-1 指标且仅增加 33ms 查询延迟。

  9. arXiv · 机器人与计算机视觉19

    AQUA-Net:自适应频域融合与光照感知网络用于水下图像增强

    AQUA-Net 通过集成残差编解码器、双辅助分支及 Retinex 启发式光照感知模块,在保留细节的同时降低参数量以解决水下成像难题。该模型基于地中海深海真实视频构建的高分辨率数据集进行训练,在多基准测试中表现与最先进方法相当且参数更少。消融实验证实频域融合与光照分支互补提升了可见度与色彩还原能力,具备强泛化性。

  10. arXiv · 机器人与计算机视觉42

    Decomposing Visual Classification:评估 VLMs 中的树状推理能力

    针对细粒度任务表现不足的问题,该研究提出将视觉分类分解为可解释决策的框架,在 GTSRB 和 CIFAR-10 数据集上测试发现,尽管模型理解树知识的准确率达 98.2%,但基于树的推理性能始终低于标准零样本提示。通过引入大语言模型生成的类别与图像描述增强提示词,有效提升了两种方法的对齐效果,揭示了结构化推理在视觉分类中的局限性并为设计可解释系统提供思路。

  11. arXiv · 机器人与计算机视觉75

    NeuralDMD:一种基于稀疏和噪声测量的可解释动力学神经表示方法

    论文提出了 NeuralDMD 框架,结合神经隐式表示与动态模态分解(DMD),无需训练即可从间接、稀疏且含噪的测量中直接重建连续时空动力学。该方法将 DMD 模式参数化为连续神经场,并施加低秩线性动力学先验以强制时间连续性,实现了在稀疏条件下的预测及可解释的模式与谱分析。

  12. arXiv · 机器人与计算机视觉45

    POBF:合成与筛选视觉定位训练数据的新框架

    POBF 通过盒外修复图像解决标签错位,并结合难度与过拟合评分筛选高效训练数据。在四个基准数据集上,该方法平均提升 5.83% 且准确率领先基线 2.29%-3.85%,验证了其在不同生成模型和架构下的鲁棒性。该研究作为预印本发布于 arXiv,旨在解决大规模数据策展困难下的视觉定位学习问题。

  13. arXiv · 机器人与计算机视觉10

    两分类任务中两种排名分数间的最优权衡解

    该研究提出在机器学习中寻找任意一对评分(如准确率、F-score)间的最优权衡,通过最小化 Kendall 距离的 Fréchet 方差实现。论文给出了类先验相同情况下的精确解析解,并实验验证了性能分布下的表现。代码与数据许可状态未明确说明,目前为 arXiv 预印本版本。

  14. arXiv · 机器人与计算机视觉35

    多模态地球嵌入的语言对齐框架实现可解释预测

    该研究提出一种语言对齐框架,将任意嵌入空间与可解释辅助数据链接以解决不可解释性问题。在 S2BMS 和 SatBird 两个物种分布建模任务中,AlphaEarth 嵌入在 7 项指标中的 6 项超越先前最先进模型,且基于概念检索的平均表现优于地球观测视觉语言模型。对齐后的概念成功恢复物种 - 栖息地关联(ρ=0.44),证明抽象嵌入可在领域专家语言中被 interrogated。

  15. arXiv · 机器人与计算机视觉65

    SpikeQ:一种用于脉冲神经网络的脉冲引导后训练量化方法

    论文提出 SpikeQ 框架,针对脉冲神经网络(SNN)在类脑芯片上的低比特需求,通过模拟下游神经元选择权重并构建复位感知网格来优化膜电位量化。实验显示,在 2 位预点火膜电位下该方法优于现有所有网格方案;在 4 位精度下模型保持接近全精度性能,同时内存占用减少 7.8-7.9 倍,能耗降低 6.4-6.9 倍。

  16. arXiv · 机器人与计算机视觉48

    视觉脑编码模型与个体感知相似性判断的对齐研究

    该研究利用 NSD 数据集 8 名参与者的相似度判断,微调通用 DreamSim 模型以对齐个体感知。结果显示,相比基线编码器仅反映受试内相似性,基于个性化感知信息的微调模型最能对齐人类判断并保留跨受试者相关性。此框架为构建更个体化、与人类视觉感知对齐的脑编码模型提供了方法。

  17. arXiv · 机器人与计算机视觉72

    生成式 AI 产生并传播美貌偏见:一项针对 27 款文本到图像生成器的审计研究

    该论文审计了 2022 至 2026 年间发布的 27 款文本到图像生成器,分析了超过 5.1 万张生成面孔和 16 万张真实照片。研究发现几乎所有生成器在自动化指标下得分均高于真实人脸,且人类评估者认为其显著更具吸引力;其中女性提示生成的面孔有 37% 超越中位数专业时尚模特,深色皮肤群体得分普遍低于浅色皮肤群体。

  18. arXiv · 机器人与计算机视觉57

    ECHOES:通过递归历史压缩与特权在线策略蒸馏超越当前图像

    论文提出 ECHOES 框架,解决长视界 GUI 智能体依赖视觉历史导致成本高或文本摘要丢失关键信息的问题。该方法利用训练时的特权多图像输入作为教师模型,对基于 Compression-Think-Action (CTA) 格式生成的学生模型进行 token 级在线策略蒸馏,并通过感知 - 记忆保真度差距指导动态平衡。

  19. arXiv · 机器人与计算机视觉4

    大规模中心静脉导管换药技能评估数据集发布

    该研究发布了包含休斯顿 Methodist 医院注册护士 365 次操作视频的中心静脉导管换药(CLDC)技能评估数据集。数据涵盖 17 个子任务的时间标注与临床绩效评估,并验证了时空深度学习模型在自动化技能评估中的可行性。此数据集为护理教育中的 AI 辅助训练、反馈生成及客观可复现的绩效评估提供了基础。

  20. arXiv · 机器人与计算机视觉42

    HaCKRS 数据集发布:配对消费级声纳与 RGB 视频用于鱼类监测

    Huntington 和 Caltech 团队发布 HaCKRS 数据集,包含超 10.5 万帧 Garmin LiveScope 成像声纳与锦鲤俯拍 RGB 视频的时序匹配对。数据覆盖约 3.3 小时录音及四种配置,提供几何坐标、同步信息及平面配准以支持鱼类检测跟踪计数方法开发。该预印本聚焦配对观测与标定而非特定标注任务,旨在探索消费级声纳在生态监测中的应用潜力。

  21. arXiv · 机器人与计算机视觉63

    MTEEdit:打包轨迹在多轮图像编辑中优于展开式生成

    针对多轮图像编辑中传统顺序生成易累积误差和产生视觉质量漂移的问题,作者提出以打包轨迹画布(PTC)为核心的数据构建管线,发布了包含 50 万条轨迹的 MTEdit 数据集及评测基准。基于该数据集微调后的 Qwen-Image-MTEdit 在开源模型中表现最佳,验证了该方法的有效性。

  22. arXiv · 机器人与计算机视觉48

    FedRAPP:面向视觉语言模型的可靠性感知测试时提示微调框架

    FedRAPP 提出一种个性化聚合框架,解决源数据缺失下非独立同分布客户端的提示漂移问题。该方法结合可靠性评估、服务器端指数移动平均记忆及相似度引导同伴聚合,在九个 CLIP 基准数据集和 ImageNet 变体上持续优于标准联邦聚合基线。研究验证了该方案在保持仅提示微调效率优势的同时,显著提升了异构分布下的鲁棒性。

  23. arXiv · 机器人与计算机视觉63

    一种用于视觉生成的语言信息损失函数

    本文研究语言监督是否能比像素空间损失提供更丰富的训练信号以进行端到端视觉生成。作者提出 LILIE(Language-Informed and Lossless Image Encoder),这是一种可逆图像变换,通过与视觉 - 语言模型联合训练的归一化流 Transformer 实现,使得视觉 - 语言模型能从噪声特征中恢复描述。

  24. arXiv · 机器人与计算机视觉78

    CoreDNA:一种无监督、任务无关的跨感知与动作核心集选择方法

    论文介绍 CoreDNA,这是一种无需代理模型训练或大量标注的无监督核心集估计方法。该方法通过池化视觉基础模型的神经元激活值,将每张图片的分布与数据集整体分布进行比较,从而同时捕捉低层视觉结构和高层语义信息。

    推荐理由:提出 CoreDNA 无监督任务无关核心集选择方法,在感知与动作多任务上匹配或超越现有水平。

  25. arXiv · 机器人与计算机视觉48

    Stereo LWIR-RGB 自动标注低光照 VRU 检测方案

    针对低光照下 VRU 检测缺乏大规模数据集与自动标注方法的难题,该研究提出基于 LWIR-RGB 立体设置的自动化流水线。实验在芬兰首都区域采集的数据集上验证,利用 LWIR 热源差异生成标签,无需复杂硬件对齐即可降低复现成本。模型在手动标注测试集上的 F1、mAP@50 和 LAMR 指标均优于市售基线及微调手标子集的模型,且结果适用于两种不同 LWIR 探测器。

  26. arXiv · 机器人与计算机视觉73

    PONDER:学习按正确顺序生成图像

    论文介绍 PONDER 方法,让图像生成模型学习填充内容的顺序及何时修正早期预测。该方法在冻结生成器的情况下,将 MAR-B ImageNet FID 从 4.09 降至 2.78,硬视觉数独准确率从 3.9% 提至 56.6%,引入重思考机制后 FID 进一步降至 2.70、准确率达 96.7%。材料为预印本,未提及同行评审状态或开源代码。

  27. arXiv · 机器人与计算机视觉48

    基于显著性图评估生成图像模型的研究

    针对通用指标与人类感知不匹配的问题,研究提出利用生成器专用分类器及显著性图进行图像生成模型评估。该方法在多样本基准上发现分类器仅学习特定生成器伪影且跨模型迁移有限,结合准确率与显著性信息得到的复合评分能对齐人类判断。该方案无需大型预训练骨干网络,仅需被评估模型的真实与生成样本即可实现有效验证。

  28. arXiv · 机器人与计算机视觉84

    MOSS-Image 技术报告:开源图文生成系统实现长文本与复杂布局的最优表现

    针对开源图文生成模型在处理密集文本和复杂版式上的不足,该研究提出了 MOSS-Image 系统。该系统通过从头预训练的 5B 参数单流扩散 Transformer(DiT)实现了双语长文本渲染与精确的版式控制,并开发了意图感知代理提示增强模块以将用户请求转化为详细的内容与布局规范。

    推荐理由:开源图文生成系统 MOSS-Image 在长文本渲染与复杂布局控制上达到开源模型最优,并同步开放训练配方与评测基准。

  29. arXiv · 机器人与计算机视觉73

    CatchUp:一种用于高效大视觉语言模型的深度感知视觉令牌重准入方法

    针对大视觉语言模型在处理视觉令牌时计算与内存成本高的问题,该研究提出了一种无需训练的 CatchUp 框架。该方法通过深度感知的机制重新评估查询条件化的视觉相关性,仅处理选定的视觉令牌,并利用参考轨迹信号近似缺失的表示演化,从而在减少活跃视觉令牌数量的同时保持高性能。

  30. arXiv · 机器人与计算机视觉75

    SCALE:通过自对比对齐改进无引导的视觉生成

    论文 SCALE 提出自对比引导(SCG)框架,利用模型对真实样本与自生成样本的预测差异构建直接信号,替代传统的分类器引导以消除采样开销。该方法经重参数化整合进似然目标,在扩散和自回归模型的类条件及文生图任务上均优于现有无引导基线,且与 DPO 微调具有互补增益。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。