跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉65

    通过面部图像进行开箱即用的年龄估计:VLM与传统架构的综合性基准

    本文建立了首个大规模跨范式基准,系统比较了22种专用架构与12种通用视觉语言模型(VLM)在8个标准数据集上的表现。结果显示,零样本VLM平均绝对误差为5.65年,显著优于非LLM模型的9.88年;最佳VLM Gemini 3 Flash Preview甚至超越了最强专用模型 MiVOLO。

  2. arXiv · 机器人与计算机视觉68

    开源 AI 生成图像检测模型的开箱即用性能如何:一项综合基准研究

    针对 AI 生成图像泛滥问题,本文首次对 16 种最先进的检测方法(共 23 个预训练变体)在 12 个数据集上进行零样本评估。研究发现不存在通用最优模型,排名在不同数据集间极不稳定;最佳与最差检测器平均准确率差距达 37%;现代商业生成器(如 Flux Dev、Midjourney v7)能击败多数检测器。

  3. arXiv · 机器人与计算机视觉65

    通过空间上下文约束解决长尾 TLS 基工业 MEP 点云分割中的原语共享歧义

    该研究针对机械电气管道(MEP)点云分割中减压器和阀门等关键安全部件因几何相似性导致的持续误分类问题,提出了一种扩展的类平衡损失函数。该方法引入边界熵约束与密度约束两种架构无关机制,利用邻域预测一致性与传感器物理先验来消除局部结构歧义。

  4. arXiv · 机器人与计算机视觉70

    GRASP:一种用于解决长尾分布下文本生成图像模型性能下降的引导性残差适配器方法

    该论文针对文本到图像流匹配变换器在长尾设置下尾部类别输出保真度和多样性急剧下降的问题,提出 GRASP 方法。该方法通过条件空间的确定性划分与 Transformer 前馈层中的组别特定残差适配器,在不改变流匹配目标和采样器的情况下解决优化层面的病理问题。

  5. arXiv · 机器人与计算机视觉62

    Gaussians on Fire:基于高斯时空表示的火焰高频三维重建

    该论文提出一种利用高斯时空表示从有限相机视角重建动态火焰的方法。通过结合稠密多视图立体图像与单目深度先验分离静态背景,将火焰初始化为 3D 流场并融合每视角的光流投影以编码寿命和线性速度。采用自定义硬件同步模式确保跨相机的子帧时间对齐,从而在消费级硬件上实现重建。定量与定性验证显示该方法在多样且具挑战性的真实及仿真火灾场景中表现稳健。

  6. arXiv · 机器人与计算机视觉62

    视图一致的表征对相机控制视频生成重要吗?ViCoDR 方法验证与改进

    针对相机控制视频生成中物体形变和场景结构破坏的问题,本文研究扩散表示的视图一致性属性及其影响。研究发现视图一致性高的模型能生成三维一致性更好的视频。提出的 ViCoDR 方法通过在训练阶段直接监督内部扩散表示的视图一致性,在图像到视频、文本到视频及多视角生成任务中均提升了输出三维效果。

  7. arXiv · 机器人与计算机视觉42

    RIFLE:基于潜在扩散增强的图像频闪带消除框架

    RIFLE 是首个研究并解决相机卷帘快门与屏幕亮度调制间时序混叠导致频闪带的作品,通过频闪先验估计器与掩蔽损失在保留细节的同时消除条纹。该方法利用合成数据管道克服稀缺性,在真实配对数据集上量化指标及视觉对比均优于近期重建基线。代码与数据集即将发布。

  8. arXiv · 机器人与计算机视觉73

    PixFoundation 2.0:视频多模态大模型在视觉定位中是否利用运动?

    论文 PixFoundation 2.0 指出当前视频多模态大模型的像素级视觉定位能力研究不足,且现有基准常依赖静态线索而非真实运动信息。作者提出以运动为核心的探测方法与 MoCentric-Bench 评测集,用于评估模型对自然语言描述的运动模式进行物体分割及区分真假运动的能力。研究建立了强单图基线并探索了简单的运动中心适配方案,相关代码与数据已开源。

  9. arXiv · 机器人与计算机视觉8

    FICGen:面向退化场景的布局驱动图像生成新范式

    FICGen 提出频率启发式上下文解耦范式,通过双查询机制与视觉频率增强注意力解决低光等退化场景下的生成保真度问题。在包含严重低光和轻微模糊的五项基准测试中,该方法在生成保真度、布局对齐及下游可训练性上均超越现有布局到图像方法。该成果作为 ICCV 2025 预印本公开于 arXiv,代码与权重暂未提及开放许可。

  10. arXiv · 机器人与计算机视觉78

    DeCLIP:一种增强开放词汇稠密感知的通用解耦学习框架

    针对 Vision-Language Models 在稠密视觉感知任务中因局部特征表示受限导致性能不佳的问题,本文提出 DeCLIP 框架。该框架通过解耦 CLIP 的自注意力模块分别获取内容与上下文特征:利用扩散模型的对象完整性线索与基础模型的语义相关性增强上下文特征以改善空间一致性;同时结合图像裁剪表示与区域相关性约束内容特征以提升局部判别力。

    推荐理由:提出 DeCLIP 框架,通过解耦自注意力模块并融合扩散模型与基础模型特征,提升 CLIP 在开放词汇稠密感知任务中的局部判别力与空间一致性。

  11. arXiv · 机器人与计算机视觉55

    PixFoundation:像素级视觉基础模型的演进方向正确吗?

    该工作针对像素级视觉基础模型在视觉问答任务中表现弱化的现象,提出了包含配对评估的新基准和提示词敏感性分析工具。研究证实简单基线即可匹敌部分专用模型,并揭示了 grounding 能力与输出 token 的对应关系不固定于指代表达本身。代码与数据集已公开,论文已被 TMLR 2026 接收。

  12. arXiv · 机器人与计算机视觉48

    Multi-view Optimal Transport 用于多视角人群定位与追踪

    该方法提出 Mahalanobis 距离基的多视角最优传输损失(M-MVOT),直接监督地面平面点级预测以解决密度图回归的模糊性问题。在跟踪任务中,通过 MVOT-TBD 框架及专用的帧间关联损失(MVOT-Track)进一步提升性能。实验表明该框架在多视角人群数据集上均优于现有基于密度图的定位与追踪方法。

  13. arXiv · 机器人与计算机视觉78

    GaussianSpline:用于高度动态 4D 高斯泼溅的自适应贝塞尔样条

    arXiv 论文介绍 GaussianSpline,一种利用自适应非均匀分段三次贝塞尔样条建模每个高斯运动的方法。该方法联合学习控制点与时间分区,在保持近静态区域轨迹紧凑的同时为高度动态区域分配更多时间容量,并通过反射约束确保段间 G1 连续性以维持全局平滑与可微性。实验表明其在 Neural 3D Video、Google Immersive 及合成场景上显著提升了非均匀动态下的重建质量。

    推荐理由:提出自适应非均匀贝塞尔样条方法,在动态场景下提升高斯泼溅重建质量。

  14. arXiv · 机器人与计算机视觉35

    混凝土裂缝跨视角与跨时间追踪研究:几何辅助形态感知框架

    针对静态检测无法保持裂缝身份的问题,该研究提出一种结合图像几何配准与形态感知的框架,将裂缝生长监测定义为跨视角与跨时间的实例追踪任务。基于包含单主裂纹、混合模式分叉及多裂纹交互三种场景的标注数据集实验显示,该方法能在视角变化下建立宽松的身份对应关系,但微细裂纹分割能力与投影漂移仍限制了严格的空间重叠与生长定位精度。

  15. arXiv · 机器人与计算机视觉51

    超越可见说话人:基于上下文感知与说话人注册的主动说话人检测

    针对拥挤场景或无视觉证据时的主动说话人检测难题,作者提出 ROAM-ASD-C 和 ROAM-ASD-CR 模型。前者通过联合推理多个候选者获取互补证据,后者利用注册说话人的语音表征实现不可见状态下的发言检测。该方法在 AVA、WASD 等五个基准测试中达到最先进水平,且在目标视觉信息缺失时仍保持高性能。

  16. arXiv · 机器人与计算机视觉15

    频谱优化隐式神经表示缓解颅内 4D Flow MRI 采集质量权衡

    针对颅内 4D Flow MRI 在分辨率、采集时间与噪声间的权衡,该研究提出基于 WIRE 激活函数与可调谱偏置的频谱优化隐式神经表示(INR)框架。该方法在涵盖健康对照及中重度颅内动脉粥样硬化疾病的九个病例上评估,无需成对高分辨率数据即可实现无监督重建,且能在数分钟内达到接近物理信息正则化的性能。

  17. arXiv · 机器人与计算机视觉28

    EviGround-CT:LLM 生成的胸部 CT 报告句法到体积验证方法

    EviGround-CT 提出一种句法到体积的接地模型,用于验证大语言模型生成的胸部 CT 报告中缺乏扫描局部证据的阳性发现。该方法在 ReXGroundingCT 子集上评估显示,相比类别条件化,句法接地验证将证据支持精度(ESP)从 0.263 提升至 0.365,同时将不支持的阳性发现率从 0.737 降至 0.635。

  18. arXiv · 机器人与计算机视觉82

    VGGT 是否知道它不知道什么?——基于冻结特征的失败预测研究

    该论文针对 VGGT 等前馈 3D 重建模型仅报告置信度却未提供不确定性估计的问题,提出在冻结特征上训练线性探针以探测姿态预测失败。实验显示,该探针在 HardMatch 基准上的 ROC-AUC 达 93.5%,优于模型自身的点图置信度和分类器,且能泛化至 PhotoTourism 和 ScanNet-1500 等未见过的旋转失败场景。

    推荐理由:研究发现冻结模型内部存在未报告的失败预测能力,可让下游系统在不重新训练的情况下对困难样本进行回避。

  19. arXiv · 机器人与计算机视觉43

    OmniShowcase:基于多视角图像的三维一致全景视频生成方法

    OmniShowcase 提出了一种从多视角图像生成特定主体且保持三维一致的自动化视频合成方案,通过几何条件化方法利用参考视图重建表面法线图以解决未观测区域推断难题。该方法构建了包含十二种相机运动与八十八种轨迹配置的 Showcase-4K 数据集及 ShowcaseBench 评测集,在实验验证中实现了最先进的主体身份与三维一致性并保持具有竞争力的视频质量与动态效果。

  20. arXiv · 机器人与计算机视觉72

    VPR-Space:面向太空模拟域的视觉定位基准发布

    论文提出 VPR-Space 基准以评估地外表面(如月球、火星)的视觉定位能力。作者收集了十六个基于太空模拟域的数据集,并创新性地依据下游 SLAM 任务价值生成真值矩阵,而非依赖固定阈值。研究评测了九种主流方法,结果显示现有技术在低特征环境中仍有较大提升空间。数据集预发布版本已开源。

  21. arXiv · 机器人与计算机视觉48

    Synthetic Deformable Tubular Benchmark 发布:首个用于评估可变形三维重建的机械标注合成数据集

    基于 LumenMorph 工具包发布的 Synthetic Deformable Tubular Benchmark 包含 5,580 张 RGB 图像,覆盖六种场景家族及三种表面运动条件。该数据集公开相机姿态、几何深度与有限元记录等接口,支持区分配准覆盖率与几何精度并验证机械先验优势。其合成参考性质明确不宣称解剖或临床真实性,提供可重复性与预测分数回放验证机制。

  22. arXiv · 机器人与计算机视觉73

    GenSfM:基于原生 3D 扩散的运动恢复结构方法

    论文提出 GenSfM,融合图像重建与原生 3D 扩散模型,解决从少量未标定视图恢复物体 3D 结构与相机运动的问题。该方法利用多模态扩散 Transformer 联合去噪形状潜变量和每视角姿态潜变量,将生成几何锚定在观测视图上,同时利用物体级先验推断未见区域。

  23. arXiv · 机器人与计算机视觉31

    OBB-PBD:面向航空影像指代定位的定向边界框并行解码扩展

    OBB-PBD 将平行框解码扩展至六槽位定向表示,在 AVVG 基准测试中将零样本基线的 rotIoU 从 0.1253 提升至 0.303±0.012。验证实验证实该模型依赖图像与提示词而非仅统计量,且学习定向框比轴对齐包络多贡献 0.055±0.008 rotIoU。代码与检查点已公开,论文发表于 Remote Sensing 期刊。

  24. arXiv · 机器人与计算机视觉43

    Unveil the Mask:面向外观无关的算子验证联合优化扩散掩码预训练框架

    该研究提出无需外部预训练模型的验证框架,利用面部地标序列和视频帧两种模态,通过扩散掩码预训练学习对头像外观不敏感的运动表征。在 WBA2026 基准测试中,该方法整体达到 0.769 的 AUC,融合双模态显著提升了说话与聆听模式下的验证效果。论文已被 ACCV 2026 Workshop 接收,代码与数据许可状态待进一步确认。

  25. arXiv · 机器人与计算机视觉72

    Resilient Decentralized Radar-LiDAR-Inertial Odometry in Challenging Subterranean Environments

    该预印本提出了一种鲁棒的去中心化雷达 - 激光雷达惯性里程计(LRIO)框架,旨在解决 GPS 缺失及烟雾、灰尘等视觉退化环境下的定位难题。核心机制包括自适应残差阈值(ART)以自动检测传感器退化并调整融合过程,以及基于 RETOIF 的去中心化最优信息滤波器以实现故障感知的数据融合。

  26. arXiv · 机器人与计算机视觉83

    SG-Splat:面向无位姿输入的稳健几何学习 3D 高斯泼溅方法

    针对现有无位姿 3D 高斯泼溅对残留姿态误差敏感的问题,论文提出 SG-Splat 框架。该方法将几何估计与属性预测解耦为独立分支,并引入流引导姿态修正(FGPR)和残差引导几何校正(RGC)流程以优化初始点图。

    推荐理由:提出 SG-Splat 框架,通过解耦几何与属性预测及流引导姿态修正,提升无位姿输入下的 3DGS 鲁棒性。

  27. arXiv · 机器人与计算机视觉73

    CVTSplat:一种基于自适应重心 Voronoi 剖分的多视图重建方法

    该论文提出 CVTSplat 方法,利用自适应重心 Voronoi 剖分(CVT)优化从多视图图像进行形状与外观重建的流程。通过调节单元大小使其靠近零水平集并保持近中心性,该方法在 DTU 和 BlendedMVS 数据集上达到了与最佳高斯泼溅表面方法相当的几何精度,且单 GPU 训练时间约为 2.5 分钟。材料为 arXiv 预印本,未提及同行评审状态或真实机器人部署结果。

  28. arXiv · 机器人与计算机视觉38

    低秩 MERA 分解实现 3D OCT 图像压缩去噪与视网膜疾病诊断

    该研究提出一种无需训练的基于低秩多尺度纠缠重正化群(MERA)张量网络方法,用于处理受散斑噪声影响的 3D 光学相干断层扫描(OCT)体积数据。在两个不同扫描仪采集的数据集上评估显示,该方法相比多种竞争方法提升了视觉质量并降低了视网膜层分割误差。此外,利用 Grassmann 流形最近子空间分类器提取的 MERA 特征,在小样本临床场景下实现了具有竞争力的视网膜疾病分类准确率且具备高可解释性。

  29. arXiv · 机器人与计算机视觉78

    OrthoRF:探索物体中心表示中的正交性

    arXiv 预印本论文 OrthoRF 提出一种通过内积损失和架构修改强制旋转特征方向空间正交的方法,旨在提升基于同步性的无监督物体发现性能。实验表明,该方法在重叠、噪声及分布外测试中表现匹配或优于现有模型,消除了后处理聚类需求,并能恢复被遮挡的物体部分。该研究为计算机视觉领域的物体中心学习提供了新的归纳偏置视角。

    推荐理由:该工作提出正交旋转特征以解决同步性模型依赖后处理聚类的问题,在遮挡与噪声场景下表现更优。

  30. arXiv · 机器人与计算机视觉56

    面向可泛化人类高斯泼溅的复杂度引导正则化方法

    针对现有可泛化人类高斯泼溅方法在复杂几何与纹理区域存在细节丢失和渲染模糊的问题,本文提出一种基于局部熵的复杂度引导正则化方案。该方法利用衣物几何与纹理特征的局部熵作为先验,约束高斯分布密度以防止在复杂区域过度稀疏采样,同时优先从复杂区域抽取局部图块进行监督训练。实验表明,该方法在基准数据集上实现了最先进性能并保持了实时推理速度。代码与模型已公开。