跳到正文
10月27日周二
  1. arXiv · 机器人与计算机视觉78

    理解并修复恶劣天气下的协同感知:西北工业大学团队发布新研究

    西北工业大学团队发布论文,首次系统研究恶劣天气导致的协同感知失效现象(Weather-Induced Context Interference)。实验表明,即使 LiDAR 点云未变,外部环境变化也会破坏多车融合前的对象表征。

    推荐理由:研究揭示恶劣天气下协同感知失效机制,提出无需成对数据的修复方法,在仿真与真实数据上均显著提升目标检测精度。

  2. arXiv · 机器人与计算机视觉38

    解决多部件模型混合形状生成难题:为动漫风格角色添加 ARKit/MediaPipe Blendshapes 的新方法

    针对拥有多达每面 11 个独立部件的商用动漫风格 3D 模型,该方法通过训练神经网络生成变形场来生成固定面部表情混合形状。系统采用至少一个网络独立处理每个部件,并利用锚点几何协调相对位置,同时引入零位移预测及按尺寸分组分类机制以提升精度与对称性。此方法比近期基于神经网络的同类工作更简单,直接解决了用户社区的实际痛点,且已被 WACV 2027 接收。

  3. arXiv · 机器人与计算机视觉42

    DimFlow:双向网格专家学习用于动态高斯重建

    DimFlow 框架通过多分辨率网格与坐标专家的双向交互,实现几何与外观的协同变化。在 D-NeRF、HyperNeRF 和 DAVIS 数据集对比中,其 PSNR 达 39.73 dB,较 4D-GS 提升 1.92 dB 且渲染速度匹配 85 FPS。模型体积为 18.9 MB,略大于 4D-GS 的 18.3 MB,消融实验验证了特征对齐与自适应融合的有效性。

  4. arXiv · 机器人与计算机视觉58

    SGDB:基于语义 - 几何解耦与证据绑定的逻辑异常检测方法

    针对逻辑异常检测中身份识别与几何测量相互干扰的问题,研究提出 SGDB 框架,通过独立解码器学习物体身份、专用读取器提供最终测量值,并利用部分一对一关联绑定几何见证物。该方法在 MVTec LOCO 五个类别及 VID-AD 全部 50 个任务上分别达到 98.19% 和 93.56% 的 AUROC,支持冻结语言模型输出引用声明并保留数值证据,代码与补充材料已公开。

  5. arXiv · 机器人与计算机视觉48

    MMGNet:多模态六自由度抓取合成网络在杂乱场景下的性能突破

    MMGNet 通过分层图像到三维特征注入与旋转抓握性建模,解决点云噪声及 RGB 信息利用瓶颈。该模型在 GraspNet-1Billion 数据集上实现 60.34 的平均 AP,并在对抗性物体实验中较 AnyGrasp 提升 8.46 个百分点成功率。代码、模型与数据将在发表时开放。

  6. arXiv · 机器人与计算机视觉68

    通过免导数优化从姿态偏移中恢复黑盒点云模型

    论文提出 CanDO 方法,针对无法获取权重或梯度的黑盒点云模型,利用免导数优化搜索输入变换以最大化模型置信度,从而在测试时应对分布外旋转。实验表明,该方法在方位角误定向下恢复了 76% 的预言机差距,任意 SO(3) 旋转下恢复 51%,证明冻结模型可通过部署后校正从旋转诱导的分布偏移中恢复。

  7. arXiv · 机器人与计算机视觉82

    PosePlaner:通过成对平面几何去噪任意前馈位姿预测器

    论文提出 PosePlaner 方法,利用流匹配技术恢复对应关系与位姿之间的经典耦合,将位姿精修视为条件生成问题,输入粗略几何匹配和初始位姿以融合假设并输出单一精修估计。该方法在双视图数据上高效训练,可作为无需重训练的周期性精修器服务于流式多视图位姿估计器,实证显示其能纠正前馈预测器的失败、显著改善基于对应关系的求解器并减少长序列累积漂移。材料已获 NeurIPS 2026 录用,属于预印本状态。

    推荐理由:论文提出 PosePlaner,利用流匹配将对应关系与位姿解耦,作为无需重训练的周期性精修器,可纠正前馈预测失败并降低长序列漂移。

  8. arXiv · 机器人与计算机视觉18

    ORBIT-SCOUT 在几何与评估模糊下的选择性单目进动估计研究

    ORBIT-SCOUT 通过耦合图像线/边缘几何与三轴轨迹族,仅在数值、几何及竞争假设检查均通过时返回动量轴与平均进动率估计。该研究处理了 96 个合成场景共 192 次尝试,其中仅 38 个产生联合正确估计且无错误估计,但未能达成注册覆盖率与失败自由执行目标。这是一项可审计的合成案例研究而非新理论或最先进精度证据,真实图像迁移与外部复现仍待开放。

  9. arXiv · 机器人与计算机视觉3

    ERICH 与 VISTA-ICH 协作研究:基于 TBM 的非增强 CT 脑出血区域预测模型

    该研究利用 ERICH 数据集构建、VISTA-ICH 验证,提出一种基于运输形态计量学(TBM)的区域性非增强 CT 图像特征模型以预测自发性脑出血血肿扩张。在包含 196 名患者的验证集中,该区域模型对血肿扩张的预测 AUROC 达 0.787,优于临床及机器学习替代方法。研究证实 TBM 能区分并可视化不同脑区(叶间、基底节或丘脑)的血肿扩张特征,为理解其病理生理提供初步证据。

  10. arXiv · 机器人与计算机视觉78

    无锥无对偶:一种快速可扩展的非刚性结构从运动求解器

    该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。

    推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。

  11. arXiv · 机器人与计算机视觉38

    分布式窄带声源定位与对抗性声学监测技术报告

    该报告提出一种针对离岸数据中心威胁的被动声学监控框架,通过移动接收器构建锚点约束解决稀疏传感器下的多义性问题。方法在仿真中实现 91% 的定位成功率,野外试验中 10 次里有 9 次追踪误差低于 2m。研究经蒙特卡洛模拟、ROS-Gazebo 演示及开放水域实验验证了技术可行性。

  12. arXiv · 机器人与计算机视觉72

    Birth-Death Structural Learning for 3D Gaussian Splatting

    该论文针对3D高斯泼溅(3DGS)依赖代理信号进行自适应密度控制的局限,提出基于变分分的生死控制方法。通过冻结当前高斯种群并附加辅助质量坐标对多视图损失求导,获得第一变分分作为严谨的局部下降代理:高分对应新生位点,低分且低不透明度对应移除对象。在标准基准上集成该方法可提升重构质量,尤其在严格预算下效果显著。代码已开源。

  13. arXiv · 机器人与计算机视觉78

    基于截断 Lp 函数的鲁棒单参数点云配准方法

    本文提出一种名为 TLP 的新型点云配准方法,利用截断 Lp 函数为对应关系分配优先级分数以选择假设并优化模型。该方法仅需一个可调参数即可处理高离群率场景,并通过 GPU 并行化在数千个对应关系下实现亚秒级配准。公开基准数据集评估显示,TLP 精度优于现有单参数方法,且在三个数据集上超越两种常用多参数方法并保持具有竞争力的运行时间。

    推荐理由:提出仅需单参数调优的鲁棒点云配准方法,在公开基准数据集上精度优于现有单参数方法。

  14. arXiv · 机器人与计算机视觉38

    RacerGS:残差自回归上下文实现 3D 高斯泼溅压缩

    RacerGS 提出一种紧凑的 3D 高斯泼溅(3DGS)压缩框架,通过哈希投影模型与 FiLM 调制自回归 GRU 上下文模型优化比特率效率。该方案在保持渲染质量的同时,相比原生 3DGS 实现超 150 倍压缩,较 Scaffold-GS 提升 28 倍。跨五个数据集的实验表明,RacerGS 在存储缩减与率失真性能上均优于现有方法。

  15. arXiv · 机器人与计算机视觉78

    BoundedGS:面向高分辨率训练的内存高效 3D 高斯泼溅技术

    该论文提出 BoundedGS 方法,旨在解决高分辨率 3D Gaussian Splatting 训练中显存占用过高的问题。通过分离光栅化与投影的反向传播、限制活跃局部工作集以及优化缓存释放策略,该方法在固定约 600 万高斯数量的条件下,将渲染工作集从 9.97GB 降低至 1.76GB(降幅 82.3%),并将训练时间从 36.7 分钟缩短至 33.9 分钟。

    推荐理由:提出 BoundedGS 方法,在固定高斯数量下将渲染工作集从约 10GB 降至 1.76GB,同时缩短训练时间并保留重建质量。

  16. arXiv · 机器人与计算机视觉35

    从存在标签到边界框:多模态大语言模型能否扩展手术器械定位?

    研究提出基于 MLLM 的标注框架,将 Cholec80 数据集的手术帧与器械存在标签转化为精确边界框。在胆囊切除术任务中,结构化多阶段流程实现 0.784 mIoU,优于最佳单次调用基线(0.735)并接近人机共识水平(0.814)。团队公开释放包含 285,977 个边界框的空间扩展版 Cholec80 数据集及代码。

  17. arXiv · 机器人与计算机视觉73

    Humans in Space:MLLMs 能否通过主动外心探索构建以人为中心的空间理解?

    该论文提出 SATE-Bench 基准,包含 316 个真实场景和 2,525 组多轮问答对,用于评估视觉自感知与主动外视角探索能力。实验发现主流 MLLM 在严重遮挡下会过早终止探索并高报置信度,且难以处理细粒度三维几何任务;基于 GRPO 的强化学习微调虽能提升探索行为,却因过度搜索导致整体准确率下降。

  18. arXiv · 机器人与计算机视觉75

    LegoOcc++:面向一致性的开放词汇 3D 占用预测

    论文针对室内复杂环境下的开放词汇 3D 占用预测难题,提出仅依赖二元占用标签的几何监督学习方案。方法基于语言嵌入高斯统一表示,引入不透明度感知泊松公式实现稳定体素聚合,并通过渐进温度衰减与实例级语义一致性优化多视角特征对齐。研究还将框架扩展至室外驾驶场景以验证泛化能力,代码将在 arXiv 页面提供下载链接。

  19. arXiv · 机器人与计算机视觉48

    Doppler-aided Position-Velocity Tracking of Hidden Objects using mmWave Radar:首个室内非视距雷达数据集与追踪基准发布

    针对机器人安全室内操作需求,该方法利用毫米波雷达多普勒信息解决隐藏物体追踪难题。研究构建了包含 576 序列、720,856 帧数据的室内非视距雷达数据集,并在独立轨迹上实现位置误差 8.95cm 与速度误差 1.75cm/s。该工作建立了低成本雷达追踪移动目标的基准,支持未见过的移动人类目标场景泛化。

  20. arXiv · 机器人与计算机视觉65

    遮挡点云感知中的身份替换:建筑机器人可见部分标签化研究

    该论文指出,当测试时遮挡移除整个场景区域而非物体局部时,点云分割网络不会简单漏检,而是将隐藏元素错误重标为单一汇类(sink class)。实验显示在固定布局下柱子吸收高达 70% 的测试点,随机布局下沉类移至楼梯且预测值偏离真实份额 4.5-5.4 倍。

  21. arXiv · 机器人与计算机视觉72

    基于混合 Mamba-Transformer 网络的单次条纹图三维重建方法

    针对条纹投影测量中需兼顾长程一致性与细粒度几何细节的挑战,该研究提出一种结合视觉状态空间建模与分层窗口注意力的混合网络架构。实验在公开数据集上验证,该方法仅凭单张变形条纹图即可实现平均绝对误差更低、结构相似度更高的三维重建结果,相比现有基线模型在均方根误差和相对误差指标上均有显著下降。

  22. arXiv · 机器人与计算机视觉78

    基于 RGB-D 的移动端机器人实时行人轨迹预测:TrajMamba 模型

    针对移动机器人在动态环境中导航的短时段行人轨迹预测任务,该研究提出 TrajMamba 模型以解决传统方法中训练数据理想化与推理端传感器噪声之间的分布差异。模型采用单一路径处理姿态提取、深度反投影及平滑过程,利用堆叠双向 Mamba 块编码髋部中心速度并配合 GRU 头解码未来速度。

    推荐理由:该工作提出轻量级双向状态空间模型解决训练部署分布差异,在移动机器人上实现实时行人轨迹预测。

  23. arXiv · 机器人与计算机视觉75

    RelateGS:基于高斯泼溅的可靠语义与关系证据用于 3D 场景理解

    论文提出 RelateGS,一种结构化语言感知的高斯表示方法,旨在提升 3D 视觉定位中语义和关系证据的可靠性。该方法在语义特征增强时抑制不可靠观测,并将多视角物体观测整合为持久 3D 图以识别未观测到的关系,进而引导对现有信息帧进行针对性重查询以补充证据。实验表明,该方法在 Sr3D+ 和 Nr3D 数据集上显著提升了 [email protected] 指标。

  24. arXiv · 机器人与计算机视觉73

    基于 OWL 函数在相机运动下对移动物体的分割方法

    该论文提出一种基于 OWL 感知函数的解析框架,用于在单次相机运动中分割多个独立运动的刚体。该方法将视张角和旋转线索编码为相对三维结构的闭式表示,通过聚类每点的相对平移方向来划分场景中的不同刚体。框架在 3D 空间中使用四元数推导,具有并行性、对相机旋转不变,且无需训练数据、深度信息或语义先验。

  25. arXiv · 机器人与计算机视觉31

    Road Infrastructure Perception for Autonomous Driving: Taxonomy, Representations, Tasks, and Challenges 综述发布

    该综述将道路基础设施感知划分为几何结构、功能空间和法规语义三类,梳理了从图像识别向度量向量化建模的演进。文章指出当前基准在关系推理与规划评估上存在局限,并提出了统一表征与开放环境泛化的未来方向。

  26. arXiv · 机器人与计算机视觉82

    FreeView:一种从非精选视图进行稳健三维重建的训练即免框架

    针对从包含无关或非重叠视图的非精选图像集中重建连贯三维场景的挑战,该研究提出了 FreeView 框架。该方法无需人工校准或干净参考图,而是利用集合级共识自动识别代表性参考视图,并结合视觉与几何证据自适应地剔除干扰视图。实验表明,FreeView 在 VGGT 和 pi^3 等模型中均能保持高清洁视图保留率和干扰项拒绝率,有效支持从非精选视图进行可靠的三维重建。

    推荐理由:该工作提出无需人工校准的框架,利用集合共识自动筛选参考视图并剔除干扰项,提升了从非 curated 图像集重建 3D 场景的鲁棒性。

  27. arXiv · 机器人与计算机视觉38

    UniQuery:联合查询头统一视觉模型用于跨域行人属性识别

    UniQuery 通过联合微调 DINOv3 和 CLIP 并引入共享查询头,解决了独立编码器融合权重固定的问题。该方法在 WACV 2027 RWS 挑战赛中,于留一数据集实验中超越独立集成基线,隐藏测试集 Challenge_Avg 达 0.8001。论文已提交至第 7 届现实世界监控研讨会(arXiv:2610.33639),包含消融实验证明冻结编码器会降低性能。

  28. arXiv · 机器人与计算机视觉33

    ONOT/TONO-Print:身份文件肖像质量配对基准评测

    ONOT/TONO-Print 是一个用于评估身份文件生产域偏移下人脸图像质量的配对基准,包含五种合成变体及少量物理子集。结果显示部分质量估计器受打印、雕刻等工艺影响出现显著域偏移,而其他模型表现相对稳定。该基准旨在对比生物特征与 ICAO 相关组件在生产前后的行为差异。