跳到正文
11月5日周四
  1. arXiv · 机器人与计算机视觉42

    Human Motion Prediction via Continual Prior Compensation 提出 CPC 与 CPC++ 框架,通过多阶段训练缓解长短期预测干扰并补偿先验遗忘

    该研究开发连续先验补偿(CPC)及增强版(CPC++)框架,将人类运动预测任务分解为子阶段以解决长短时序相互干扰问题。引入可学习随机变量 Prior Compensation Factor 显式度量先验知识损失,并理论上证明其可与模型参数联合优化。在三个基准数据集上结合 PGBIG、siMLPe、MotionMixer 及 LTD 等主流骨干网络验证了框架的有效性与灵活性。

  2. arXiv · 机器人与计算机视觉63

    面向无人机协同感知的不确定性驱动高效通信方法

    该论文针对无人机协同感知中的带宽瓶颈,提出 UCP 框架以观测不确定性和判别不确定性表征协同价值,生成空间请求与供给图以提升通信效率,并通过 U-Fusion 模块聚合消息。实验在三个基准数据集上验证了其在三维目标检测与轨迹预测任务中优越的性能带宽权衡及泛化能力。

  3. arXiv · 机器人与计算机视觉36

    Trick-or-Treat:合成图像对抗评估多模态医学推理幻觉

    Trick-or-Treat 框架利用合成临床照片与真实胸部 X 光片配对,构建暴露前沿模型跨模态推理幻觉的对抗性基准。在三项前沿模型的测试中,面对不匹配图像对时,模型产生显著临床意义的照片幻觉比例从单独展示时的 25-37.5% 升至 45-57.5%,且倾向于忽略错位而根据 X 光片特征误诊。

  4. arXiv · 机器人与计算机视觉38

    Learning to Track Cells from Sparse Annotations in 3D Time-Lapse Microscopy 提出细胞追踪流程

    针对稀疏标注的三维延时显微成像,该流程整合检测、基于图像特征的候选连接校准及谱系图事件联合选择。在两条斑马鱼胚胎共 199 个视频的 5 折交叉验证中,整体得分达 0.9762,较允许替换分裂事件的顺序方法提升 0.0105。主要改进源于分裂恢复能力的增强。

  5. arXiv · 机器人与计算机视觉58

    SpikePose:一种轻量级视频人体姿态估计方法

    论文提出了 SpikePose,这是一种结合帧重置单步脉冲编码器和运动对齐热图记忆(MAM)的轻量级视频姿态估计器。该方法在 MPII 和 NTU60 数据集上评估,相比架构匹配的 ANN 模型,将估算的算术能耗降低了 91.4%,仅以头部骨骼归一化 [email protected] 降低 1.12 点为代价;MAM 模块使速度和加速度误差分别减少 28.13% 和 31.46%。

  6. arXiv · 机器人与计算机视觉5

    HoloCT 统一 CT 解读与分割的三维基础模型

    HoloCT 是首个将 CT 解读与体素级分割统一的通用三维基础模型,基于包含 19.5 万扫描及 620 万指令对话的 HoloDATA 训练。在多中心验证中,其病灶分割与报告生成分别优于竞品 18.2 和 15.3 分,甲状腺肿瘤筛查平均准确率达 85.1% 并超越四位放射科医生。该研究揭示了语言引导分割与三维掩码生成的双向语义空间协同效应,相关代码与数据待开放许可。

  7. arXiv · 机器人与计算机视觉82

    CoDecide:面向高吞吐视频分析的自适应内容解码方法

    针对视频档案分析中解码耗时的问题,该方法引入 CoDecide 系统,仅对出现新内容的帧进行解码。通过监督一个轻量级学生模型学习来自冻结 DINOv2 教师模型的无标签新颖性信号,该系统能区分运动与场景中新出现的物体,从而在无需针对每台相机重新训练的情况下实现泛化。

    推荐理由:提出一种利用冻结教师模型信号在压缩域识别新内容的解码策略,显著降低视频分析算力开销。

  8. arXiv · 机器人与计算机视觉18

    EfficientNet-B1 在固定分辨率 SD-OCT 视网膜疾病分类中实现最高准确率与干眼斑 F1 值

    EfficientNet-B0 至 B7 八种变体在 Kermany 数据集上评估,B1 以 96.95% 测试准确率和 0.8780 干眼斑 F1 值表现最优。研究揭示更大模型并未持续提升分类性能,且准确率与参数量比显著下降。该结果基于灰度转 RGB 及预训练微调协议,结论受限于特定数据划分。

  9. arXiv · 机器人与计算机视觉72

    DreamRealm:探索与具象化幻觉世界以构建可信的视觉语言模型

    针对多模态大语言模型在依赖细微视觉细节时易产生幻觉的问题,该研究提出 DreamRealm 后训练框架。该方法通过 RealmForgePipe 挖掘目标模型的观测及潜在幻觉,利用图像编辑将其具象化为有效样本,构建了 Realized Hallucination Dataset (RealmSet)。

  10. arXiv · 机器人与计算机视觉70

    基于熵图的视觉重对齐解码:捕捉多模态推理的节奏

    针对多模态大语言模型长链推理中的幻觉问题,作者从推理生成动力学角度提出熵感知自我反思框架。该方法持续追踪解码过程中的熵动态,识别高置信度过早收敛或局部熵突变等幻觉特征,并在检测到可疑状态时执行视觉重对齐以重新审视关键视觉证据。实验在六个基准的九个评估设置中验证了其在推理准确性和抗幻觉鲁棒性上的提升。代码已开源。

  11. arXiv · 机器人与计算机视觉5

    深度学习人脸识别流水线防御后门攻击的实用技巧

    针对训练数据可能来自受损第三方的威胁模型,报告提出三种实用的后门攻击防御“技巧”。其中一种在训练时检测中毒身份,另外两种在推理前过滤可疑输入。所有方法均包含动机、算法及计算影响评估,并在真实人脸识别工作负载上验证了有效性。

  12. arXiv · 机器人与计算机视觉78

    NanoKV:面向自回归视频生成的高比率 KV 缓存压缩方法

    针对自回归视频模型在长序列生成中的显存与计算瓶颈,论文提出 NanoKV 框架,通过冻结骨干网并利用 Token 与注意力头的冗余性实现高比率 KV 缓存压缩。

    推荐理由:NanoKV 提出冻结骨干网的高比率 KV 缓存压缩框架,在视频生成任务中显著降低显存占用并提升推理速度。

  13. arXiv · 机器人与计算机视觉78

    FlashRelight:一种面向动态光照的人像视频重绘方法

    FlashRelight 是一种用于人像视频动态重光照的新颖两阶段框架,旨在修改视频照明同时保持照片级真实感和时间稳定性。该方法首先通过 delighting 抑制源光照,然后在去光照化的人像视频上合成目标动态光照。

    推荐理由:FlashRelight 提出两阶段框架解决动态光照人像视频重绘,支持环境贴图、文本语义及参考视频三种控制模态。

  14. arXiv · 机器人与计算机视觉83

    Prism:面向统一多模态模型的双向自我教学方法

    该论文提出了 Prism 方法,旨在通过双向自我教学改进统一多模态模型(UMMs)的理解与生成功能。该方法将耦合的交错轨迹解耦为文本链和图像链,并根据其可靠性构建训练目标。在 SenseNova-U1 和 BAGEL 上的实验显示,GenEval、DPG、MME 及 MMVP 等指标均有提升。研究强调无需外部验证器或标注修正轨迹即可实现能力协同增强。

    推荐理由:提出基于自生成轨迹双向监督的 UMMs 后训练方法,无需外部验证器即可提升理解与生成能力。

  15. arXiv · 机器人与计算机视觉68

    超越场景捷径:面向细粒度动作理解的行动中心视频文本对齐方法

    该研究针对微调模型易产生环境诱导动作幻觉的问题,提出了 STARR 框架以打破场景与动作的关联捷径,并通过注意力一致性奖励强化动作聚焦。作者构建了 FineActionR&R 数据集,结合时间局部化描述与层级因果推理数据,在 Qwen2.5-VL-7B 基础上实现了 FineActionVLM-R1 模型。

  16. arXiv · 机器人与计算机视觉58

    Occlusion-Aware Gaussian Densification:面向驾驶场景重建的遮挡感知高斯稠密化框架

    论文提出了 OccSplat 框架,针对现有前馈 3D Gaussian Splatting 方法因单视角观测导致遮挡区域重建不完整的问题,引入遮挡感知高斯稠密化技术。该方法通过高斯遮挡映射识别缺失几何区域,并生成新的高斯基元直接补全场景三维表示,无需逐场景优化即可提升新视角合成能力。实验在 nuScenes 基准上进行,结果显示其在遮挡区域的重建精度和视觉连贯性上优于对比方法。

  17. arXiv · 机器人与计算机视觉78

    NEXTGAN:面向图像与视频生成的简单可扩展 GAN 训练方法

    NEXTGAN 提出一种新的 GAN 训练框架,通过回归冻结表示空间插值点处参考特征与生成特征之间的位移来训练标量判别器。该方法在固定生成器的情况下等价于带有梯度能量惩罚的对抗目标,同时保留生成器的标准基于势函数的更新机制。

    推荐理由:NEXTGAN 通过回归输入梯度到特征位移的方法训练标量判别器,无需辅助损失或在线教师分数即可适配预训练生成器。

  18. arXiv · 机器人与计算机视觉45

    CAPE-JEPA:一种概率跨模态联合嵌入预测架构,在遥感图像检索任务中超越基线模型

    CAPE-JEPA 提出了一种概率跨模态联合嵌入预测架构,通过高斯预测器建模不确定性并引入对抗分布正则化。该模型在 BigEarthNet-14K 和 fMoW 数据集上分别比 X-JEPA 提升 13.74 分和 15.59 分,参数量更少(407.30M vs. 432.72M)。论文已接受发表于 BMVC 2026。

  19. arXiv · 机器人与计算机视觉17

    持久同调特征用于 X 射线高光谱图像分割研究

    针对传统分类框架难以处理高维冗余与非线性谱重叠的挑战,该研究提出融合 Vietoris-Rips 持久同调拓扑特征与卷积及图神经网络的混合架构。方法在 UMAP 投影超像素点云上计算 H1 循环结构以编码光谱异质性,并通过广播机制将图表示传播至全空间分辨率。实验表明,该模型在 XRT 多能成像上显著优于纯 CNN 和超像素池化融合基线,证实拓扑特征提供了互补判别信息。

  20. arXiv · 机器人与计算机视觉5

    FedXCrop:非独立同分布农场数据下的联邦作物病害检测与可解释性研究

    FedXCrop 提出了一种支持聚合后解释性的联邦学习管道,在 PlantVillage 数据集上实现 98.59%-99.38% 的准确率。实验显示标签偏斜使准确率降低 0.6-1.6 个百分点,且 SmoothGrad 归因图主要依赖图像结构而非学习参数。代码与结果已公开,涵盖 38 类病害分类及非 IID 分布下的可解释性定量分析。

  21. arXiv · 机器人与计算机视觉38

    BiCG-Net:通过观测建模与图像内差分实现目标特定图像质量评估

    BiCG-Net 是一种针对小占比目标区域(如列车车身)的离线质量审计引擎,利用嵌套采样抵消教师偏差。其 39,482 参数的学生在 CSIQ 和 LIVEC 数据集上 PLCC 分别达 0.9009 与 0.9133,超越最佳单教师及共识;在自建铁路数据集上 PLCC 为 0.9855。该模型支持跨基准零样本迁移,冻结状态下 CSIQ 至 LIVEC 迁移 PLCC 仍达 0.8416。

  22. arXiv · 机器人与计算机视觉64

    Annotator-Free Object Detection via Foundation Model Collaboration

    该论文提出一种无需目标数据集标注的目标检测框架,通过结合预训练基础模型的分割与视觉语言系统能力,并引入基于地标的聚类机制以降低计算成本。方法能自主生成分割提案、利用多模态推理分配语义标签,并在无人类标注的情况下适应未见过的物体类别和领域。在 COCO 等基准的零样本设置下,该方法实现了 60.8 AP 的检测性能。

  23. arXiv · 机器人与计算机视觉72

    Grounding in the Dark:仅用文本训练实现零样本视频时序定位

    针对视频大模型依赖昂贵配对数据的问题,本文提出仅利用文本描述训练 LLM 以在推理时接收视频输入进行时序定位的方案。研究基于 Qwen3-8B 与 LoRA,在 Charades-STA 和 QV-Highlights 基准上验证了直接替换帧嵌入的模态差距,并提出了无需训练的 Nearest Entity Replacement (NER) 方法将 mtIoU 提升至 14.45 和 20.72。

  24. arXiv · 机器人与计算机视觉73

    RDT-3D:一种用于高保真三维几何生成的分辨率解耦训练方法

    论文揭示现有粗到细框架在推理阶段存在坐标引导与几何监督的分辨率不匹配问题,导致细节退化。为此提出 RDT 方法,将 RoPE 引导锚定在 512 分辨率并在 1536 分辨率下监督几何,以增强细节外推能力。同时开源 Dual3D-300K 大规模配对数据集,包含 30 万个跨分辨率对齐的封闭三维点云,为高解析度三维生成提供基准。实验表明该方法显著提升了锐利几何区域的生成质量。

  25. arXiv · 机器人与计算机视觉35

    SPIRN:首个联合解决模态缺失与标签噪声的跨模态检索框架

    SPIRN 提出首个结合语义先验引导的跨模态检索框架,通过 SPG、QRL、PGLC 及 CSI 四个模块协同处理模态缺失与标签噪声。在四个基准数据集上,该方法在含缺失模态和噪声标签场景下超越 11 种最先进方法。该工作为 cs.CV 领域预印本,代码与数据许可状态待官方进一步开放。

  26. arXiv · 机器人与计算机视觉38

    XuanJian-DINOSAR:基于全局与局部语义一致性的 SAR 基础模型

    XuanJian-DINOSAR 是一种针对合成孔径雷达(SAR)图像的基础模型,通过自监督学习适配光学预训练的 DINOv2。该框架结合 DINO 全局蒸馏、iBOT 局部掩码建模及 KoLeo 正则化,引入专为 SAR 强度统计定制的局部语义一致性分支以增强抗斑点噪声能力。在多个下游分类与检测数据集上,该模型在多数评估指标中达到最先进水平,验证了表征的通用性与可迁移性。

  27. arXiv · 机器人与计算机视觉28

    自监督光谱预测:多像素单组分的物理样本元素分析新方法

    该方法将高光谱成像的元素成分预测转化为回归任务,通过冻结自监督训练的像素级编码器并搭配轻量级注意力回归头实现。测试显示其显著优于传统光谱匹配、解混及基于平均光谱的监督模型基线,而全量微调虽性能最强但需更高算力成本。研究采用开放数据集进行无标签预训练与有标签微调验证。

  28. arXiv · 机器人与计算机视觉83

    SleuthVLM:我们真的需要视频中的音频吗?

    论文提出 SleuthVLM,这是一个基于视觉语言模型的智能体系统,无需直接处理音频即可回答视频相关问题。系统将语音转录为文本后,由 VLM 自主分析长达 90 分钟的视频内容。

    推荐理由:该研究提出无需直接处理音频的 SleuthVLM,在多项基准测试中超越主流闭源模型,证明智能体能力比多模态对齐更关键。

  29. arXiv · 机器人与计算机视觉32

    RouTex:通过重编程旋转位置编码实现多参考三维纹理生成

    RouTex 是一种基于上下文扩散 Transformer(DiT)的多参考三维纹理生成框架,利用位置路由(PR)和双粒度注意力机制解决未观测区域表面歧义。实验表明该方法在无需引入额外参数的情况下实现了新的最先进性能。该研究论文已提交至 arXiv,属于计算机视觉领域的预印本。

  30. arXiv · 机器人与计算机视觉78

    RI-Prune:面向多图像视觉语言模型的感知与信息 aware 视觉 Token 剪枝

    针对大视觉语言模型处理多张输入图像时视觉 Token 预算激增的问题,现有基于注意力的剪枝方法在多图基准上表现不佳且存在位置偏差。本文提出 RI-Prune,这是一种无需训练、不依赖注意力机制的预解码器选择器。

    推荐理由:针对多图像场景下注意力机制失效问题,提出无需训练的 RI-Prune 方法,通过查询相关性与跨图对应关系实现更优的视觉 Token 剪枝。

  31. arXiv · 机器人与计算机视觉58

    UniRestorer++:基于多粒度退化建模的可扩展通用图像复原方法

    该论文提出了 UniRestorer++ 框架,旨在通过多粒度退化建模解决单一模型处理多样化退化的可扩展性问题。该方法结合容量增长与专业化,利用基于退化估计的路由选择根到叶路径,并通过粒度估计平衡专业化与鲁棒性;空间密集退化表示进一步支持区域感知路由。