跳到正文
10月16日周五
  1. arXiv · 机器人与计算机视觉78

    RoboCloth:一种用于神经反射率重建的大规模真实布料材料数据集

    论文介绍了 RoboCloth 数据集,包含 500 种在机器人控制的柔性相机和光照配置下采集的真实布料材料。每个材料拍摄约 580 帧高动态范围图像,覆盖宽视角与光半球,并通过运动恢复结构优化相机位姿以对齐机器人坐标系,提供稀疏表面几何和结构化反射率观测。

    推荐理由:该数据集包含由机器人控制的柔性相机与光照采集的 500 种真实布料,支持神经反射率重建训练。

  2. arXiv · 机器人与计算机视觉59

    Mind the Tail:通过稀疏概念进行数据选择

    该工作提出 Mind the Tail 方法,利用稀疏自动编码器(SAEs)从图像中提取概念激活,并通过累加数据集层面的概念支持度来分配训练资源。该方法对分布良好的概念应用递减回报以减轻过拟合风险,同时结合局部支持度寻找能可靠增强尾部概念的样本。实验表明,该方法在细粒度、虚假相关及通用图像分类以及多模态预训练中均优于强基线数据选择方法,并提升了模型对分布外和虚假上下文的鲁棒性。

  3. arXiv · 机器人与计算机视觉78

    Pixels to Tokens:面向低预算语义分割的 Token 空间高效主动学习

    论文提出了 TEAL(Token-space Efficient Active Learning),这是首个基于 ViT 表示构建的像素级主动学习框架。该方法冻结 ViT 主干网络,直接在原生 token 晶格上进行基于多样性的选择,避免插值带来的伪影,并通过解码器网格上的边缘不确定性进行细化。

    推荐理由:TEAL 框架在极低标注预算下实现语义分割,将 ViT token 空间选择与解码器网格不确定性结合,显著优于现有基线。

  4. arXiv · 机器人与计算机视觉72

    Blame Errant Words, Not the Canvas:面向视觉文本生成的缺陷感知空间信用分配

    针对强化学习在视觉文本生成中存在的字形错误和字形畸形问题,本文提出 TextDART 模型以区域级方式独立评估语义正确性与字形质量,进而通过 SCANNER 将局部判断转化为空间分化的策略反馈。实验表明该方法在现有基准及新建立的 PolyText-Bench 上实现了最先进的文本准确性与字形保真度。

  5. arXiv · 机器人与计算机视觉65

    ReasonUni:一种增强推理能力的统一多模态模型重建框架

    该论文提出了 ReasonUni 框架,旨在解决现有基于重建的统一多模态模型过于侧重感知、缺乏对结构与意图推理的问题。方法上,让模型在给定编辑指令时先进行关于“做什么”和“怎么做”的推理并描述目标状态,再生成对应图像;同时引入 TreeGRPO 强化学习方法联合优化推理与生成模块。实验表明该方法在多基准测试中均实现了理解与生成的同步提升。

  6. arXiv · 机器人与计算机视觉53

    先净化再对齐:改进扩散模型的表示对齐方法

    针对标准表示对齐未区分有用信息的局限,本文引入局部外观净化(LAP)方法,通过移除可预测内容并对齐残差来改善生成质量。该方法仅修改对齐目标,无需改动扩散训练或推理流程。实验显示 LAP 在五种预训练表示上均提升效果,其中对 MAE 增益最大:在 ImageNet-256 上将 FID 从 53.1 降至 42.3。提出的常数读出测试可预测净化收益,相关代码与检查点已开源。

  7. Hugging Face Daily Papers65

    面向统一视觉语言模型的解耦式在线策略专家蒸馏方法

    针对强化学习在多目标优化中易产生梯度冲突及奖励黑客问题,本文提出技能解耦的在线策略专家蒸馏(SCOPED)方法。该方法独立训练能力专用专家并通过奖励引导提取显性技能,指导学生模型内部化程序知识而不依赖显式技能推理。实验显示 SCOPED 在八项多模态基准上均优于骨干网络及混合能力强化学习,且能提升对任务相关视觉证据的关注度并保留专业专长。所有代码与数据已公开。

  8. Hugging Face Daily Papers75

    JevAgentHarness:构建共享 LLM 控制的决策模型基准与部署方案

    针对大型语言模型代理在每一步调用大模型导致任务缓慢且昂贵的痛点,本文提出 JevAgentHarness 框架以将决策权委托给轻量级决策模型。研究构建了 AgentDecisionBench 评测基准,发现直接委托工具选择会降低成功率;为此设计了适配置信度阈值机制的 JevAgentHarness,并在包含错误状态的轨迹上训练了开源模型 AgentDecision-4B。

  9. Hugging Face Daily Papers38

    Lluna:协作单模态模型用于缺失模态推理

    Lluna 通过结合私有预测路径与基于图的协作分支,在八项涵盖情感计算、场景理解及医疗预测的任务中,平均将缺失输入状态下的 Mean-Missing 指标较最强基线提升 4.26%。该研究利用固定锚点诊断证实了在最小输入下所有任务均获得正向增益,并揭示了模态聚合后特定信息恢复减少的现象。代码已公开于 Hugging Face 仓库。

  10. arXiv · 机器人与计算机视觉72

    如何构建真正衡量审美的基准:TasteBench 发布

    论文介绍 TasteBench,这是一个针对视觉、品牌、书籍和科技产品的成对优劣基准,采用专家金标准并分离工艺判断与应试行为。Round-1 试点发现位置偏差(偏好项在 A 位概率 0.956)和文件名泄露等伪影,作者发布评估工具修正了位置偏倚,但指出工艺领域存在难度上限问题需后续解决。

  11. arXiv · 机器人与计算机视觉28

    MiniDog:基于预训练到微调的犬种文本生成图像流匹配框架

    MiniDog 是一个可在四张 RTX 3090 GPU 上于 70 分钟内完成扩散模型预训练与微调的框架,利用 ImageNet 2.6 万张狗图及 FLUX.1-schnell 生成的 2000 张图像进行训练。该项目开源了代码与仓库,支持 FID、HPSv2 等评估指标,已获 NeurIPS 2026 教育轨道接收。

  12. arXiv · 机器人与计算机视觉35

    基于深度条件适应的参考高效多模态受损视频流恢复方法研究

    该方法利用预传输的深度几何信息辅助重建,在 YouTube-VOS 和 DAVIS 基准上分别达到 32.30 dB 和 28.93 dB PSNR。相比全参考 B2SCVR 基线,性能提升 0.27-0.33 dB,同时将接收端延迟降低 36.8%、峰值显存占用减少 40.8%。研究证明了紧凑几何引导与自适应外观处理能优化多媒体恢复的质量 - 资源权衡。

  13. arXiv · 机器人与计算机视觉75

    Video-HopChain:多跳问题与置信度门控探索用于视频推理模型

    该研究针对视频理解中多步推理误差累积的问题,构建了包含 22,550 个多跳问题的 Video-HopChain 数据集及 1,000 个测试基准。通过引入置信度门控探索(CGE)策略,在基于 GRPO 的训练框架下将多个视频理解与推理基准的平均得分从 55.4 提升至 59.3。作者开源了数据集、检查点以及数据生成和训练代码。

  14. arXiv · 机器人与计算机视觉70

    CA-OPD:一种面向结构化视觉预测的置信度感知在线策略蒸馏方法

    针对自回归视觉语言模型在训练与推理不匹配下易产生累积误差的问题,本文提出 CA-OPD 框架,利用教师模型的置信度选择性地修正学生模型不可靠的转换。该方法通过严格的到宽松的调度逐步将 rollout 控制权转移给学生,并将知识传递与干预决策对齐:被修正的位置接收教师的交叉熵监督,保留的位置则受益于教师的全部分布预测。

  15. arXiv · 机器人与计算机视觉72

    SCVIB:可编辑状态条件视觉实例绑定用于多轮个性化定位

    arXiv 发布 SCVIB 基准,包含 1050 对支持 - 查询对和 1500 个多轮片段,研究状态依赖的源相关性。直接推理 Qwen3-VL-8B 在目标识别上准确率达 99.53%,但联合定位仅 62.00%;提出的 TT-VG 框架通过显式状态路径和视觉证据适配,将联合指标提升至 69.80%,显著改善了证据利用与查询侧定位的瓶颈。

  16. arXiv · 机器人与计算机视觉68

    AVA-Encoder:面向智能体的视频表征学习

    针对现有智能体视频生成系统难以统筹故事、角色与视听元素的问题,论文提出 Agentic Video Auto-Encoder(AVA-Encoder)。该方法将成品电影逆向编码为包含结构化文本节点、类型化依赖边及多模态资产链接的电影知识图谱(Film KG),并利用固定解码器从图谱再生成影片。

  17. arXiv · 机器人与计算机视觉65

    OmniSelect:面向高效全模态大语言模型的动态模态感知 Token 压缩方法

    OmniSelect 是一种无需额外训练、支持动态选择的模态自适应 Token 剪枝框架,旨在解决全模态大语言模型处理长序列时的计算开销问题。该方法利用轻量级 AudioCLIP 评估跨模态相关性,将输入分为以音频为中心、以视频为中心和均匀剪枝三种策略,并在时间组内细粒度分配压缩比例以保留关键信息。

  18. arXiv · 机器人与计算机视觉35

    ToMA:拓扑感知表示对齐框架提升半监督视觉语言学习性能

    ToMA 框架利用持久同伦将成对关系分解为$H_0$死亡与$H_1$生成,在不构建 2-单纯形的情况下实现跨模态全局结构对齐。实验显示该方法在遥感领域表现显著提升,时尚任务中分类准确率提高且困难查询的检索效果增强。分析表明 ToMA 相比其他拓扑目标提供更一致的增益,轻量级$H_1$边提供了有效的高阶结构信号。

  19. arXiv · 机器人与计算机视觉63

    Extending Reconstruction: Reconstruction-to-Vector Diffusion for Hyperspectral Anomaly Detection

    该论文针对现有超光谱异常检测模型受困于标量重建范式的局限,提出了 Reconstruction-to-Vector Diffusion (R2VD) 框架。该方法通过四阶段流程(物理先验提取、引导流形纯化、残差评分建模和向量动力学推断),利用扩散 Transformer 和高维向量干扰模式评估来分离目标与背景,有效解决了亚像素异常消失和确认偏差问题。

  20. arXiv · 机器人与计算机视觉73

    能否用“笔触大小”简化回归学习?MultiStroke算子简化扩散生成算法

    针对深度图像生成在高噪声时间步面临的优化挑战,本文提出MultiStroke算子,受人类绘画中粗到细笔触启发,对扩散过程进行线性插值以简化预测目标。实验显示,该算子在从头训练的DDPM和流匹配模型上,FID分数最高降低70.2%。

  21. arXiv · 机器人与计算机视觉5

    弱监督组织图像定位的自适应方法:选择性预测遗忘

    针对跨域偏移导致模型过度偏向主导类别的问题,该方法引入“遗忘集”与“保留集”,在不需真类分布下通过互补优化目标调整分类边界。实验在计算病理学场景验证了其在提升伪标签估计及像素级定位上的有效性,解决了源无关域自适应中的偏差难题。

  22. arXiv · 机器人与计算机视觉65

    全球跨模态地理定位:百万规模数据集与物理一致性学习框架

    论文介绍 CORE 数据集和 PLANET 框架以解决全球跨模态地理定位难题。CORE 包含来自六大洲 225 个区域的 103.4 万张跨视角图像,利用大视觉语言模型合成场景描述;PLANET 提出对比学习范式引导文本表征捕捉卫星影像的物理特征。实验显示 PLANET 在多种区域显著优于现有方法,数据集与代码将公开。

  23. arXiv · 机器人与计算机视觉72

    ELVIS:面向暗光场景的视频实例分割增强框架

    针对低光内容中噪声、模糊等退化问题及现有方法鲁棒性不足的挑战,本文提出 ELVIS 框架,实现先进视频实例分割模型向低光场景的域自适应。该框架包含无监督合成低光视频管道(模拟空间与时间退化)、无需校准的退化特征估计网络 VDP-Net 以及将退化与内容特征解耦的增强解码器头。

  24. arXiv · 机器人与计算机视觉78

    面向开放-ended 视觉科学发现的稀疏自编码器方法

    Jacob Beattie 等人提出一种基于稀疏自编码器的方法论,旨在从视觉基础模型中挖掘候选特征以支持开放式的科学发现,无需针对特定概念的监督。

    推荐理由:该论文提出利用稀疏自编码器对视觉基础模型进行无监督特征挖掘,在三个数据集上验证了发现已知概念及潜在诊断特征的能力。

  25. arXiv · 机器人与计算机视觉73

    Measuring Epistemic Humility in Multimodal Large Language Models

    论文提出 HumbleBench 基准,基于 Panoptic Scene Graph 数据集构建包含 NOTA 选项的多选题,评估多模态大模型在输入图像无支持时的拒绝行为。研究测试了 27 个模型,发现即使最强模型也仅能正确选择 NOTA 约一半情况,且提示优化未提升检测能力,人类表现更可靠。代码与数据已公开。

  26. arXiv · 机器人与计算机视觉82

    Enabling Validation for Robust Few-Shot Recognition 论文发布

    针对少样本识别中因缺乏验证数据导致模型过拟合的问题,本文提出一种多目标优化验证策略,在提升 ID 任务性能的同时保持对检索 OOD 数据的泛化能力。作者将验证问题形式化为 Pareto 前沿上的操作点选择,并集成到分阶段微调流程 VEST 中。实验表明该方法在五个基准测试的 ID 和 OOD 数据上均优于现有方法。

    推荐理由:提出将检索数据作为验证集的多目标优化策略,解决少样本微调中的过拟合与泛化难题。

  27. arXiv · 机器人与计算机视觉53

    A LoRA is Worth a Thousand Pictures:一种无需生成图像的 LoRA 风格分析方法

    针对基于图像特征(如 CLIP)分析 LoRA 模型风格需额外计算且依赖提示词的问题,本文提出直接在 LoRA 权重空间分析风格的方法。该方法在 SD1.5 和 SDXL 基座上进行了广泛评估,证实了仅凭权重即可有效表征适应后的风格,且在未见过的 LoRA 聚类与检索任务中优于图像生成方法。

  28. arXiv · 机器人与计算机视觉72

    基于贝叶斯模型强化学习的机器人操作主动探索方法

    针对机器人操作中数据采集成本高及复杂环境下的多任务挑战,该研究提出一种结合贝叶斯深度学习的方法,旨在提升模型校准质量并提高数据效率。通过在初步探索阶段对动态模型进行主动学习,利用每次状态转移的信息增益作为探索奖励。实验在 CoppeliaSim 完整机械臂仿真器上进行,结果显示该方法在机器人执行要求远低于现有替代方案的情况下,达到了相当的任务完成质量。代码已公开。

  29. arXiv · 机器人与计算机视觉82

    PrismaCoder:通过分解式评分标准合成推动开放多模态代码智能边界

    论文针对多模态代码智能领域数据质量与生成管线受限的问题,提出 PrismaForge 分层数据管道,利用分解式评分标准同时作为过滤与奖励机制来构建高质量数据集。基于此构建了 PrismaCoder-2M 最大规模开放数据集,并训练发布 PrismaCoder-9B 和 PrismaCoder-35B 模型,在开源领域大幅领先现有水平且媲美主流闭源系统。代码与数据已公开。

    推荐理由:提出基于分解式评分标准的数据合成管道,构建最大规模开放数据集并训练出领先开源界的代码智能模型。

  30. arXiv · 机器人与计算机视觉58

    面向可扩展潜在 Tokenization 的生成式表示学习方法

    论文介绍了一种用于生成建模的自监督表示学习方法,通过分解数据点互信息来监督表示损失。该方法理论上和实证上都避免了维度坍缩和特征抑制问题,且计算效率随算力增加而可预测地提升。在 ImageNet 数据集上,其 Tokenizer 编码器比 DINOv2 少用 7 倍 FLOPs;在 GPIC 文本到图像数据集上,比 WebSSL 少用 8 倍 FLOPs。

  31. arXiv · 机器人与计算机视觉58

    ActiveEvidence:具备可验证获取差距的决策导向证据图

    该论文提出 ActiveEvidence 框架,利用反事实证据交互图和决策加权包络目标,在严格免费元数据与付费观测边界下优化多模体智能体的证据获取策略。实验显示控制器在冻结轨迹上达到任务分 0.842、证据召回率 0.873,且通过证书验证将昂贵交互项评估从 191.4 降至 19.6,同时保持高动作一致性。