跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉45

    AAMBERS-UAV:面向无人机杂草水稻分割的感知 aware 多模态骨干网评估与排名

    针对无人机图像集空间时间关联被常规分割基准割裂导致评估偏差的问题,研究基于 WeedyRice-RGBMS-DB 数据集,在固定 124 张目标采集测试集下对比了“目标保留”与“目标暴露”两种协议。实验显示 RGB+MS 模态在目标暴露后 IoU 达 0.7822±0.0269,优于完整保留时的 0.7317±0.0201,且早期融合对光谱位移更敏感。代码与支撑材料将在论文被接收后公开。

  2. arXiv · 机器人与计算机视觉16

    Dual-Part MLBNet 用于心血管导管造影术中的多类别分割

    Dual-Part MLBNet 架构通过多侧编码器块与多头解码器分支,实现了心血管导管造影术中导丝、导管、血管及背景的高概率分离。模型在体模、合成人造主动脉及动物模型的造影数据上训练评估,有效区分主导背景类与前景结构并具备高整体准确率。该研究针对现有二元分割局限,满足了同时分割导管场景多种结构的快速、准确且可解释性需求。

  3. arXiv · 机器人与计算机视觉58

    WireSeg-32K:一个用于线缆实例分割的物理 grounded 合成数据集

    针对线缆等可变形细长物体分割难、标注贵的痛点,作者构建了包含 3.2 万张图像的 WireSeg-32K 合成数据集及配套的实世界测试集。该数据集通过耦合 Cosserat 杆动力学与 Isaac Sim 渲染的 DeformX 共仿真管线生成,确保线缆形状具备物理合理性与接触一致性。

  4. arXiv · 机器人与计算机视觉65

    VOIM:一种用于 RGB-D 和单目 SLAM 的免训练开放词汇 3D 实例映射系统

    该预印本提出 VOIM 系统,这是一种无需训练的开放词汇 3D 实例映射方法,能够从 RGB-D 或单目 RGB 视频构建物体及其位置的地图。系统在 ScanNet++ 数据集上取得了比最强基线高 10 个点的现成类别 mIoU,且在仅使用单目视频时表现优于配备深度和真实位姿的对比方法。研究还通过四足机器人的实地导航实验验证了所建地图在现实世界中的可用性。

  5. arXiv · 机器人与计算机视觉65

    PURGE:一种用于消除大视觉语言模型中虚假相关性的分区感知遗忘框架

    论文介绍 PURGE 框架,旨在解决大视觉语言模型过度依赖对象背景虚假相关性的问题。该方法通过构建结构化数据集区分证据与干扰线索,并利用分区感知遗忘技术选择性移除虚假关联同时保留推理能力。作者在 LLaVA-1.6、Qwen3-VL/3.5 及 CLIP 等多个模型上进行了评估,结果显示该框架能显著降低幻觉和错误率,且保持整体性能稳定或提升。

  6. arXiv · 机器人与计算机视觉85

    LAION-BVD:一个包含 1350 万小时的开源多模态视频数据集

    论文发布了 LAION-BVD(LAION - Big Video Dataset),这是一个从 CommonCrawl 收集并下载了 8000 万个视频、总时长达 1350 万小时的大规模开放视频数据集。

    推荐理由:该数据集提供 1350 万小时视频及合成音视频字幕,为多模态预训练提供了大规模开放资源。

  7. arXiv · 机器人与计算机视觉27

    复杂软体机器人制造:挑战、解决方案与优化

    针对几何保真度、顺应性、结构完整性及气密性的多重挑战,研究评估了热缩成型、硅胶铸造、粉末/液体增材制造及熔融沉积建模(FDM)等工艺路线。结果显示 FDM 因缺陷可通过工艺优化逐步降低而成为最灵活方案,且气密性不仅取决于壁厚还受挤出路径架构影响。该成果确立了基于执行器架构与制造约束兼容性的实用设计制造方法,为开发复杂柔性软体气动致动器提供指导。

  8. arXiv · 机器人与计算机视觉42

    基于图像表示的空中交通复杂度评估可行性研究

    针对雷达图像稀疏且自相似的特性,研究提出一种补充航向、速度等五通道状态变量的位置图像编码方案。训练后的视觉 Transformer(ViT)在测试集上对四项内在复杂度分量的回归系数 $R^2$ 均大于 0.96。移除单架飞机的扰动实验证实模型估计变化与飞机贡献度成正比,验证了该非典型视觉输入格式用于空中交通建模的可行性。

  9. arXiv · 机器人与计算机视觉63

    超越均匀复原:基于像素级多模态引导的全合一图像复原框架 MGN-AIR

    arXiv 论文介绍了一种名为 MGN-AIR 的像素级图像复原框架,旨在解决传统统一策略无法应对不同区域退化类型和程度差异的问题。该方法通过学习估计像素级视觉提示词,结合文本与视觉提示提供全局与局部退化线索,引导模型在每一像素处确定观察重点及复原方式。实验涵盖去噪、去雨、去模糊、除雾、除雪和低光增强等多种任务,结果显示该方法在多基准测试中均显著优于现有方法。

  10. arXiv · 机器人与计算机视觉70

    RefineAny3D:一种基于语义对齐的单目 3D 目标检测深度细化方法

    论文 RefineAny3D 提出将单目 3D 目标检测中的深度误差修正转化为视觉空间对齐问题,而非数值回归。该方法利用视觉语言模型(VLM)扩展词汇表以使用动作 token 进行类别决策,并通过大规模思维链数据集监督模型基于显式视觉证据做出判断。

  11. arXiv · 机器人与计算机视觉72

    当潜变量遗忘像素:扩散 Transformer 超分辨率中的保真度恢复方法

    针对基于潜在表示的扩散 Transformer 超分辨率因压缩瓶颈导致细节与输入图像关联弱的问题,本文提出像素接地超分辨率(PGSR)框架。该方法在 VAE 压缩前提取并保留低清图像的像素证据,并通过条件侧轨迹引导和解码器侧像素接地两个阶段复用该信息以约束生成过程。实验表明,PGSR 在保持大模型冻结的前提下,有效改善了真实感与保真度的权衡,生成了更忠实于输入的视觉结果。

  12. arXiv · 机器人与计算机视觉58

    Latent World Models with Monotone Planning Costs for Image-Goal Navigation

    该论文针对图像目标导航任务中潜在世界模型的规划成本排序问题,提出了一种基于冻结 DINO 家族编码器的新模型架构。研究定义了预测未来嵌入与目标嵌入之间的余弦距离作为规划成本,并引入自回归展开损失和单调成本排序(MCR)损失来优化多步规划性能。

  13. arXiv · 机器人与计算机视觉75

    无需持续人工干预:一种用于机器人策略改进的智能体循环架构

    该研究提出 AgenticRobotics 架构,利用大语言模型控制器驱动一次性工作流来管理机器人策略的训练与改进过程。系统核心在于将机器人策略和硬件视为需质量度量、记录及版本失效管理的工具,以应对训练管道和数据收集的频繁失败。实验显示,在单一线程上,该机制实现了极低的人工误晋升率(0.001),具备任意时刻停止下的有效决策能力,并能通过签名验证器检测所有类型的工件篡改行为。

  14. arXiv · 机器人与计算机视觉20

    PFM-1 地雷检测中的人机协同签名引导研究获 IEEE WHISPERS 2026 口头报告录用

    该研究对比了地面测量、全信息场景核心像素及模拟人机协同三种光谱角映射(SAM)等算法在无人机可见光与近红外高光谱成像下的 PFM-1 地雷检测效果。结果显示自适应相干估计器(ACE)仅需两轮确认和九次候选检查即可验证所有区域,而 SAM 变体需数千次审查;完整审查引导策略在七个目标区验证后达到全信息场景水平。代码已开源,论文获 IEEE WHISPERS 2026 口头报告录用资格。

  15. arXiv · 机器人与计算机视觉78

    FogDrive:一种用于分级雾况下感知任务的多模态合成驾驶数据集

    论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。

    推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。

  16. arXiv · 机器人与计算机视觉75

    Searching Videos as Trees: Self-Correcting Agents for Grounded Long Video QA

    该论文提出了 VideoTreeSearch (VTS) 框架,旨在解决长视频 grounded 问答中现有代理方法缺乏细粒度回溯能力导致过早收敛的问题。VTS 将任务建模为在自适应时间树上的迭代自修正搜索,构建了包含语义连贯片段的非均匀树结构,并训练智能体通过 zoom_in、zoom_out、shift 和 answer 四种离散操作进行导航。

  17. arXiv · 机器人与计算机视觉65

    FLARE与ChromaGuard:针对VLA模型光照脆弱性与色彩感知退化的防御框架

    论文指出VLA模型常因数据增强而将颜色视为噪声,导致在真实世界颜色依赖任务中成功率大幅下降(最高仅48.8%)。作者提出FLARE框架利用光照扰动暴露此类脆弱性,并设计ChromaGuard方法保留色度进行对抗训练。实验显示,基于SmolVLA的物理6-DoF平台在使用ChromaGuard后,良性与受攻击任务的平均成功率分别达到95.0%和88.8%,显著优于未防御基线。

  18. arXiv · 机器人与计算机视觉52

    基于离线 fNIRS 引导的机器人行为强化学习方法

    本文探索了利用功能性近红外光谱(fNIRS)脑信号在仿真环境中调节机器人学习的可行性。研究对比了被动观察与主动演示任务,重点考察将神经信号用于增强轨迹优先级和状态 - 动作 Q 值目标的效果,而非替换现有参数。实验结果表明,该框架能有效提升学习性能,且支持利用离线数据进行训练,为实时脑机接口设置不切实际或数据有限的场景提供了实用替代方案。

  19. arXiv · 机器人与计算机视觉66

    FOLIO:面向流式视频理解的聚焦语义记忆系统

    针对在线流式视频理解中内存无限增长与冗余细节过多的挑战,本文介绍 FOLIO 免训练聚焦语义记忆系统。该系统在流式数据到达时按片段更新记忆,利用动态焦点状态结合短期视觉缓冲与围绕观测实体组织的长期语义记忆,并通过视觉证据缓存压缩周边上下文;查询时采用轻量混合检索结合结构化直接匹配与语义查询扩展。

  20. arXiv · 机器人与计算机视觉68

    Read It Back:预训练多模态大模型是文本生成图像的零样本奖励模型

    论文提出 SpectraReward 方法,利用预训练多模态大模型(MLLM)无需额外训练即可作为图像生成强化学习的奖励模型。该方法通过单次教师强制前向传播,测量从生成图像恢复原始提示词的平均对数似然值作为奖励信号,直接复用 MLLM 的图文对齐能力而无需偏好标签或奖励模型微调。

  21. arXiv · 机器人与计算机视觉40

    Shape-based Figure-Ground Organization in Vision Transformers 研究论文

    该研究证实,多种视觉 Transformer 的内部表征分离前景与背景主要依赖可泛化的形状线索而非纹理统计。线性探针在随机替换输入图像纹理时表现鲁棒,且对周围性、凸性等形状特征具有零样本泛化能力。实验发现更大模型中形状证据更强,物体识别任务训练的模型抗纹理变化较弱,相关信息最显著出现在中间层。代码与数据已公开。

  22. arXiv · 机器人与计算机视觉65

    RCT-AD:面向端到端自动驾驶的可靠性感知上下文与时序 BEV 推理框架

    针对视觉观测受遮挡、运动模糊及噪声影响导致低质特征传播的问题,提出 RCT-AD 框架。该框架引入可靠上下文感知模块估算帧级可靠性,利用可靠性引导的时间记忆机制选择性保留可信信息;当当前观测不可靠时,对齐并整合历史高可靠性特征以构建稳定的时序 BEV 表示。

  23. arXiv · 机器人与计算机视觉72

    Animation2Code:评估视频到代码生成中的时序视觉推理能力

    作者引入 Animation2Code 基准,包含 1,069 个网页动画视频及其对应的 HTML/CSS/JavaScript 实现,用于评估 VLM 在存在运动时的时序动态恢复能力。研究提出外观相似性与时序相似性两个指标以解耦视觉保真度与时序对齐问题。实验表明,即便经过微调与迭代优化,当前最先进 VLM 在重建时仍难以维持时序一致性。代码与数据已开源。

  24. arXiv · 机器人与计算机视觉65

    自适应视觉 KV Cache 复用用于高效多轮迭代多模态推理

    针对多轮视觉推理中重叠观察导致冗余编码的问题,作者提出了一个无需额外训练的自适应视觉 KV Cache 复用框架。该方法根据裁剪大小和缓存情况选择全量重编码或区域复用路径;在复用路径上,通过位置键重绑定修正注意力匹配,利用意图引导增强关键内容价值,并保留源状态以供后续检索。实验基于 Mini-o3 在五个基准设置中验证了方法在减少推理时间的同时保持了整体精度。

  25. arXiv · 机器人与计算机视觉65

    TryOnCrafter:首个基于 DiT 的相机可控视频虚拟试穿框架

    该论文提出 TryOnCrafter,这是首个针对相机可控视频虚拟试穿(CaM-VVT)任务的统一 DiT 框架。方法通过蒸馏高保真 2D 试穿先验到基于 3DGS 的穿衣 3D 头像,并结合 SMPL-X 序列与度量对齐的背景点云构建可渲染 4D 试穿代理。该代理作为几何锚点约束合成视频,确保在任意相机运动下保持纹理密度、物理形变一致性及结构同步,支持重定位、子弹时间等下游应用。

  26. arXiv · 机器人与计算机视觉68

    RedPhys:面向物理世界模型与智能体的可扩展红队测试平台

    RedPhys 是一个针对物理世界模型(PhyModels)和智能体(PhyAgents)的可扩展红队测试平台,旨在发现具有物理基础的函数故障。该平台集成了12种红队方法、3种模型无关防御机制以及13个涵盖七个物理领域的模型,在黑色盒威胁模型下进行评估。

  27. arXiv · 机器人与计算机视觉20

    ROS 2-MQTT-FIWARE 混合架构在温室多机器人协作中的验证

    针对地中海温室狭窄通道与金属干扰导致的通信瓶颈,该研究提出基于 ROS 2 边缘计算、MQTT 及 FIWARE 云平台的混合架构。系统在仿真环境及真实温室场景中验证了其在恶劣网络条件下维持持久连接与数据完整性的能力。该方法消除了信息孤岛,为低层机器人控制与高层 IoT 决策的协同提供了可扩展的去中心化解决方案。

  28. arXiv · 机器人与计算机视觉12

    RoverDevKit:面向月球微型漫游车概念设计的开源物理 grounded 权衡工具箱

    RoverDevKit 是专为月球微型漫游车概念设计打造的开源工具包,其评估器耦合了轮土模型与质量、太阳能及热生存等底层模型。该工具能在单核笔记本上于 1 分钟内完成 3000 次任务评估,用于绘制距离、质量与坡度能力的权衡曲线。在 mare 和 polar 等任务中,能量存储或坡面牵引力成为主要限制因素,且轮土模型复现了独立数据集的实测数据。

  29. arXiv · 机器人与计算机视觉42

    Geometric Entropy:轨迹多样性在模仿学习中的双面效应与度量方法

    研究提出几何熵(H_G)这一任务无关指标,量化去除目标位姿等外在变化后的内在轨迹多样性。实验发现成功率与 H_G 呈倒 U 型关系,适度多样性提升鲁棒性但过高会导致策略模糊;随着数据增加或任务掌握度提高,最优熵值向更低水平偏移。该度量可用于演示数据集的快速预训练审计及校准指南。

  30. arXiv · 机器人与计算机视觉72

    频率感知流匹配用于连续一致的机器人动作生成

    针对现有流匹配方法依赖离散动作块导致对异质控制频率敏感及动作时序不一致的问题,本文提出频率感知流匹配(FAFM)。该方法将离散序列转换至频域进行流匹配,并通过一阶导数正则化约束提升动作平滑度。实验在合成基准、避障、LapGym 及 LIBERO 等任务上验证了其在成功率、多模态表达能力、运动平滑性及收敛速度等方面的改进,并在真实 Franka 机器人部署中表现一致。代码已开源。