跳到正文
11月5日周四
  1. arXiv · 机器人与计算机视觉5

    ART 方法提升低纹理科学素描图像检索准确率

    ART 方法通过强化变换策略自适应构建视图库,将佛罗里达海牛素描的变形疤痕检索 Top-1 准确率从随机增强的 68.83% 提升至 71.40%,显著优于位置感知检索与冻结 CLIP。该研究针对缺乏纹理细节的科学应用难题,在 IEEE BigData 2026 提交预印本并公开代码。

  2. arXiv · 机器人与计算机视觉48

    PEEK:扩散采样的一步前瞻曝光偏差修正方法

    PEEK 是一种无需训练的确定性采样器插件,通过一步前瞻评估与插值机制弥合去噪网络训练与测试间的输入差异。该方法在 8 种像素空间及潜在空间的无条件、标签引导及文本引导扩散模型上均优于 NFE 匹配基线,FID 提升最高达 49.3%。项目已接受 Neurips 2026,校准仅需最多 2.2 分钟且计算成本极低。

  3. arXiv · 机器人与计算机视觉78

    Omni-Encoder:基于共享 SigLIP2 的多模态编码器研究

    论文介绍 Omni-Encoder,这是一种将图像、视频、音频和音视频输入统一处理于单个 SigLIP-2 Vision Transformer 中的通用多模态编码器。

    推荐理由:该工作提出 Omni-Encoder,通过共享参数与联合优化实现图像、视频、音频及音视频的统一编码,在 16 个基准测试中表现优异。

  4. arXiv · 机器人与计算机视觉38

    mmHand:利用单款商用毫米波雷达实现像素级手部定位

    mmHand 系统通过单一商用毫米波设备,在不依赖视觉且保护隐私的前提下实现了像素级手部定位。研究团队提出 mmImage 生成工具与新型二维图像表示法,并设计了跨模态空间特征增强模型以提取高精度空间信息。系统在 12 名受试者的三种场景下实验验证了其在雷达 U-V 像素坐标系中的有效性,四项指标均证明系统表现有效。

  5. arXiv · 机器人与计算机视觉20

    Deep Learning 视觉取证检测伪造孟加拉新闻照片卡

    针对孟加拉国像素级伪造的新闻照片卡,研究将检测重构为图像篡改识别任务。基于 969 张真实与 1,077 张伪造样本构建的数据集经增强后达 32,736 个样本,全连接 ANN 准确率仅约 52%。紧凑 CNN 模型在免泄漏交叉验证下达到 87.45% 准确率,而微调 YOLOv8n-cls 骨干网络将精度提升至 97.36%,有效解决了空间线索丢失问题。

  6. arXiv · 机器人与计算机视觉65

    VAR-Q:面向视觉自回归图像与视频生成的免调优 KV Cache 量化方法

    论文 VAR-Q 针对视觉自回归生成中 KV Cache 显存占用过大的问题,提出一种无需微调的量化框架。研究发现少量极大值通道承载主要功能负载且沿特征与块两个轴组织,据此设计分组策略利用生成循环中的块边界直接定位异常值,结合位打包内核实现低比特量化。

  7. Vision Systems Design1

    VSD 发布每周机器视觉猜词游戏 OptiLex

    Vision Systems Design 推出名为 OptiLex 的周度猜词挑战,要求玩家猜测与机器视觉、工程及系统集成相关的五字母单词。游戏规则参考 Wordle,提供六次尝试机会,并设有目标移动提示以辅助联想。完成谜题后可填写问卷查看在竞争者中的排名,过往所有谜题存档亦可供查阅。

11月4日周三
  1. arXiv · 机器人与计算机视觉72

    GSCV++:基于标准视频编解码器的轻量级 3D 高斯泼溅序列压缩方法

    论文提出 GSCV++ 流水线,通过能量自适应球谐系数降维、基于先验的插值映射及内容感知通用压缩配置,实现低复杂度与硬件兼容。实验显示其相比最先进方法在帧内和帧间预测率失真增益分别超过 20% 和 60%,且编码解码速度更快。材料为预印本,未涉及真实机器人部署或仿真结果。

  2. arXiv · 机器人与计算机视觉73

    Wonder 4:一种用于图像质量增强的混合专家配方

    针对真实照片同时存在模糊、噪点、压缩和划痕等缺陷且修正冲突的问题,作者提出了 Wonder 4,这是一种无需退化分类器或掩码的混合专家模型。该模型每个块包含 13 个专家,路由器将图像块分配给其中 5 个;通过引入最小使用份额偏差替代平均分配规则,避免在不需要的区域强行应用修正。

  3. arXiv · 机器人与计算机视觉74

    预训练视觉地点识别模型的锚定秩对抗微调

    针对当前基础模型在视觉地点识别任务中面对白盒攻击时鲁棒性不足的问题,本文提出锚定秩对抗微调方法。该方法通过冻结预训练模型描述符并引入锚点,利用列表级秩损失对最困难正样本进行微调。实验表明,在固定的干净准确率预算内,该方法将 SuperVLAD 和 BoQ 的鲁棒召回率从 0 分别提升至 47.3% 和 55.3%,且无需重新调优即可迁移至不同模型。

  4. arXiv · 机器人与计算机视觉84

    YANAMI:首个面向多轮状态交互的大规模多模态数据集与基准

    针对现有统一多模态数据集缺乏多轮状态跟踪的问题,作者发布了 YANAMI-400K 数据集和 YANAMI-Bench 评测基准。YANAMI-400K 包含 40 万条多轮对话及超 200 万张图片,覆盖图像融合、编辑、世界建模与视觉推理等场景;YANAMI-Bench 则通过 400 个案例联合评估状态理解与视觉实现能力。

    推荐理由:YANAMI 数据集填补了多轮状态交互评测空白,实验显示微调 BAGEL 模型在图像编辑与生成任务上性能提升显著。

  5. arXiv · 机器人与计算机视觉38

    域自适应深度联合源信道编码图像分类方法研究

    针对无线信道下训练与部署数据间的域偏移问题,该方法结合类对抗对齐与伪标签监督对比学习,在无需推理时额外网络的情况下提升目标域准确率。实验显示,其在 SVHN 至 MNIST 任务(AWGN/Rayleigh 信道)中达到 10 dB CSNR 下的 98.15% 精度,且已公开 arXiv 预印本及代码。

  6. arXiv · 机器人与计算机视觉78

    从感知到决策:多模态大模型中听觉与视觉感知的信息流研究

    该论文首次系统揭示了视听大模型(AVLLMs)内部音频和视觉信号如何影响最终预测的路径机制。研究发现,在音视频输入配置下,模型遵循既有的顺序信息流路径;而在多重交错输入设置下,路由会转向不同的并行流。

    推荐理由:首次揭示视听大模型内部信息流路径,证实丢弃已传递的视听 token 可提升推理效率。

  7. arXiv · 机器人与计算机视觉61

    NeurIPS 2026 接收论文:重构空间生成与语义空间匹配的运输几何方法

    该研究探讨自监督表示学习与生成建模的协同机制,提出在一步生成框架下利用冻结的自监督特征进行匹配。通过 Sinkhorn 散度近似 Wasserstein 距离,发现语义结构化特征能显著降低 ImageNet FID(减少 39 倍)。实验表明匹配稳定性是选择最佳训练特征的标准,并揭示了使用 Inception 作为特征提取器可能存在的指标黑客现象。代码已开源。

  8. arXiv · 机器人与计算机视觉59

    超越空间域监督:面向多模态图像融合的关系约束空间

    针对多模态图像融合缺乏真实融合图导致监督机制与目标错位的问题,本文提出关系约束监督范式。该方法利用冻结的预训练模型作为信息源,设计可学习特征适配器将 DINO 和 CLIP 特征对齐至统一监督空间,并推断共享性、主导性和协调半径三个参数以定义对应损失函数。

  9. arXiv · 机器人与计算机视觉70

    SceneScaffold:面向统一 3D 场景理解的主动场景状态构建框架

    针对现有 3D 多模态大模型依赖视觉瓶颈导致空间组织信息丢失的问题,论文提出 SceneScaffold 框架,将被动特征压缩重构为主动场景组织者。该框架在语言推理前构建角色感知的空间支架,将超点级视觉证据组织为实体状态、场景帧状态、关系状态和全局摘要四类组件,分别保留核心语义、维护空间参考、编码交互线索并提供紧凑上下文。

  10. arXiv · 机器人与计算机视觉72

    基于身份一致分析的长镜头风帆冲浪视频:一种领域专用离线跟踪系统

    该论文介绍了一种用于处理长镜头风帆冲浪视频的离线分析系统,旨在为每位冲浪者生成独立的稳定相对视频。系统在 21 个手动重建的开发视频(含 41,004 条观测)上评估,实现了 0.957 的成对精度和 0.937 的 F1 值,优于 OC-SORT 和 BoT-SORT。

  11. arXiv · 机器人与计算机视觉78

    CleanVideo:面向文本到视频扩散模型的自适应概念擦除

    CleanVideo 是一种选择性擦除框架,旨在从预训练生成模型中消除不需要的视觉语义而不损害其通用效用。针对目标概念在帧和去噪步骤间逐渐出现且变化的特点,该框架利用三模态门控机制处理时空特征、时间步信号和文本语义,决定干预的位置、时机及是否执行,引导擦除内容向自然替代概念过渡并保留非目标内容。

    推荐理由:提出 CleanVideo 框架,通过三模态门控机制在视频扩散模型中实现概念擦除,保持时空连贯性。

  12. arXiv · 机器人与计算机视觉12

    Diffusion models for eye-gaze trajectory generation using position and velocity representations

    针对眼动数据收集昂贵且隐私受限的问题,研究利用扩散模型在位置与速度表示上生成无条件眼动轨迹。基于 28 名参与者的视觉搜索任务,位置模型平均 Jensen-Shannon 发散度为$0.016 \pm 0.004$,优于速度模型的$0.037 \pm 0.002$及运动学马尔可夫基线。该预印本提供定量参考测量并揭示评估选择对生成结论的影响。

  13. arXiv · 机器人与计算机视觉68

    MEOX:一种在融合前进行模态条件化路由的紧凑地球观测编码器

    论文提出了 MEOX 模型,这是一种针对多模态地球观测任务的紧凑编码器架构。该架构延迟了雷达与光学输入的融合,先通过共享的专家混合模块独立处理 Sentinel-2 和 Sentinel-1 数据流,随后利用有效性感知权重将共定位块融合为单一序列。

  14. arXiv · 机器人与计算机视觉20

    大深度神经网络提升合成孔径声呐图像自动目标识别性能

    研究利用双下降现象,在合成孔径声呐(SAS)小数据集上训练高容量深度神经网络,显著优于近期基线模型。通过预训练、数据增强及 DropPath 等正则化策略独立提升了大模型效果,且增加模型容量从未有害。该工作采用留一地理位置交叉验证评估,证实了高容量架构在声呐自动目标识别任务中的有效性。

  15. arXiv · 机器人与计算机视觉78

    More Accurate, Less Human: Gestalt Grouping in Vision Models

    该研究引入行为测试电池,基于四项格式塔分组任务(标记颜色异类、颜色序列计数、轮廓识别、物体异类)对人类感知数据进行评分。作者对 45 个模型进行了评估,发现封闭基座模型在人类对齐度上显著低于其基准准确率所暗示的水平。该工作为可视化研究提供了无需新用户研究的复用标尺,用于审计进入流程的视觉模型是否按人类观众的方式组织视觉内容。

    推荐理由:提出行为测试电池,用人类感知数据评估视觉模型在格式塔分组任务上的对齐度。

  16. arXiv · 机器人与计算机视觉72

    You Only Flow Once:一种用于实时雷达姿态估计的校准多假设归一化流方法

    针对稀疏噪声毫米波雷达点云对应多种合理人体姿态的问题,现有确定性方法无法处理歧义而扩散模型计算成本高且缺乏校准不确定性。本文提出 Multi-Hypothesis Normalizing Flow Pose Generator (MH-NFPG),利用时空 Transformer 骨干网络与归一化流结合,通过单次前向并行生成拉普拉斯基础分布到表达性后验的变换。

  17. arXiv · 机器人与计算机视觉82

    医疗世界模型:能力、证据与可信的临床转化综述

    这篇综述通过结构化叙事综合和可复现的证据映射,定义了医疗世界模型的概念边界与技术基础。研究筛选了 1455 条记录并汇编了 300 个来源,其中 14 项符合严格的实证定义。文章区分了患者状态表征、时间动态建模等四大能力,指出当前证据多处于回顾性或临床前阶段,并提出了从轨迹预测到干预比较所需的精确干预表示与因果机制等具体证据要求。

    推荐理由:该综述梳理了医疗领域世界模型的四大能力与临床转化证据要求,区分技术可行性与临床成熟度,为相关团队提供评估框架。

  18. arXiv · 机器人与计算机视觉17

    Do Vision Encoders Exhibit Human-like Color Thresholds? 研究揭示视觉编码器与人类色觉阈值对齐度低

    该研究对超 50 个预训练视觉编码器进行大规模探索,发现模型表征与人类感知阈值的区域重叠指标(mIoU)普遍较弱,最佳值低于 0.25。自监督编码器在色敏性上持续优于监督模型,而语言监督模型表现两极分化。结果表明当前大尺度视觉训练目标无法自然涌现类人色彩敏感度。

  19. arXiv · 机器人与计算机视觉62

    StatLUT:基于统计特征的三维查找表生成方法用于照片级风格迁移

    该论文提出了 StatLUT 框架,旨在解决现有深度学习方法在照片级风格迁移中存在的语义纠缠、色彩断层及缺乏文本控制等问题。该方法通过 Lab-Extractor 提取空间无关的统计特征以解耦颜色分布与结构语义,利用基于 Transformer 的 Seq2Seq 任务生成拓扑平滑的三维查找表,并引入轻量级扩散模型直接从描述色调的文本提示合成统计特征。

  20. arXiv · 机器人与计算机视觉68

    TrajLoc:面向多物体运动控制的轨迹注意力定位方法

    TrajLoc 提出了一种在图像到视频(I2V)生成中控制多物体运动的轨迹注意力定位方法。该方法通过在注意力层将每个物体的交叉注意力权重替换为以目标位置为中心的 Gaussian 热力图,严格隔离实例并施加空间约束,同时利用第一帧外观编码保持身份。

  21. arXiv · 机器人与计算机视觉67

    DPPE:重新思考基于摄像头的位姿编码以支持多视图 Transformer 扩展

    论文指出在新型视图合成模型中扩大基于摄像头的位姿编码会导致训练后期性能停滞,原因是旋转与平移信息混在同一维度造成识别不确定性。作者提出解耦位姿位置编码(DPPE),将旋转和平移显式分离。实验表明该方法支持长期稳定训练,并在增加视点数量和缩放场景等外推设置下表现更优。代码已开源。

  22. arXiv · 机器人与计算机视觉78

    RBFN 作为自监督学习中的投影头

    本文论证在自监督学习中保留而非丢弃投影层是必要的,并提出用径向基函数网络(RBFN)替代标准多层感知机(MLP)。作者引入 Scale-Normalized Separation (SNS) 指标,利用训练得到的核中心与形状参数在无标签情况下评估骨干网络表示质量。

    推荐理由:提出用可解释的 RBFN 替换 SSL 中的 MLP 投影头,并给出无标签质量评估指标 SNS。

  23. arXiv · 机器人与计算机视觉72

    WildBox:非洲稀树草原野生动物空中单目三维检测数据集与基准

    作者发布了 WildBox 数据集和基准,包含 237,505 个跨越七种物种的三维边界框标注。评测显示,尽管二维基础模型在零样本定位中表现尚可,但所有架构在零样本三维检测任务上均归零;微调后性能恢复至约 8.68 [email protected],且深度贡献了超过 99% 的归一化豪斯多夫距离。研究提出了一种从粗到细的课程学习策略以优化斑马亚类的表现,并公开了视频级划分与基线检查点。

  24. arXiv · 机器人与计算机视觉70

    手语生成的条件坍塌:一种诊断方法与覆盖度论证

    本文旨在解决手语生成(SLP)中运动空间指标高但无法表征输入句子的‘条件坍塌’问题。作者提出在初始姿态、输出多样性和目标保真度三个独立层面进行评估,发现现有扩散及回归模型在 How2Sign 等大规模数据集上均出现坍塌,而 Faithfulness 与训练数据对测试条件的覆盖密度正相关而非语料库大小。

  25. arXiv · 机器人与计算机视觉63

    αDepth:学习场景级软边界分解以实现立体转换

    针对立体转换中前景背景在软边界(如头发、散景)处混合导致的深度对应歧义问题,本文提出αDepth分层表示方法。该方法通过估计软边界的分层颜色与深度值解决混合模糊,并设计圆形 Alpha 表示(CAR)将全局目标提取范式转变为局部边界分解,支持复杂多目标场景的高效推理且无需人工引导。评估显示其在消除背景溢出和结构畸变方面达到最先进水平。