跳到正文
10月12日周一
  1. arXiv · 机器人与计算机视觉78

    KVeil:ECCV 2026 LifeGenIP 挑战赛不可学习视频挑战冠军方案

    该报告介绍了 ECCV 2026 LifeGenIP 挑战赛的两个阶段的一等奖解决方案,旨在通过极小扰动保护面部视频免受身份定制攻击。第一阶段引入参考容量坍塌损失和运动引导 EOT 机制;第二阶段针对基于微调的定制和未见过的生成模型,设计双层框架分别保护人脸与背景区域。该方法在白色盒参考定制下实现近乎完美的防护,并对其他定制范式、多种模型及时间攻击保持有效。代码已公开。

    推荐理由:报告了 ECCV 2026 LifeGenIP 挑战赛的冠军方案,提出双阶段框架以在有限扰动下防御面部视频的身份定制攻击。

  2. arXiv · 机器人与计算机视觉73

    LAPT-Scale:基于人类视频潜在动作预训练的具身策略扩展方法

    针对大规模具身交互数据采集成本高且标注噪声大的问题,本文提出 LAPT-Scale 范式,包含两个组件:LAPT-Scale-LAM 通过解释第一人称视频中帧间视觉过渡学习连续潜在动作作为隐式监督;LAPT-Scale-Policy 结合感知、语义和光流对齐信号进行预训练与目标机器人本体对齐。

  3. arXiv · 机器人与计算机视觉32

    G-RSVQA 基准评测遥感视觉问答的证据一致性

    针对现有评估未直接检测答案与定位证据一致性的问题,研究提出 Answer-Evidence Support Protocol (AESP) 并构建含 15,027 样本的 G-RSVQA 基准。在七种 grounded vision-language 模型上的实验显示,证据评估子集中高达 50.82% 的正确答案缺乏提供的定位证据支持。该工作目前处于 ICASSP 2027 审稿中,代码已开源。

  4. arXiv · 机器人与计算机视觉78

    ELMA:用于长期文本到动作生成的指代性组合基准

    本文介绍 ELMA,一个具有密集分段注释的长期动作生成数据集,旨在解决现有模型难以处理涉及指代关系的跨段约束问题。研究团队通过全自动管道从网络视频中提取高质量连续 30 秒片段,并微调了最先进的动作生成模型以融入长程上下文。

    推荐理由:ELMA 数据集与基准揭示了现有模型在处理长程指代性指令时的不足,为长期动作生成提供了新的评估标准。

  5. arXiv · 机器人与计算机视觉78

    对现有 VLM 基准评估运行的审计:揭示图像依赖度不足与评分偏差

    该研究提出一种审计框架,复用 VLM 评估运行中已生成的预测、正确性及元数据工件,通过 VLMEvalKit 新增的六个检测器及纯文本重跑层进行后处理分析。在 MMStar 基准上发现,20.2%的问题无需图像即可达到零准确率增益,其中数学与科学类别存在显著偏差;另有 134 个问题因所有模型均选择同一非标准答案而引发评分争议。

    推荐理由:作者利用现有评估运行产生的原始工件,为 VLMEvalKit 新增审计层以检测基准缺陷与评分偏差。

  6. arXiv · 机器人与计算机视觉48

    A Real-World CAD Segmentation Benchmark:通过孔检测对比规则与学习方法

    针对合成数据主导的现状,该研究构建了基于工程 CAD 数据的真实世界基准数据集,并开发了图线搜索、多视图两种规则方法及 UV-Net、AAGNet 等学习模型。实验表明,无训练数据时规则方法泛化良好且分别侧重召回率与精确度,而学习方法在充足标注下性能强但域偏移鲁棒性下降。研究揭示了数据需求与鲁棒性的权衡,为真实 CAD 分割任务提供指导。

  7. arXiv · 机器人与计算机视觉43

    文本生成 Transformer 中的注意力汇洞研究

    该研究探索了双向扩散模型与因果自回归模型中注意力汇洞的存在性、位置及功能影响。实验发现,自回归模型关注首尾全局 token,而双向模型在模态边界和空间角落形成汇洞;扰动前者显著改变生成结果,后者则影响有限。引入寄存器 token 可重分布注意力并维持或提升性能,证实该现象是架构与推理阶段依赖的机制分析基础。

  8. arXiv · 机器人与计算机视觉74

    ThinkDrag:基于视觉推理的语义拖拽图像编辑方法

    该论文介绍 ThinkDrag,一个统一的跨模态框架,用于支持带有视觉推理的拖拽式图像编辑。该方法将点约束关联到有意义的对象和场景级变换,并可生成显式的推理轨迹以解释编辑意图。研究构建了包含语义拖拽变换与推理轨迹的监督数据集 DragBench++,并在基准测试中取得了最先进的性能,在保持跟点精度的同时提升了生成质量与合理性。

  9. arXiv · 机器人与计算机视觉78

    解码寄存器令牌以保留全局场景细节

    该研究调查了在已有完整空间补丁表示的情况下,保留寄存器特征是否能改善图像解码效果。作者使用冻结的编码器与联合自注意力解码器进行实验,发现保留寄存器特征能将基于 DINOv2 和 DINOv3 的重建 FID 分别降低 9.5% 和 5.2%,PSNR 提升至 19.73 dB 和 20.54 dB。在生成任务中,该方法使 DINOv2 的 FID 比仅用补丁的基线低 9.8%。

    推荐理由:研究证明保留非空间寄存器特征能显著降低图像重建误差并提升生成质量,为现有视觉模型利用全局场景信息提供了新路径。

  10. arXiv · 机器人与计算机视觉43

    QCLR:一种用于自监督骨架动作识别对比学习的量化鲁棒性插件模块

    QCLR 提出了一种通过量化增强自监督骨架动作识别中对比学习表示抗对抗攻击能力的插件模块。该模块采用双级量化方案阻断梯度传播并吸收扰动,辅以注意力引导的多面量化策略以维持表征质量。实验表明,将其集成到主流对比学习模型后,在多个基准数据集上显著提升了针对白盒与黑盒攻击的鲁棒性,同时保持了极具竞争力的分类准确率。

  11. arXiv · 机器人与计算机视觉82

    CV-OPD:一种解决视觉语言模型后训练中视觉捷径问题的对比式同策略蒸馏方法

    针对现有视觉语言模型(VLM)在同策略蒸馏中过度依赖文本答案提示而忽略真实视觉证据的缺陷,本文提出 Contrastive Vision On-policy Distillation (CV-OPD) 方法。

    推荐理由:提出对比式同策略蒸馏方法,通过引入负样本教师与差异感知门控机制,解决现有 VLM 后训练依赖答案捷径、忽视视觉证据的问题。

  12. arXiv · 机器人与计算机视觉73

    SheafPrune:一种基于层几何引导的视觉 Token 剪枝方法

    针对多模态大语言模型处理完整视觉序列导致预填充成本高的问题,该方法提出利用层几何构建稀疏图文图进行相关性传播,并通过节点度修正重要性评分。实验显示,在冻结 LLaVA-NeXT-8B 主干下,仅保留 10% 的视觉 Token 即可实现 5.15 倍的预填充加速和 84% 的端到端 FLOPs 降低,且在多种骨干网络与预算设置下表现最优。

  13. arXiv · 机器人与计算机视觉43

    DINOv3-H 与 DINOv3-7B 仅凭图像自监督学习单词语义结构

    DINOv3-H 和 DINOv3-7B 作为首个在纯图像自监督预训练下展现渲染文字显著语义结构的视觉模型,无需配对描述或类别标签即可将同义词聚类并发现国家 - 首都对的向量偏移。对比对齐进一步增强了 DINOv3-H 的单词级语义结构,证明仅用图像训练能教会模型理解单词含义及其关联关系。

  14. arXiv · 机器人与计算机视觉62

    从粗略浏览到聚焦:缓解 MLLM 细粒度识别惰性的方法

    论文提出 LIVE 框架以解决多模态大语言模型(MLLM)在细粒度视觉识别中存在的‘识别懒惰’现象,即未能充分关联视觉线索与类别概念。该方法无需额外训练,通过查询自适应候选推理构建紧凑可靠的候选列表,并挖掘类内特征与类间差异构建特定技能引导,根据识别不确定性选择性地调用详细指导,从而提升 MLLM 的细粒度识别能力。

  15. arXiv · 机器人与计算机视觉45

    Measurable Semantic 3D Gaussian Splatting 框架实现交互式建筑检测

    该研究提出一种结合区域与深度监督的可度量语义 3DGS 框架,通过 AEC-SplatTwin 平台支持实时可视化、语义分析及量化测量。在 QuakeCity 和 HKUPB 数据集上,该方法将高斯中心深度平均绝对误差分别降低 58.1% 和 86.8%,并实现 0.8529 至 0.8642 的 mIoU 语义分割精度。

  16. arXiv · 机器人与计算机视觉48

    PAIR EEG基准:解码动态视觉感知与回忆的神经表征差异

    PAIR是一个由Zikai Fang等人提出的EEG基准,包含20名参与者观看自然视频后立即回忆的数据集。该基准支持分层语义分类、运动颜色等元特征解码及区分感知与回忆的状态解码任务。实验显示在固定序列内两种模式表现数值相似但状态层面高度可分离,且Alpha波段消融后感知准确率仍保持高位。

  17. arXiv · 机器人与计算机视觉28

    城市驾驶感知数据集设计流程:针对卡车等多元载具的采集规划方法

    该方法提出基于用户生成地图数据的引导式数据集创建流程,旨在解决现有数据多限于乘用车而忽视重型卡车、巴士及有轨电车等多模态交通的问题。研究识别了包括穿越人行区及拖车移动在内的代表性卡车专用用例,以支持针对复杂城市环境的定向采集规划。

  18. arXiv · 机器人与计算机视觉63

    重定向教师监督:面向视频语言模型的时序响应引导潜在蒸馏

    针对视频任务中的在线策略蒸馏(OPD)方法未显式利用学生模型时序响应的问题,本文提出 Temporal-Response Guidance (TRG) 方法。该方法通过测量对局部时间扰动的表示响应,将教师修正投影回原始校正并恢复其范数,从而在保持余弦损失值和梯度范数的同时改变监督方向。

  19. arXiv · 机器人与计算机视觉48

    脑 MRI 基础模型跨数据集失效源于图像内容编码差异而非数据集信号

    研究揭示脑 MRI 基础模型的跨数据集失效并非由数据集编码或分布偏移导致,而是因不同数据集中图像内容沿不同方向编码。除 3DINO 和 SAM-Med3D 外,包括 BrainIAC、BrainFM 在内的八种冻结表示在未见数据集上均无法准确识别序列与性别特征。代码已开源,证实移除数据集信号或采用对抗训练等常规方法均无法改善序列迁移效果。

  20. arXiv · 机器人与计算机视觉42

    Unified Generative Video Compression with Autoregressive and Bidirectional Video Diffusion 发布预印本

    UniGVC 统一视频编解码器通过单一比特流支持双向(BI)与自回归(AR)两种解码模式,在 1080p 基准下 BI 版本于 0.0005 bits per pixel 码率实现最优权衡且时序稳定。AR 版本解码速度超 BI 版 250 倍以上,在 36.85 FPS 下保持竞争力并支持低延迟流媒体传输。代码与模型稍后发布,论文为 arXiv 预印本状态。

  21. arXiv · 机器人与计算机视觉48

    DeepRFTv3:统一图像去模糊的傅里叶卷积框架

    DeepRFTv3 提出基于傅里叶卷积学习的统一运动去模糊框架,通过频域自适应全局滤波学习替代像素级映射,有效处理多源模糊核。该方法在构建的多源数据集上经数据剪枝与质控后训练,实验表明其在同域及 OOD 基准测试中均达到具有竞争力的性能表现。代码将在发布时公开。

  22. arXiv · 机器人与计算机视觉43

    自中心视频嵌入与惯性传感器融合的人体动作识别研究

    该研究揭示在 VideoMAEv2、CLIP、DINOv2 及 VC-1 模型中,自中心视频嵌入的主方向主要由摄像头注视位置主导。通过在 WEAR 数据集挑战赛中移除时间顺序并利用肢体惯性信号传播预测,将受试者交叉验证宏 F1 从 0.648 提升至 0.852。实验表明仅在视频图上进行传播有效,单一分类器融合或多模态边融合均表现更差。

  23. arXiv · 机器人与计算机视觉35

    BLEND:联邦视觉语言模型中平衡个性化与泛化的新框架

    BLEND 提出一种选择性参数微调与聚合策略,通过共享全局适配器并定制个人化投影头,利用混合损失函数在 NeurIPS 2026 预印本中实现个性化与泛化的有效平衡。实验表明该框架在多样化系统设置下持续优于最先进基线,代码已开源供研究使用。

  24. arXiv · 机器人与计算机视觉28

    JMT-YOLO:通过分割引导一致性学习实现多任务域自适应的目标检测模型

    JMT-YOLO 提出一种基于 Mean Teacher 架构的联合多任务学习框架,利用辅助语义分割与掩码机制解决极端天气及遮挡下的特征退化问题。该模型在 Pascal VOC、Cityscapes 和 KITTI 三个域适应基准上分别达到 46.9%、57.3% 和 61.0% 的检测性能,显著优于现有最先进方法。

  25. arXiv · 机器人与计算机视觉58

    证据引导的反事实学习用于长尾机器人策略

    针对视觉语言动作策略在部署中面临的长尾任务分布挑战,研究团队发现当尾部任务所需视觉证据不足时,策略会过度依赖头部任务的动作模式导致性能下降。为此提出 Evidence-Guided Counterfactual Learning 框架,利用指令与动作信号识别决策相关视觉证据并构建反事实观测,自适应调整监督强度以强化任务、证据与动作的关联。

  26. arXiv · 机器人与计算机视觉48

    APEX:异步前缀去噪实现极端压缩的扩散模型

    APEX(Asynchronous Prefix Denoising for Extreme Compression)通过分层潜空间与异步去噪解决激进压缩下的重建生成难题。在 ImageNet-512 上,该方法在 64 倍和 128 倍压缩率下均优于现有方法,且在同等计算预算下超越 256 token 模型。代码已开源,适用于计算机视觉与机器学习领域。

  27. arXiv · 机器人与计算机视觉49

    SAMF 框架利用结构感知匹配提升无人机热成像卫星定位鲁棒性

    SAMF 框架通过方向结构增强与模态感知仿射重映射模块,解决跨模态差异以在 GNSS 拒止条件下实现无人机自主导航。基于 Boson-nighttime 和 Thermal-UAV-Paired 数据集的实验表明该方法达到最先进水平,代码与数据已开源。消融研究验证了各模块的有效性与协同互补性。

  28. arXiv · 机器人与计算机视觉47

    WZDrive:利用人机环驾驶数据提升施工区自动驾驶轨迹预测性能

    WZDrive 模型基于包含 1,183 个路段片段的人机环驾驶数据集,在道路施工区场景下将 minADE(K=6) 降低 7.18%、minFDE(K=6) 降低 13.18%。该研究通过结合 VR 控制工人动画与人类驾驶员信号,填补了城市作业区自动驾驶轨迹预测的数据空白。相关代码与数据已随 arXiv:2610.12747v1 发布。

  29. arXiv · 机器人与计算机视觉72

    StereoEngine:无需双目相机即可扩展机器人双手操作立体数据

    论文提出 StereoEngine 方法,旨在解决机器人操作中大规模真实世界双目数据集稀缺的问题。该方法包含两种互补的合成路径:一是利用估计深度和图像修复模型将单目视频转换为双目对;二是在仿真环境中直接渲染一致的双目视图。实验表明,生成的立体数据质量优于现有基线,且用于策略中期训练或特定任务微调时,能显著提升双手操作任务的下游性能。

  30. arXiv · 机器人与计算机视觉49

    MemReg:基于混合记忆缓冲的流式户外激光雷达点云配准网络

    MemReg 提出一种增强姿态相关记忆缓冲的多帧户外点云配准网络,利用长时序全局信息解决稀疏测量与低重叠问题。在 KITTI、nuScenes 和 Apollo-Southbay 数据集上超越所有成对方法及多帧 SLAM 系统,并在 3DMatch 等室内场景表现优异。代码将在发布时开放。

  31. arXiv · 机器人与计算机视觉74

    具身智能体应记住什么?——记忆模态的基准测试与评估

    该研究提出了 MeMoREval 基准,用于在受控体验请求协议下评估具身智能体的记忆模态选择对任务成功率及推理成本的影响。基准涵盖 53 个任务,覆盖四个室内仿真环境,结果显示存储帧比生成描述具有更低的写入推理成本,而结合场景图的帧存储实现了最高的综合任务成功率。研究还验证了该协议在物理机器人上的可行性,并探讨了经验积累、选择性保留等扩展方向。