跳到正文
10月23日周五
  1. arXiv · 机器人与计算机视觉18

    ML-SPnP 稀疏视图 CT 重建方法:多尺度随机插拔与域随机化加速

    ML-SPnP 提出一种基于小波多分辨率分析的多级随机插拔算法,用于解决稀疏投影视图下的严重病态重建问题。实验在 20-50 个投影视图的 CT 数据集上验证,该方法在保持与现有随机插拔方法相当的重建质量同时,显著降低了计算耗时。代码将在发布后公开提供。

  2. arXiv · 机器人与计算机视觉42

    MotionHalluc:诊断细粒度运动推理中的运动幻觉基准

    MotionHalluc 是一个针对跨视频比较中运动指令生成存在运动幻觉问题的专用基准,包含 553 对视频及 1540 个细粒度问题。该基准从方向、归因和时间三个维度评估大多模态模型的高易感性,并提供了无需训练的 PPV 测量提取基线。实验显示注入显式定量测量可使跨模型平均性能提升 10.6%,相关代码与数据集已开源。

  3. arXiv · 机器人与计算机视觉52

    NoPo4D:首个无需相机位姿的 4D 动态高斯溅射系统

    论文介绍 NoPo4D,这是首个能同时处理动态内容、多视图输入和未知相机位姿的前馈重建系统。该方法基于预训练几何骨干网,引入速度分解将高斯运动拆分为像素平面位移和深度变化,利用伪真值光流直接监督 2D 分量,避免了可微渲染对位姿精度的依赖以及无位姿方法所需的 3D 运动真值。

  4. arXiv · 机器人与计算机视觉20

    EchoXFlow:心脏运动、血流与功能的超声数据集发布

    EchoXFlow 是一个包含 622 名患者共 35,377 条记录的临床超声数据集,保留了原始采集几何与时序关系。数据提供可分离的 1D/2D/3D 模态流及多普勒信号,配合同步 ECG 与密集标注,支持物理驱动的跨模态学习任务。该数据集及其开源工具已公开,旨在作为四维视觉与多模态学习的测试床。

  5. arXiv · 机器人与计算机视觉58

    面向高速机动的基于事件的 SLAM 基准测试

    针对现有事件相机方法在处理高速机动时存在视野受限或无法泛化至六自由度运动的局限,本文提出 EvSLAM 基准框架。该框架通过多样化的数据采集平台、极端光照场景及严格定义的高速运动模式,对主流视觉里程计与视觉惯性里程计方法进行量化评估,旨在揭示当前技术瓶颈并探索最优架构方向。

  6. arXiv · 机器人与计算机视觉69

    从文章到树冠:利用 LLM 专家知识驱动的伪标签进行树种分类

    针对高光谱树种分类面临的样本稀缺、光谱混合及生态异质性等挑战,本文提出一种融合多源地球观测数据(高光谱成像与机载激光雷达)的半监督深度学习框架。该方法构建基于树冠图的生物启发式伪标签策略,并利用 LLM 辅助的文献约束工作流提取物种共现先验作为协居矩阵引入模型。

  7. arXiv · 机器人与计算机视觉48

    多旋翼无人机全向辐射图近似方法研究

    该方法通过识别球谐函数系数,将非完整多旋翼无人机的信号功率增益解耦为独立的全向辐射图。校准轨迹在无障碍物高度提供训练与测试样本,仿真验证了新颖的近似效果,真实世界实测均方根预测误差低于 5dB。研究共提交三个版本,当前 v3 版包含 6 页正文及 9 幅图表,旨在支持高效的通信感知机器人任务。

  8. arXiv · 机器人与计算机视觉13

    Hybrid-PCGC:混合点云几何压缩桥接泛化模型与隐式神经表示

    Hybrid-PCGC 提出一种混合点云几何压缩方法,通过冻结通用模块与双可训练自适应模块分离先验建模与实例适配。该方法在无损和损有基准上比特率分别降低 13.96% 和 16.33%,并在高难度稠密点云上较最先进混合方法节省最多 12.33% 的比特率,有效平衡了保真度与传输开销。

  9. arXiv · 机器人与计算机视觉62

    CountZES:基于零样本范例发现与选择的物体计数方法

    该论文提出了 CountZES 框架,旨在仅凭类别名称对未见过的物体进行零样本计数。针对现有范例法在随机采样或检测器提案中面临的边界不清、多实例混淆及候选覆盖不足问题,该方法通过文本锚点分三阶段逐步发现并精炼视觉范例:首先建立可靠的单实例锚点,其次利用密度响应扩展候选范围并选择统计一致的代表,最后通过特征层共识提升代表性。

  10. arXiv · 机器人与计算机视觉68

    Closing the Navigation Compliance Gap in End-to-end Autonomous Driving

    该研究指出轨迹评分规划器在处理路口替代指令时存在超过 30% 的忽略率,归因于现有指标未明确测量导航遵循及数据集缺乏多指令配对。为此提出二值化导航合规指标(NAVI)与可控性度量(CM),并发布包含 14,918 个路口场景及所有可行替代指令的 NavControl 数据集。

  11. arXiv · 机器人与计算机视觉42

    通过残差替换模型解析视觉 Transformer 内部机制与去偏能力

    该研究首次系统分析了跨越所有层的 6.6K 个特征,引入残差替换模型将 ViT 计算转化为可解释特征流。分析揭示了从低级模式到高级语义的特征演化及曲线、空间位置的编码方式,显著简化了原始计算以实现人类尺度的直观理解。此外,该框架在去偏虚假相关性方面展现了实用价值。

  12. arXiv · 机器人与计算机视觉60

    基于半定松弛的无初始化 LEO Doppler 定位:一种冷启动方法

    针对全球导航卫星系统信号不可用时的物联网设备定位难题,本文提出了一种无需初始位置的低轨(LEO)多普勒定位框架。该方法将非线性定位问题重构为半定规划程序,在噪声条件下分析了松弛紧致性并推导了参数扰动下的充分噪声边界。

  13. arXiv · 机器人与计算机视觉62

    MeSS:基于城市网格引导的跨视角一致室外场景生成

    论文 MeSS 针对现有扩散模型在三维场景生成中难以保证跨视角视觉一致性的问题,提出利用城市网格作为几何先验进行合成。方法包含三个关键阶段:首先使用级联外绘 ControlNet 生成长期一致的稀疏视图;其次通过 AGInpaint 模块传播更密集的中间视图;最后利用 GCAlign 模块全局消除曝光差异等视觉不一致性。

  14. arXiv · 机器人与计算机视觉58

    MAVOS-DD:首个大规模多语言音视频开放集深度伪造检测基准

    论文提出了 MAVOS-DD 基准,这是首个针对多语言音视频深度伪造检测的大规模开放集评测数据集。该数据包含近 350 小时的真实与伪造视频,覆盖八种语言,其中约 59% 为生成内容。测试设置仅让模型在训练时接触部分生成模型和语言,以构建具有挑战性的开放集评估环境。实验表明,当前最先进的检测器在该基准下无法维持其性能水平。作者公开了数据与代码供非商业用途使用。

  15. arXiv · 机器人与计算机视觉74

    GateFormer:用于从天空图像预测小时内太阳辐照度的预报空间分解方法

    针对快速变化的太阳能发电需求,本文引入 GateFormer 模型,通过预报空间分解结合视觉云动态与近期辐照度状态进行亚小时级全球水平辐照度(GHI)预测。该模型将观测 GHI 嵌入视觉令牌流,利用轨迹头和增量头分别预测未来序列及最终时域变化,并通过自适应加权与监督修正降低误差。

  16. arXiv · 机器人与计算机视觉32

    H-2DGS:用于清晰且可变形神经外科表面重建的高度场高斯泼溅技术

    H-2DGS 提出一种三阶段管道,将受限视野下的光真实感皮层重建与全脑 MRI 及扩散纤维束路径融合。该方法在五个真实神经外科手术案例中实现了低多视图深度不一致性、7.97MB 紧凑表示以及每帧 29--42ms 的交互式渲染。其生成的清晰可变形表面能明确整合纤维束追踪与解剖结构,有效支持术后对齐任务。

  17. arXiv · 机器人与计算机视觉63

    Gate3DGen:一种选择性净化真实世界图像以用于 3D 生成的预处理模型

    针对单图 3D 生成在真实世界图像上因光照不均、模糊和遮挡导致效果下降的问题,该研究提出 Gate3DGen 模型。该模型作为预处理模块接入现有 3D 生成器而无需重训,通过退化感知路由跳过清洁输入并提取特征引导净化,利用合成数据引擎构建配对监督以优化空间损失从而保留物体身份与纹理线索。

  18. arXiv · 机器人与计算机视觉82

    OmniRay:基于复合射线场的相机无关单目 3D 重建

    论文提出 OmniRay 模型,通过单调径向基底、球谐残差和自由形式残差的组合表示射线场,实现无需相机参数的单目 3D 重建。实验表明该方法在不同相机配置下达到新的最先进水平。材料为 arXiv 预印本,未提及同行评审状态或开源代码链接。

    推荐理由:该工作提出分层射线场架构,解决针孔与广角相机几何差异问题,为单目无相机参数重建提供新基线。

  19. arXiv · 机器人与计算机视觉37

    HiP3R:分层姿态图解决长序列三维重建一致性难题

    HiP3R 提出分层姿态图方法,先优化块级 Sim(3) 图确立全局布局与尺度,再固定布局估计每帧共享 SE(3) 相机以统一轨迹。该方法无需额外训练或微调即可适配基于块和流式后端,在多个基准测试中显著提升了相机轨迹与三维重建效果。代码已公开于指定 URL。

  20. arXiv · 机器人与计算机视觉85

    F2G-Pose:面向类别级物体位姿估计的几何感知基础特征提升方法

    该论文提出 F2G-Pose 框架,旨在解决无需实例特定 CAD 模型或参考视图的类别级 RGB-D 物体位姿估计难题。该方法通过单次前向传播预测类别级位姿、度量尺寸及相机坐标系下的完整形状,利用 DGCNN 编码局部几何并集成专家混合 Transformer。

    推荐理由:该工作提出 F2G-Pose 框架,在无需实例 CAD 模型下实现类别级物体位姿估计与形状补全,代码与预训练模型已开源。

  21. arXiv · 机器人与计算机视觉45

    Squaring-the-Sphere:基于 CubeAtlas 实现无失真无缝全景图生成

    Squaring-the-Sphere 提出 CubeAtlas 新表示法,将立方体图面展开为单画布以保留几何并支持扩散 Transformer 单次生成。该方法引入布局感知稀疏注意力掩码降低计算量,配合免训练超分与融合方案提升细节质量。实验表明其在基准测试中优于现有方法,在几何保真度、跨视图一致性及高分辨率视觉质量上取得更好效果。

  22. arXiv · 机器人与计算机视觉9

    Diffusion-Based Synthesis of Complete 3D Biparametric Prostate MRI 提出基于解剖掩码的 3D 扩散框架,支持 T2w 与扩散模态的顺序或联合合成

    该工作利用 PI-CAI、FastMRI Prostate 和 PROSTATEx 数据集训练了五种配置,验证了通过解剖掩码生成完整前列腺双参数 MRI 的可行性。联合合成在保持分布保真度的同时生成了全模态图像,且直接合成的 ADC 和高 b 值 DWI 优于从合成扩散加权图像推导的结果。研究展示了该框架缓解深度学习应用中大样本代表性数据集稀缺问题的潜力。

  23. arXiv · 机器人与计算机视觉58

    面向空间理解的点级可修正语义映射方法

    该预印本论文提出一种在线可修正的语义映射框架,利用多视图时序证据持续更新物体表示的点级置信度,结合跟踪与重识别保持实例身份。实验显示在 Replica 和 ScanNet 数据集上分别提升 3.46% 和 2.55% 的映射精度,并在动态环境与感知噪声下表现鲁棒,支持物体导航与具身问答任务的成功率分别为 82.4% 和 76.7%。

  24. arXiv · 机器人与计算机视觉72

    面向实时息肉分割的轻量级帧补偿方法

    针对辅助结肠镜检查中实时息肉分割面临的高延迟预算难题,本文提出了轻量级帧补偿器(LFC),这是一个 7.7 万参数的即插即用模块。该模块在冻结的分割骨干网络前运行,利用时空注意力机制融合三帧窗口内的连续图像以生成单张补偿帧,且仅使用不同种子模型生成的伪标签进行训练,无需专家标注。

  25. arXiv · 机器人与计算机视觉42

    MoRSe:区分相机运动与场景运动的移动区域分割模型及基准

    MoRSe 通过联合解析两帧图像直接预测移动区域掩码,无需光流或点跟踪即可在相机运动下区分真实场景运动与视差。该方法在包含静态、动静混合及动态设置的 MoRSe-5K 基准(42 序列)上表现优于专用分割方法与带运动阈值的密集 4D 重建方法。项目页面提供视频演示,代码与权重暂未提及开放许可。

  26. arXiv · 机器人与计算机视觉62

    RaSFNet:一种面向激光雷达语义分割的射线对齐与扫描感知融合网络

    针对投影式方法在特征提取中存在的几何信息丢失及空间关系建模不足问题,论文提出 RaSFNet 架构。该方法通过射线对齐几何分布编码模块刻画视锥内点云分布,利用扫描拓扑感知的 Mamba 块捕捉长程依赖,并引入范围约束的点 - 视锥融合机制以维持空间对应性。在 SemanticKITTI 和 nuScenes 验证集上分别取得 70.2% 和 77.7% 的 mIoU 分数。

  27. arXiv · 机器人与计算机视觉78

    GM-GReFEL:面向鲁棒动态面部表情识别的几何引导时空状态空间学习

    针对无约束视频中的面部表情识别问题,该研究提出 GM-GReFEL 模型,采用 Modulated GroupMamba 骨干网络将计算复杂度从二次方降至线性,并引入 GReFEL 可靠性模块利用可训练几何锚点提升不确定区域的判断。实验显示其在 DFEW 和 MAFW 数据集上达到 SOTA 水平,且延迟接近 ViT-B/16 基线。代码已开源。

    推荐理由:该工作提出几何引导的状态空间网络,以线性复杂度替代自注意力机制并引入可靠性模块,在 DFEW 等基准上表现优异。

  28. arXiv · 机器人与计算机视觉43

    Pos4CHD:一种无需正样本的掩码引导反事实合成框架用于胎儿先心病分析

    Pos4CHD 提出了一种仅利用正常样本即可生成高质量伪阳性数据的无监督框架,解决了胎儿先心病数据稀缺难题。该方法在自建数据集上实现了 -12.97 FID 和 +3.96% DSC 的图像质量指标,并在零样本分类任务中分别达到 EbA 93.25% ACC 与 TAPVC 72.92% ACC。代码与模型已开源至 GitHub,相关论文正提交至 IEEE TMI 审稿中。

  29. arXiv · 机器人与计算机视觉78

    一种用于多视图医学图像分割的通用双路径交互框架:缓解小样本依赖

    针对医学图像分割在小样本场景下性能下降的问题,作者提出 DPIF 通用双路径交互框架。该框架兼容任意编码器 - 解码器网络,利用跨视图解剖互补性减少标注依赖。方法包括基于 Sinkhorn 最优传输的跨视图分布对齐、条件互信息引导的特征解耦以及基于持久同调的拓扑正则化。

    推荐理由:提出通用双路径交互框架,通过拓扑正则化缓解小样本依赖,在心脏超声等数据稀缺场景下实现多视图分割性能提升。

  30. arXiv · 机器人与计算机视觉53

    GraphCAD:面向 CAD 生成的边邻接图几何感知扩散框架

    针对计算机辅助设计(CAD)中离散拓扑连接与精确空间几何的建模难题,本文提出 GraphCAD 框架。该框架基于新颖的边邻接图(EAG)表示,采用混合图扩散公式联合建模离散与连续分量,并引入几何感知去噪机制将节点属性转化为空间点集,利用 SE(3) 等变骨干网络将其融合以锚定物理几何。

  31. arXiv · 机器人与计算机视觉59

    Query-Time Calibration of CLIP Features for Open-Vocabulary 3D Segmentation

    论文提出一种在查询时校准 CLIP 特征的方法用于开放词汇三维分割。该方法通过从视觉特征和文本原型中减去共享场景方向,并使用固定通用词表对文本原型进行白化处理,从而缓解场景特定特征分布的方向集中问题。实验显示,该方法无需重训练、重新编码源图像或重新提升特征,在七个提升方法和四个数据集上均提升了多类与单查询分割的平均交并比(mIoU)。

  32. arXiv · 机器人与计算机视觉75

    WovenAnchor Matcher:面向特征匹配的专用图像内与跨图上下文建模方法

    论文提出 WovenAnchor Matcher(WAM),一种基于角色专业化上下文聚合的半稠密特征匹配框架。该方法引入两个互补算子:WovenMamba 通过水平随后垂直的状态空间传播实现图像内聚合,保留二维依赖结构;AnchorCrossAttention 利用交叉注意力从跨图像的合理对应区域收集上下文信息。

  33. arXiv · 机器人与计算机视觉78

    GSHeadRelight:面向3D高斯头像合成的快速重光照技术

    论文 GSHeadRelight 针对人像摄影、VR/AR 等应用中的人像重光照与新颖视角合成任务,提出基于生成式3D高斯的解决方案。该方法采用统一的神经辐射传输表示构建线性响应入射光的照明模型,仅需野外图像即可实现优于现有工作的重光照效果,且渲染速度较以往3D感知人像重光照研究提升12倍。材料为预印本论文,未涉及真实机器人部署或硬件发布。

    推荐理由:原文提出基于生成式3D高斯的快速重光照方法,在野外图像上实现优于现有工作的效果且渲染速度提升12倍。