跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉31

    MicroBT:基于质心引导的协同学习用于多模态微脑肿瘤分割与计数

    MicroBT 提出一种统一框架,利用病灶固有的尺度不变质心属性,通过质心锚定范式同步实现密集分割与实例定位。该方法引入体积校准损失(VC-Loss)和尺寸感知课程优化(SACO),在转移性病例中将微病灶(≤3 mm)定位精度提升约 7%,计数误差降低约 26%。代码已开源,论文已被 BMVC 2026 接收。

  2. arXiv · 机器人与计算机视觉5

    DINOv3 如何适应声学测井图像进行裂缝表征

    针对标注稀缺的声学测井图像,研究将预训练卫星影像模型 DINOv3 微调用于自然与钻井诱导裂缝表征。相比从零训练的 U-Net、YOLOv8 及 Swin Transformer,该适配模型在四个独立钻孔测试中实现了更少的误报漏报及更精准的计数定向。尽管样本量减少会削弱优势,但渐进式上采样解码器配合全微调配置表现最佳,为少标注地质成像任务提供了可迁移工作流。

  3. arXiv · 机器人与计算机视觉83

    EVAThink:基于证据充分性引导的视频理解自适应思考训练

    针对视频理解中采样帧是否提供足够证据的问题,作者提出了 EVAThink 框架以增强模型的自适应思考能力。该方法首先通过可恢复的证据差距挖掘构建稠密与稀疏视图对,筛选出稀疏视图需显式推理的样本进行监督;随后利用证据引导的两阶段强化学习优化回答模式偏好并提升首 token 效率。

    推荐理由:提出证据充分性引导训练方法,仅需少量样本即可提升视频理解模型在固定帧数下的回答模式选择与推理效率。

  4. arXiv · 机器人与计算机视觉38

    基于开放词汇三维场景图的海域持久记忆研究

    针对现有三维场景图方法主要面向室内和陆地环境的局限,本研究提出一种将户外开放词汇地图适配为海域持久场景记忆的方法。该方法通过几何基础的视觉语言模型(VLM)推理整合碎片化物理实体,并结合地图先验构建宏观区域以支持跨次穿越的固定地点对应关系及上下文检索。实验表明,该方案在减少实体碎片化方面优于基线及单独的几何语义整合组件,有效解决了海域空间组织需求未被陆地高层假设捕捉的问题。

  5. arXiv · 机器人与计算机视觉43

    PVIS-10K:含组件级标注的 1 万张无人机光伏巡检数据集

    PVIS-10K 数据集包含宁波、绍兴和深圳采集的 10,065 张高分辨率 RGB 无人机图像,覆盖 22 处屋顶安装场景及 63,632 个物理光伏组件。该数据提供 3,516,675 个 COCO 格式多边形标注,支持实例匹配与前景覆盖率基准测试,助力无人机巡检中的组件定位、轮廓描绘及图像计数研究。

  6. arXiv · 机器人与计算机视觉78

    DroneSegEdit:通过语言接地验证适配预训练生成编辑器用于无人机分割

    论文针对预训练图像生成器在语言引导的无人机(UAV)分割中存在的‘渲染与表达目标选择’不匹配问题,提出 DroneSegEdit 框架。该方法结合 RGB 提议渲染与语言接地的提议约束验证机制,利用冻结的多模态大模型骨干网络读取分层状态以推导空间证据,从而在不引入前景外区域的情况下选择支持的主体。

    推荐理由:该工作提出 DroneSegEdit,利用语言接地验证解决无人机分割中的实例匹配问题,在 RIS-LAD 数据集上刷新 SOTA。

  7. arXiv · 机器人与计算机视觉20

    BRIDGE 数据集发布:前列腺穿刺活检配对的明场全切片图像支持虚拟染色与分割方法开发

    BRIDGE 数据集包含波兰比得哥什弗朗齐谢克·卢卡奇克肿瘤中心收集的 169 名患者共 869 张玻璃载玻片,经脱蜡及 H&E 染色后数字化生成总计 2607 张全切片图像。该数据集中每张切片均附带格里森评分,旨在支持无标记虚拟染色、去染色、图像配准与分割方法的开发与外部验证。所有图像已匿名化并以原生扫描仪格式通过 BioImage Archive 提供下载。

  8. arXiv · 机器人与计算机视觉78

    通过语义代理实现仅文本的遥感场景分类研究

    本文提出 SeProRS 框架,将传统的视觉中心遥感场景分类重构为仅基于文本的任务:利用视觉语言模型生成图像对应的‘语义代理’文本描述,再经文本嵌入模型进行分类。研究在三个主流数据集上验证了该方法能保留显著判别信息,同时揭示了纯文本理解的局限性。论文建立了可复现的基准并分析了提示策略与生成器的影响,旨在探索高效模态缩减的理解方向,而非替代现有图像方法。

    推荐理由:提出仅用文本语义代理进行遥感场景分类的新范式,建立统一基准并量化纯文本理解的可行性边界。

  9. arXiv · 机器人与计算机视觉45

    通用与地球观测基础模型场景分类匹配对研究:Satellite Pretraining Is Not One Thing

    该研究通过 14 个冻结编码器在五个 RGB 场景数据集(0.06-30 m GSD)上的五组配对实验,发现卫星预训练并非通用提升手段。具体而言,SatDINO、Scale-MAE 和 RemoteCLIP 三对模型显著受益,而 DINOv3-SAT 线性探针准确率下降高达 22.5 分,SatMAe 下降 8.8 分。

  10. arXiv · 机器人与计算机视觉78

    CASCADE:一种用于逻辑异常检测的约束感知分层分解方法

    针对仅凭少量正常参考图像进行逻辑异常检测的任务,现有基于大视觉语言模型的方法存在文本检查与单一原始图像的感知错位问题。本文提出 CASCADE 框架,通过引入约束特定的视觉支架来改善验证准确率;其进阶版 CASCADE++ 进一步在物体层面适配这些支架。

    推荐理由:该工作提出无需训练的 CASCADE 框架,通过约束特定的视觉支架解决大模型在逻辑异常检测中的感知与推理错位问题。

  11. arXiv · 机器人与计算机视觉83

    WAM 在 BEHAVIOR-1K 挑战赛中获亚军:2026 BEHAVIOR 挑战赛第二名方案

    该工作提交了 Team IF1001 的 2026 BEHAVIOR Challenge 第二名方案,评估移动操作能力涵盖 100 个家庭任务。方法基于 Cosmos 3,通过丰富视觉历史、任务进度条件化及特定技能 LoRA 适配器进行改进。

    推荐理由:报告了基于 Cosmos 3 改进的 WAM 在 BEHAVIOR Challenge 中获第二名的结果,公开了任务进度条件化与 LoRA 适配等关键工程细节。

  12. arXiv · 机器人与计算机视觉78

    FastWild-GS:通过紧凑的单图外观适应实现分钟级野外高斯泼溅

    论文 FastWild-GS 针对互联网照片曝光、光照及瞬态物体差异导致单套高斯颜色无法解释所有图像的问题,提出利用 128 维 Photo Appearance Token 和每通道变换参数描述每张图像。

    推荐理由:提出 FastWild-GS,利用 Photo Appearance Token 将野外场景高斯泼溅训练时间从小时级缩短至分钟级。

  13. arXiv · 机器人与计算机视觉74

    RiSE-Drive:端到端自动驾驶的风险敏感长视界候选评估

    针对端到端自动驾驶中候选轨迹评估难以捕捉延迟失败和尾部风险的挑战,本文提出 RiSE-Drive 框架。该方法先进行条件潜变量未来展开,再估计长视界结果分布而非单一标量分数,最后利用感知尾部风险且对扰动鲁棒的决策准则对候选项排序。在 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准上的实验表明,RiSE-Drive 实现了最先进性能并显著提升了候选选择的鲁棒性。

  14. arXiv · 机器人与计算机视觉43

    PS-VRS:基于谓词状态定位的语义级视频推理分割新基准与方法

    针对现有方法目标识别后持续发射掩码导致误报的问题,论文提出 PS-VRS 框架及包含 2,077 个视频、16,250 条标注查询的 PS-Bench 基准。提出的 PSG 策略通过预测 [ACTIVE]/[VACANT] 状态令牌并结合 SAM2 仅在活跃态发射掩码,在 PS-Bench 上比现有基线 J&F 分数提升 9.32 分并显著降低假阳性发射。

  15. arXiv · 机器人与计算机视觉46

    CP-GS 框架联合优化容量与精度,提升 2D 高斯图像表示的率失真性能

    CP-GS 是一种容量 - 精度耦合的高斯泼溅框架,通过动态重分配固定预算及分层量化校准,在共享速率约束下联合优化空间容量与参数精度。实验显示,该方法在 DIV2K 和 Kodak 数据集上优于代表性 2D 高斯及隐式神经表示,且在保持总预算固定的前提下降低了优化成本。

  16. arXiv · 机器人与计算机视觉45

    被动行走模型的信息度量:顺应性踝关节如何辅助控制

    针对智能机器人在适应性与灵巧度上与生物体存在的差距,该研究通过引入膝踝顺应性及足部摇杆效应,扩展了 McGeer 单摆步态模型并推导标准跟趾撞击映射。基于状态依赖的蒙特卡洛与再生核希尔伯特空间方法,论文计算了倒立摆与被动动态行走模型的相空间体积 W(γ),揭示了顺应性组件对物理智能建模与控制的新路径。

  17. arXiv · 机器人与计算机视觉78

    DisasterAgent:一种基于证据的代理,用于从遥感影像生成可验证的灾害报告

    针对遥感灾害评估需可验证证据的挑战,论文提出 DisasterAgent,采用感知 - 增强 - 生成的工作流。该方法首先调用视觉专家工具包构建时空感知图(STPG)作为结构化记忆,随后通过基于证据的增强(EA)从图中提取证据并附加内联引用,形成闭环验证。

    推荐理由:提出 DisasterAgent,通过时空感知图与证据增强机制生成可验证灾害报告,在基准测试中显著优于通用 VLM 及遥感专用模型。

  18. arXiv · 机器人与计算机视觉58

    RF3DGS:一种基于自先验的无反射 3D 高斯泼溅方法

    针对博物馆展览等需要高保真可视化的应用,本文提出 RF3DGS 方法以去除反射干扰。该方法利用多视图间同一 3D 点的最小像素强度与无反射信息强相关的原理,首先通过几何先验优化基础 3DGS 模型估计粗略深度图,进而聚合辅助视图构建清洁透射伪标签作为自监督信号。

  19. arXiv · 机器人与计算机视觉71

    从深度到安全深度:面向移动机器人导航的不确定性感知单目感知

    本文指出直接商用 Depth Anything V2 等单目深度基础模型在室内导航基准中会导致 63% 的碰撞率,因其系统性高估近距离障碍物距离。作者提出一种轻量级插件模块,在冻结的深度模型上增加 0.58M 参数头,预测每个像素的对数深度修正和不确定性,利用共形校准设定安全边界。

  20. arXiv · 机器人与计算机视觉48

    FAME-QP:一种用于实时模型预测控制的 GPU 加速二次规划求解器

    FAME-QP 是一款结合约束依赖算子表示与 CUDA Graphs 重放的 GPU 加速求解器,专为线性模型预测控制中的稠密二次规划设计。该工具通过设备校准自动选择执行配置并缓存算子库以应对矩阵变化,在仿真的人形机器人与四旋翼控制实验中,相比竞品 GPU 求解器显著降低了延迟并保持了解决精度与控制性能。

  21. arXiv · 机器人与计算机视觉35

    激光束宽与测量噪声对激光扫描树木直径估计的影响研究

    该研究通过仿真与实验发现,移动激光扫描中的异方差性噪声及激光束径会导致树干直径估计偏差随距离和树径变化。提出的偏置补偿方法无需额外校准即可可靠预测并消除直径大于 10 cm 树木的误差,将北方针叶林测试站点的均方根误差降至厘米级以下。对于直径小于 10 cm 的小树,因树皮纹理、非圆形等未知因素限制,该方法精度受限且无法完全补偿。

  22. arXiv · 机器人与计算机视觉72

    HintErase:一种基于提示而非空洞的视频覆盖去除方法

    该论文介绍 HintErase 模型,旨在恢复被字幕、Logo 等覆盖的视频场景。不同于传统将定位掩码视为空洞的方法,该方法将定位误差作为提示输入,训练模型修正遗漏与误覆盖区域,并保留真实场景文本。系统支持长视频流处理,具备抗抖动和跨镜头能力,相关代码与结果在项目页面展示。

  23. arXiv · 机器人与计算机视觉38

    CJRR-Net:MPI-INF-3DHP 八相机场景下未来视角选择的候选关节重投影排序网络

    CJRR-Net 提出一种候选 - 关节重投影排序方法,在 MPI-INF-3DHP 数据集的八相机固定设置中实现未来视角选择。该模型结合当前姿态观测与几何特征,将选视角 2D MPJPE 降至 105.18 像素,优于共享输入 MLP(114.64 像素)及适配 PoseErrNet(117.56 像素)。研究在各类遮挡组中均取得最低平均误差,并支持单视角选择的候选特定几何特性。

  24. arXiv · 机器人与计算机视觉62

    基于驾驶室视角视觉控制融合的自主挖掘机联合状态推断

    针对现有挖掘机加装专用传感器成本高、维护难的问题,本文提出一种利用车载视觉观测与控制时序信息的闭环自主挖掘框架。该方法编码驾驶室视角图像的结构线索,建模历史摇杆指令的短期运动趋势,并为铲斗关节引入滚动状态缓冲区以在严重遮挡下保持时间连续性;同时将机械关节范围约束纳入学习目标以抑制不可行估计。

  25. arXiv · 机器人与计算机视觉48

    Ego Guidance:利用无动作监督的人眼视角视频增强机器人策略学习

    该研究提出基于预训练视觉语言模型的 SPAR 架构,通过共享预测机制利用无动作监督的人眼视角视频提升机器人策略学习效果。实验表明,源自此类视频的表征能显著改善下游分布外任务性能,且随数据规模扩大效果进一步增益。论文探讨了目标选择与数据策展的影响,为可扩展的机器人学习提供新路径。

  26. arXiv · 机器人与计算机视觉58

    NIF-VIO:跨越惯性与非惯性参考系的视觉 - 惯性里程计

    论文提出 NIF-VIO 方法以解决传统视觉 - 惯性里程计在加速或旋转载体下因参考系假设失效导致融合误差的问题。该方法基于测量一致性适配融合策略,结合早期约束隔离与局部重优化限制误差传播,并在非惯性条件下引入紧凑模型保留惯性信息。实验表明其在惯性与非惯性条件下均能实现定位性能提升。

  27. arXiv · 机器人与计算机视觉73

    EgoHMP:通过第一人称线索实现三维场景中精确的人体动作预测

    论文提出 EgoHMP 框架,利用第一人称视角和头部运动作为交互意图的鲁棒载体,解决 gaze 信号模糊及硬件依赖问题。该方法包含视觉 - 运动对齐编码器、模态感知调制机制的意图预测器以及接触感知的运动解码器,通过全局轨迹自提示和多阶段去噪优化生成物理合理且语义一致的动作。

  28. arXiv · 机器人与计算机视觉20

    picoEmergencyNet:用于应急监控航拍图像分类的注意力增强超轻量深度学习模型

    picoEmergencyNet 是一款拥有 23k 参数和 7M FLOPs 的卷积神经网络,专为资源受限无人机平台设计。该模型在 AIDER 数据集上达到最高 96.1% 准确率,在 NVIDIA Jetson AGX Orin 上 GPU 推理达 258 FPS、CPU 为 46 FPS,且激活内存占用仅为竞品的七分之一。研究证明通过架构专业化而非规模扩展即可实现高效准确的实时灾害识别。

  29. arXiv · 机器人与计算机视觉11

    KAILOS 系统扩展架构利用 IoT 设备实现跨平台室内定位服务

    KAIST 提出的 KAILOS 系统扩展架构引入 IoT 设备,旨在消除基于移动应用定位的操作系统限制并提供跨平台服务。研究设计了包含软硬件的专用 IoT 装置,证明该方案能有效拓宽室内定位服务的适用范围。论文为 arXiv 预印本(arXiv:2611.13634),涉及机器人领域(cs.RO)。

  30. arXiv · 机器人与计算机视觉68

    DepthGS:一种用于高质量表面重建的深度引导高斯泼溅框架

    针对 3D 高斯泼溅在表面重建中深度信息与误差关系探索不足的问题,作者提出 DepthGS 框架。该工作推导了单目与多目设置下深度差异与重建误差的理论关系及上界,据此设计了自适应正则化策略:单目优化采用基于局部深度差异几何可靠性的法向约束调节,多目优化引入跨视图深度一致性正则化以增强相邻视图深度图的一致性。

  31. arXiv · 机器人与计算机视觉72

    FlashMotion:超快速长周期三维动作生成框架

    FlashMotion 是一个针对严格推理预算下的高质量长周期三维动作生成的协同设计框架,涵盖文生动作、音律舞蹈和语音手势任务。该方法通过引入带运动学与动力学一致性约束的三维动作空间 MeanFlow 公式实现少步生成,并采用自适应软掩码机制保证时序连贯;同时设计了轻量级非自回归 BiMamba 架构以优化单步效率。实验表明其在质量与效率上均达到最先进水平。代码已开源。

  32. arXiv · 机器人与计算机视觉45

    PUMA:概率约束序列交互用于取证定位

    PUMA 模型结合空间受限不平衡最优传输与位置凸选择,在 COVERAGE 和 NIST16 数据集上取得优于现有方法的定位分数。该方法保留归一化前的有符号传输质量残差,验证了局部匹配状态对跨源定位及后处理条件的效用。论文为 arXiv 预印本(arXiv:2611.13621),含 4 幅图与 1 张表,属计算机视觉领域实验性研究。