跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉72

    Same Physics, Different Gradients:可微物理仿真状态报告

    该论文系统梳理了可微物理仿真中“计算对象”与“反向传播实现”的分类差异,指出精确梯度优势取决于拟合目标来源而非单纯求解器预算。研究量化了接触非光滑性导致梯度丢失的四种机制,并验证了在特定条件下零阶方法优于模拟器梯度的现象。材料提供了报告清单、诊断工具及未来研究议程,旨在澄清文献中的混淆概念。

  2. arXiv · 机器人与计算机视觉78

    SCALE:基于 LLM 引导的经验内化与小模型优先的概念抽象框架

    论文提出 SCALE 框架,旨在让轻量级自主智能体在不依赖昂贵大语言模型推理的情况下持续获取可复用知识。该架构由小模型处理常规预测,仅在预测错误或积累跨回合证据时触发 LLM 进行反思;LLM 分析历史经验并生成反事实示例以提出可复用的概念假设。

    推荐理由:SCALE 框架通过小模型处理常规任务、LLM 仅在误差时介入反思,实现了经验知识的紧凑内化与层级抽象。

  3. arXiv · 机器人与计算机视觉48

    EmoHarness:通过元架构进化提升多模态情感理解能力

    EmoHarness 在 Meta-Harness Evolving 框架下,利用人工初始骨架与离线进化的强 LLM 构建器,为小模型提供可引用的视听证据以解决多模态冲突。该方法在 MME-Emotion 数据集上使任务宏识别率提升 7.6-13.4 分,其中转录和韵律描述贡献了主要增益。项目代码与页面已公开,适用于计算语言学与计算机视觉领域。

  4. arXiv · 机器人与计算机视觉74

    塑造有用噪声:能量分布预测视觉预训练质量

    该论文提出使用数据集的能量分布(归一化真实图像密度模型下的对数概率水平分布)作为合成数据的审计与策展原则。作者引入能量 - 层级距离指标,证明其能揭示 FID 等现有指标遗漏的分布不匹配,并预测 CNN 和 ViT 自监督预训练的性能。研究进一步利用该指标重采样和混合合成数据源,在保持多样性的同时匹配真实图像能量直方图,从而提升下游迁移效果。

  5. arXiv · 机器人与计算机视觉78

    单步世界模型需要多少候选?基于冻结 DINO 令牌的最近邻训练研究

    该论文测试了单步随机码本匹配(nearest-of-m)在冻结 DINOv2/v3 令牌上的表现,发现 m=16 即可覆盖枚举的未来且延迟约为扩散方法的 1/30。研究证实该方法在模式不确定性下优于多步流匹配和能量分数生成器,但指出其在连续高维输出上存在欠分散性限制,且准确的风险分析并未提升规划成功率。

    推荐理由:该文在冻结 DINOv2/v3 令牌上验证了单步随机码本匹配方法,发现 m=16 即可覆盖枚举未来且保持低延迟,同时揭示了该方法在连续高维输出上的欠分散性限制。

  6. arXiv · 机器人与计算机视觉75

    DeltaForge:首个用于多域自动驾驶的事后混合专家视觉语言动作模型

    针对各运营方独立微调导致难以合并的难题,本文提出 DeltaForge,这是据我们所知首个事后混合专家 VLA 架构。该方法利用不同微调更新间的共享结构,通过奇异值分解(SVD)将权重更新拆分为共享部分和极小的域特定部分;路由网络仅需处理这些微小片段而非全量专家权重,从而保持高效。

  7. arXiv · 机器人与计算机视觉23

    ROS2MR:连接 ROS 2 运动规划与混合现实轨迹可视化

    ROS2MR 作为 MR-Robotics LAB 平台的扩展,将 YAML 序列化的 ROS 2 关节轨迹转换为 JSON 播放格式以支持 Apple Vision Pro 和 Meta Quest 3。该转换器在提供速度时位置均方根误差约为 2.91x10^-5 度,无速度时稀疏输入误差升至 0.85 度,实现了无需实时 ROS 连接即可在混合现实中检查轨迹的功能。

  8. arXiv · 机器人与计算机视觉78

    基于 Transformer 的无需显式状态估计的可泛化输出反馈最优控制

    该研究提出一种基于 Transformer 的策略,用于解决部分观测且含噪声的多输入多输出线性时不变系统族的通用控制问题。策略通过共享表示与编码技术,仅需短时噪声测量即可生成控制动作,无需植物矩阵或状态估计器。

    推荐理由:论文提出利用 Transformer 实现无需显式状态估计的通用输出反馈最优控制,在仿真系统中达到接近 LQG 的最优成本。

  9. arXiv · 机器人与计算机视觉20

    Feel My Focus:眼动触发数字孪生创建用于远程协作演示

    Feel My Focus 是一款眼动触发的混合现实(MR)演示系统,将持续视觉注意力转化为生成动作,实现单图捕捉、注意引导分割及一次成像三维重建。该系统集成眼动追踪眼镜与模块化服务,优先响应性与体验连续性而非光度保真度。基于公开演示观察,报告了设计权衡、失效模式及真实协作场景下的用户控制考量。

  10. arXiv · 机器人与计算机视觉38

    Quadrotor 并发学习惯性参数估计与控制算法研究

    针对质心与几何中心不重合的四旋翼无人机,该方法在无加速度计和数值微分条件下,在线估计质量、质心偏移及完整惯性矩阵并跟踪轨迹。理论证明有限激励下参数收敛至真值,仿真验证了算法有效性。该工作已提交 IEEE Control Systems Letters 待刊,arXiv 预印本包含 6 页正文与 4 幅图示。

  11. arXiv · 机器人与计算机视觉35

    Sparse Autoencoders 分解地球观测嵌入:NeurIPS 2026 接收论文与代码开放

    Sparse Autoencoders(SAEs)将 AlphaEarth 和 Tessera 嵌入分解为稀疏特征,在匹配稀疏度下重构效果优于所有基线。AlphaEarth 中仅 88% 维度最多对齐一个概念组,且细粒度方差占比达 23%-32%,远超随机解码器基线的 9%。SAE 代码已开放,但发现土地覆盖子概念等应用尚不足以用于实际部署。

  12. arXiv · 机器人与计算机视觉20

    Edge Computing for Computer Vision in IoT 可行性与方向研究

    该论文评估了 LoRaWAN 和卫星物联网通信策略,分析了边缘硬件上的计算机视觉工作负载。研究探讨了在动态现实条件下部署多接入边缘拓扑、模型量化及卫星增强平台的可行性。未来方向包括支持低延迟、能效高且具社会影响力的物联网应用中的零样本学习与多模态感知。

  13. arXiv · 机器人与计算机视觉49

    全量微调非问题:为何 Adam 失败而 SGD 在少样本 CLIP 适配中成功

    该研究通过 11 个数据集、3 种 CLIP 骨干及 5 个 shot 水平的实验证明,在全量微调下普通 SGD 优于代表性 PEFT 方法,而 Adam/AdamW 因支持集预条件化不可靠导致崩溃。理论形式化了少样本估计误差如何被放大为不安全更新,证实优化器诱导的预条件化而非全量微调本身是失败主因。论文已接受发表于 NeurIPS 2026,代码与权重开放许可待确认。

  14. arXiv · 机器人与计算机视觉35

    Confidence-Driven Adaptive Semantic Transmission 提升带宽受限网络下的图像分类可靠性

    Confidence-Driven Adaptive Semantic Transmission(CDA)通过边缘设备根据置信度自适应选择文本、压缩 ROI 或全图传输,解决无线监控中通信成本与分类可靠性的权衡。数值评估显示,在带宽受限和丢包链路下,该方法相比仅传边缘结果或未压缩 ROI 的基线实现了更高的接收端任务准确率。该研究为物理 AI 系统在资源约束下的语义通信提供了新范式。

  15. arXiv · 机器人与计算机视觉72

    Zora:基于检索推测与硬件加速的高效 VLA 推理框架

    针对资源受限平台上视觉语言动作(VLA)模型的自回归生成延迟问题,本文提出了 Zora 软硬件协同设计框架。该方法利用轻量级检索增强生成(RAG)草案模型结合机器人动力学替代昂贵的神经网络草案模型,并通过运动学引导的动作接受策略与 KV-cache 共享注意力机制降低批验证开销。

  16. arXiv · 机器人与计算机视觉43

    Hyperbolic Elastic Representation Learning (HERL) 框架实现维度自适应嵌入学习

    Hyperbolic Elastic Representation Learning (HERL) 框架通过轻量级适配器在无需重训基础编码器的情况下,实现了图像与文本模态下嵌入的压缩与扩展。该方法利用双曲几何指数容量,在保持下游性能的同时显著降低计算成本,并支持监督与非监督设置下的平滑维度插值。代码已开源,论文已被 NeurIPS 2026 接收。

  17. arXiv · 机器人与计算机视觉58

    Plot-to-Code 生成中的简单测试时优化:基于视觉 - 代码诊断

    针对多模态大模型在 Plot-to-Code 任务中缺乏类似人类‘先生成后纠错’工作流的痛点,本文提出首个基于迭代测试时优化的研究框架。作者构建了 Visual-Code Diagnostics 系统,将生成错误分为四类,训练轻量判别器利用渲染出的视觉输出与对应代码进行错误识别与定位。

  18. arXiv · 机器人与计算机视觉59

    学习何时思考:强化学习中的自适应内部计算

    论文介绍了一种名为自适应内部计算(AIC)的迭代策略,该策略能根据状态动态决定何时停止细化潜在表示并执行动作。研究在十二个基准任务上平均仅需 3.3 步即可执行决策,相比固定八步策略将每步延迟降低了 31%--44%,并在七项任务中获得了高于最佳固定深度策略的平均奖励。

  19. arXiv · 机器人与计算机视觉75

    面向抗干扰流编辑的前瞻引导方法

    针对扩散和流模型在受控编辑中难以兼顾源图像保真度与编辑合规性的问题,本文提出一种无需逆推、基于轨迹视角的流图像编辑框架。该方法引入一步前瞻机制,通过去噪估计候选更新对编辑和保真度奖励的影响,并在显式保真约束下调整当前更新。实验表明,该方案在保持更强语义编辑的同时,比现有强基线更好地保留了源内容。

  20. arXiv · 机器人与计算机视觉68

    Evaluating Physically Grounded Procedural Reasoning in VLMs through Real-World Execution: Crochet as a Testbed

    作者提出以钩针编织为物理测试床来评估视觉语言模型(VLM)的物理基础程序推理能力,因为该过程难以仿真且验证成本低。研究引入 FoundationChain 测试框架,通过手工执行四个 VLM 生成的 40 种钩针图案进行验证。结果显示仅有四个图案无错误,分析暴露了模型在视觉、几何和程序推理方面的缺陷。

  21. arXiv · 机器人与计算机视觉35

    STABLE:一种具备自适应漂移控制的持续学习优化器

    STABLE 是一种原对偶优化器,通过自适应漂移控制解决持续学习中灾难性遗忘与不稳定的适应问题。实验表明,在长视界单模态及 CLIP 多模态流中,STABLE 微调基线匹配或超越专用持续学习方法并保留零样本迁移能力。该成果已获 NeurIPS 2026 接收,代码与权重开放许可。

  22. arXiv · 机器人与计算机视觉42

    EgoVeil:面向第一人称视频的个性化隐私推理系统

    EgoVeil 是一种将视觉区域转化为结构化语义观察并结合用户特定记忆的个性化隐私推理系统,旨在智能眼镜辅助中平衡隐私保护与上下文保留。该系统在 10 名真实用户的野外数据上评估,实现了 91.93% 的平衡准确率和 84.42% 的掩码召回率,优于直接 VLM 基线及其他受控推理方法。研究证明个性化自适应推理能更好地对齐个体偏好并保留有效视觉上下文。

  23. arXiv · 机器人与计算机视觉82

    TIGER:通过桥接推理 - 访问差距解锁视觉推理

    该论文指出多模态大语言模型在视觉输入上存在推理能力下降现象,将其定义为‘推理 - 访问差距’。作者提出 TIGER(Text-to-Image Gap-targeted training for Enhanced Reasoning)方法。

    推荐理由:提出 TIGER 方法通过挖掘合成反事实数据并微调,弥合视觉推理与文本推理间的差距。

  24. arXiv · 机器人与计算机视觉18

    Compact Quantum Channel Attention for Static ASL Recognition:参数匹配基线下的受控研究

    QCA-DenseNet 采用八量子比特变分电路作为通道注意力门,在 DenseNet121 特征上实现静态美国手语识别。该模型在保留 17,464 个参数的情况下,于 1,815 张 MU HandImages 图像测试中达到 94.50% 准确率,优于 SE 块基线且无显著量子优势。研究证实紧凑注意力门未带来精度损失,但亦未发现量子优越性。

  25. arXiv · 机器人与计算机视觉49

    GB-SAE 通过门控瓶颈稀疏自编码器实现跨模型语义字典统一与特征复用

    GB-SAE 提出门控瓶颈稀疏自编码器框架,同时学习共享通用语义字典与各模型私有残差字典以解决表示异构问题。该方法在 ViT、SigLIP、DINOv2 及 ConvNeXt 等基础模型上验证了卓越的重组能力与跨模型可复用性,并支持未见模型的泛化。代码已开源,相关成果将在 NeurIPS 2026 会议呈现。

  26. arXiv · 机器人与计算机视觉45

    SituRecBench:评估前沿视觉语言模型作为三维环境情境推荐助手的基准

    SituRecBench 是一个交互式基准,用于评估前沿视觉语言模型(VLMs)在高保真三维环境中作为情境推荐助手的能力。该基准模拟超市和家居店等真实购物场景,要求助手在共享用户第一视角时通过对话激发偏好、将推荐锚定环境并引导导航。实验揭示了空间锚定与偏好激发方面的持续挑战,表明现有模型难以整合全局上下文与局部观测信息。

  27. arXiv · 机器人与计算机视觉5

    确定性生成扩散模型的通用结构研究

    该研究表明,基于扩散的生成模型在确定性采样轨迹上存在一种与数据模态及模型实现无关的通用几何结构。这一发现可通过基于最优线性去噪器的精确可解模型进行解释,为跨领域的模型训练与推理提供了统一的理论框架。

  28. arXiv · 机器人与计算机视觉35

    LITHOS 多模态岩相图像分类与可解释性评估报告

    基于 105,802 个专家标注颗粒的评估显示,LITHOS 双流视觉Transformer在正交偏振光输入缺失时,25类中有20类真类概率下降幅度大于正交偏振光替换。五种XAI归因方法对同一输入生成不同可视化地图,且超像素删除分析中所有41个95%置信区间均包含零值。研究证实仅凭分类准确率或视觉检查无法确立模型误差结构、模态敏感性及归因行为等关键性能维度。

  29. arXiv · 机器人与计算机视觉74

    WMPA:面向机器人嵌入式 AI 的硬件 - 算法协同设计的世界模型规划加速器

    论文提出世界模型规划加速器(WMPA),旨在解决嵌入式设备上运行世界模型时的功耗与热限制问题。研究通过信息论推导了潜状态转换的计算下限,并分析 DreamerV3 风格模型的实测数据,发现其受限于内存带宽且能耗远超 CMOS 物理极限,导致持续计算引发严重过热。

  30. arXiv · 机器人与计算机视觉59

    超越提示攻击:概念擦除的最小动作审计

    针对文本到图像扩散模型的‘概念擦除’(如 NSFW 内容),现有提示攻击仅测试条件字符串能否检索目标概念,无法衡量冻结生成器对该概念的分配概率。本文提出‘最小动作审计’方法,通过计算驱动冻结反向过程进入检测器定义的事件所需的最小控制成本(即路径空间 KL 散度或事件负对数概率)来量化残留概率。

  31. arXiv · 机器人与计算机视觉13

    Polarization Aware Deep Learning Framework for SAR Despeckling 提出统一去斑框架

    该研究提出一种统一的深度学习框架,利用单张训练好的卷积神经网络处理单、双及全极化合成孔径雷达数据。方法采用九通道协方差矩阵表示与极化感知掩码策略,无需修改网络架构即可适配不同配置。在三种传感器场景的定性定量对比中,该方法展现了跨极化配置的竞争力并验证了统一方案的可行性。

  32. arXiv · 机器人与计算机视觉42

    频率一致合成与选择性迁移用于医学图像分析

    该研究提出通过自适应频率一致性和选择性特征转移的框架,将医学图像合成与任务学习相链接。在五个数据集上的评估显示,该方法在无配对监督下训练的对抗及扩散翻译器中提升了转换保真度,并在脑肿瘤分割和病灶中心点检测上取得增益。所有 105 组配对比较的点估计均支持所提方法,包括在未重新训练情况下对治疗后 MRI 进行的 36 次外部翻译比较。