跳到正文
10月21日周三
  1. arXiv · 机器人与计算机视觉58

    TAMF-VTON:一种基于 Qwen-Image-Edit-2509 的无掩码虚拟试穿模型

    arXiv 论文 TAMF-VTON 提出了一种无需分割掩码、解析图或姿态表示的推理时框架,基于 Qwen-Image-Edit-2509 构建。该模型采用 token-wise 稀疏混合专家适配机制,在 VITON-HD 和 DressCode 基准测试中取得了最佳分数,支持单件或多件服装转移及主体间迁移。材料仅提供了预印本链接与定性结果展示,未报告真实机器人部署或商业化许可信息。

  2. arXiv · 机器人与计算机视觉4

    基于投影耦合红外热成像与立体相关数字图像相关技术的新方法

    该方法利用针孔相机模型将红外热成像的二维温度数据关联至立体相关数字图像相关的三维点坐标,特别适用于曲面分析。研究采用两个独立校准的工业级系统,通过径向基函数计算曲面上的面内温度梯度及速率,提供丰富的全场数据集且无需修改现有图像配准流程。

  3. arXiv · 机器人与计算机视觉74

    MolmoMotion:基于语言指令的 3D 点轨迹预测研究

    论文提出了 MolmoMotion 框架,包含由 1.16M 视频构建的动作描述 3D 点轨迹数据集 MolmoMotion-1M、涵盖 111 类物体与 61 种运动类型的基准 PointMotionBench,以及支持自回归坐标预测和流匹配轨迹生成的通用模型。该模型在语言指令引导下能准确预测多样化运动模式,并在机器人操作训练效率及视频生成真实性方面展现出良好的迁移效果。

  4. arXiv · 机器人与计算机视觉72

    FADNet:一种仅需单次训练的不确定性感知单类学习人脸真实性检测网络

    针对现有方法依赖特定伪造类型且面对新生成范式性能下降的问题,该研究提出 FADNet 框架,将其重构为仅基于真实数据训练的单一分类任务。通过引入证据深度量化预测不确定性,并利用伪伪造图像生成器收紧决策边界,FADNet 在 DF40 和 ASFD 基准测试中平均准确率达 96.63%,平均精确率为 98.83%。

  5. arXiv · 机器人与计算机视觉28

    DMDSC:面向医疗图像数据集的开放集识别动态边距深度单纯形分类器

    DMDSC 提出动态边距方法,根据标签频率自动调整类特定边距以应对医疗数据极度不平衡挑战。在 BloodMNIST、OCTMNIST、DermaMNIST 和 BreaKHis 基准上,该框架通过强化罕见病理惩罚与特征聚类,显著优于利用神经坍缩的 DSC 及 UCDSC 等最先进方法。论文为 arXiv 预印本版本 v3,代码与权重暂未提及开放许可。

  6. arXiv · 机器人与计算机视觉78

    HERMES++:面向三维场景理解与生成的统一自动驾驶世界模型

    针对现有方法侧重未来生成而忽视三维理解、大语言模型缺乏几何演化预测能力的差距,该研究提出 HERMES++ 统一驾驶世界模型。通过鸟瞰图表示整合多视角信息、LLM 增强世界查询促进知识迁移、当前到未来链接桥接时间差以及联合几何优化确保结构完整性,该方法在多个基准测试中表现优于专用方法,同时实现未来点云预测与三维场景理解任务的高性能。论文已被 IEEE TPAMI 接收,代码与模型将公开。

    推荐理由:该工作提出统一框架融合三维场景理解与未来几何预测,填补语义解释与物理模拟间的差距。

  7. arXiv · 机器人与计算机视觉45

    Adjoint Inversion 揭示 CNN 分类器中的全息叠加与破坏性干涉机制

    Adjoint Inversion 框架通过轻量级局部副校正器(LACs)校准反向信号,在四种 CNN 骨干网络中证实了深通道保留全局场景内容的全息叠加组织。正负权重类重建的符号和集中前景,其共享内容与通道特异性残差的分解解释了该重组源于破坏性干涉。基于协方差体积的通道选择方法(CovVol)及纯 ViT-B/16 应用均验证了几何结构的实用价值与输入对齐改进。

  8. arXiv · 机器人与计算机视觉55

    SARES-DEIM:面向杂波感知的 SAR 船舶检测稀疏混合专家模型

    针对合成孔径雷达(SAR)图像中相干斑点噪声、复杂海岸杂波及小尺度目标检测难的问题,作者提出 SARES-DEIM 框架。该框架基于 DETR 范式,核心包含利用稀疏门控机制路由至专用小波、空间和频率专家模块的 SARESMoE,以及用于保留浅层高分辨率空间线索并提升小目标定位能力的 Space-to-Depth Enhancement Pyramid(SDEP)颈部结构。

  9. arXiv · 机器人与计算机视觉5

    深度学习实现历史地图对齐以分析城市变迁

    该研究提出基于深度学习的框架,通过空间地图配准、多时相对象提取及变化估算模块,解决历史地图序列的空间错位与质量退化难题。实验在 1868 至 1937 年的巴黎数据上验证了方法的鲁棒性,揭示了城市变迁的时空异质性。该模块化设计为未来适配不同制图语境及下游应用提供了灵活性。

  10. arXiv · 机器人与计算机视觉78

    ChartEvo:一种用于长尾图表推理的递归自进化智能体框架

    该论文提出了 ChartEvo 框架,旨在解决多模态大语言模型在长尾图表类型上性能不均的问题。通过经验驱动的层级自改进机制,框架联合演化可复用的图表专用技能与可执行工具,并学习局部工具调用链以组合能力与控制推理开销。实验显示,在 ChartBench 和 ChartX 数据集的长尾图表任务中,该方法相比基线模型 Qwen3.7-Plus 分别提升了 45.6% 和 32.5% 的准确率。

    推荐理由:针对长尾图表推理任务,提出递归自进化框架以联合优化技能与工具调用链。

  11. arXiv · 机器人与计算机视觉78

    GALA:一种用于可控物体布置的几何感知语言模型

    针对现有方法依赖简化表示而忽视细节几何的问题,该工作提出 GALA 模型,通过显式点云感知实现细粒度支撑与包含约束推理。模型采用两阶段训练策略对齐几何与文本模态,并在多源场景数据集上显著优于基线。此外,团队开发了基于模型的文本驱动场景生成智能体管线,相关数据集与代码将开源。

    推荐理由:该工作提出融合点云感知的几何语言模型,解决细粒度放置约束推理难题,并开源多场景数据集与计划 - 放置 - 验证智能体管线。

  12. arXiv · 机器人与计算机视觉54

    Give the Model a Finger:VLM 计数的发育对齐评估

    这篇论文提出了一种无需训练的代理循环,通过给视觉语言模型(VLM)提供‘手指’标记等工具来模拟儿童的认知行为,以评估其计数能力。研究发现 VLM 的精确计数范围存在显著差异,且标记干预虽能留下可审计的推理痕迹,但并未显著提升小数量照片的计数准确率。研究还揭示了模型在遵循遍历顺序与修正自身答案方面的解离现象。

  13. arXiv · 机器人与计算机视觉42

    CCT-GS:一种兼容视频编解码器的 3D 高斯泼溅压缩框架

    CCT-GS 提出了一种针对 3D 高斯泼溅(3DGS)的通用变换学习框架,通过引入 LoRA 场景适应机制解决非直流球谐系数统计差异问题。在 MPEG GSC 序列实验中,该框架平均比特率降低幅度达 51.30%,显著优于现有视频编码基线。论文已被 IEEE VCIP 2026 会议接收,代码与数据暂未提及开放许可。

  14. arXiv · 机器人与计算机视觉84

    Joints, Camera, Action!:为任意骨架协同生成 3D 运动与视频

    arXiv 论文提出一种模型,直接为任意提供的骨架(rig)协同生成视频和 3D 运动,并注册相机以将动作置于 3D 场景中。该方法将 3D 运动建模独立于视频模型,支持非人形骨架,利用少量交叉注意力层连接预训练视频模型。

    推荐理由:提出联合生成视频与任意骨架 3D 运动的新方法,支持非人形资产动画化及场景配准。

  15. arXiv · 机器人与计算机视觉83

    KoalaGS:基于复杂度感知的连续层级细节高斯泼溅方法

    该论文提出 KoalaGS 方法,利用输入视图计算的图像复杂度先验来指导高斯泼溅训练中的点云重定位与降级策略。研究发现在低算力预算下,简单区域的高斯数量过多会拖累渲染质量,该方法通过偏置重定向至重建较差区域并平滑过渡层级细节,在三个数据集上实现了更优的渐进式流送效果与结构保持能力。

    推荐理由:该方法利用图像复杂度先验优化高斯泼溅的层级细节,在降低算力预算时保持场景结构并提升低容量下的渲染质量。

  16. arXiv · 机器人与计算机视觉33

    Neural Implicit Energy Optimization for LiDAR Mapping 提出基于形状算子能量泛函的神经隐式表示优化方法,在百万点激光雷达地图重建中实现平滑度提升且无推理成本增加。

    Neural Implicit Energy Optimization for LiDAR Mapping 利用形状算子的曲率先验对符号距离场进行正则化,有效解决了稀疏噪声输入导致的几何抖动与伪影问题。实验表明该方法在大规模数据集上实现了保持几何保真度的平滑重建,且无需额外推理时间成本。代码已公开可用。

  17. arXiv · 机器人与计算机视觉83

    Can a Display Be Used for Rapid LiDAR-Camera Extrinsic Calibration?

    ScreenCalib 方法利用普通可编程显示屏上的 AprilTag 标记和屏幕物理边界,实现激光雷达与相机的外参标定。该方法通过标签引导提取、几何假设生成及场景边缘消歧义解决显示几何带来的关联模糊问题。

    推荐理由:提出用普通显示屏替代专用标定板进行激光雷达与相机外参校准,通过多姿态共识降低误差。

  18. arXiv · 机器人与计算机视觉62

    CoGaussian:一种基于开放词汇的高斯协同 3D 场景理解框架

    论文 CoGaussian 针对现有协同感知方法依赖密集体素标注且局限于预定义类别的问题,提出了一种基于基础模型对齐的稀疏 3D 高斯表示框架。该方法将场景表示为稀疏 3D 高斯集合,用于在多智能体间高效通信与融合几何及语义信息。在 Semantic-OPV2V 基准测试中,该方法的性能优于现有的开放词汇单智能体方法,验证了开放词汇协同场景理解的有效性。

  19. arXiv · 机器人与计算机视觉78

    SenseAlign:通过语言理解视觉与触觉的测试时适应方法

    SenseAlign 是一种针对触觉 - 视觉 - 语言模型的测试时适应方法,旨在解决部署中因环境变化或硬件差异导致的模态不可靠问题。该方法利用候选类别的文本嵌入比较累积观测以评估模态可靠性,并通过特征修正分离预测类别与替代选项。所有编码器保持冻结,仅使用无标签历史数据即可在自然偏移和受控腐蚀下恢复识别性能。

    推荐理由:提出在测试时利用文本嵌入进行模态对齐与特征修正,以应对光照或传感器变化导致的性能下降。

  20. arXiv · 机器人与计算机视觉58

    基于深度学习的路道线质量评估:从第一人称行车记录仪视频出发

    针对现有自动驾驶数据集缺乏车道线可见性、连续性或退化等维护导向标签的问题,研究团队提出了一个基于 GPS 定位的智能手机行车记录仪数据集及基线框架。该数据集包含在南德克萨斯州采集的 63,839 帧面向道路的图像,其中 3,339 帧与 OpenStreetMap 导出的车道计数标签匹配,用于弱监督回归和地图一致性评估。

  21. arXiv · 机器人与计算机视觉78

    Learning from Automatic 3D Gaussian Splatting Edits for Online Bayesian Scene Change Detection

    该论文提出了一种基于广义贝叶斯证据融合的在线场景变化检测方法。方法通过离线学习自动对参考 3DGS 模型进行的编辑来生成带标签的训练视图,从而无需人工标注即可训练场景特定的证据模型和估计像素先验统计量。

    推荐理由:该方法通过离线学习自动编辑的 3DGS 模型来生成监督信号,解决了在线场景变化检测中先验未知和数值推断成本高的问题。

  22. arXiv · 机器人与计算机视觉85

    CLOSER:一种用于具身对象 - 目标导航的证据感知主动视觉验证方法

    针对对象 - 目标导航任务中检测器易误判及候选体被遮挡的问题,该研究提出 CLOSER 框架。该方法微调开源 VLM 对多视角候选体进行目标、非目标或不确定标注,利用嵌入多样性门控选择互补视角并融合概率;若仍不确定则驱动智能体仅凭掩码和深度信息接近候选体直至决策明确。

    推荐理由:该工作提出证据感知的主动验证框架,通过微调开源 VLM 与扩散策略结合,在不重新训练现有导航系统的前提下提升目标导航成功率。

  23. arXiv · 机器人与计算机视觉42

    DISTRACT:视觉语言跟踪器在图像退化下的文本引用研究基准

    DISTRACT 是一个匹配干预基准,固定视频、目标与干扰项,沿控制严重度轴交叉四种文本先验与四种图像退化以评估五款 VLT。Molmo2 和 JointNLT 表现出定向文本使用且决策近状态可解码冲突文本,而 UVLTrack、MMTrack 及 DUTrack 在测试设置下无显著行为效应。该研究揭示了视觉证据恶化时文本影响跟踪的时机与位置,相关代码与数据待 arXiv 注册后开放。

  24. arXiv · 机器人与计算机视觉43

    RayCo4D:一种用于单目 4D 动态重建的射线条件连续运动模型

    RayCo4D 提出了一种将视觉测量与潜在 3D 运动状态分离的射线条件连续运动模型,通过白噪声加速度过程先验实现跨可见性区间的连续时间渲染。实验表明该模型在单目动态场景下实现了具有竞争力的新视角合成质量,并在快速运动和轨迹不完整时显著提升了结构与时间一致性。

  25. arXiv · 机器人与计算机视觉30

    低成本的 TMF8821 SPAD 传感器如何重建 V 形表面

    针对低成本多区 SPAD 传感器在几何不连续处深度估计不可靠的问题,该研究提出了一种基于 TMF8821 传感器的可靠性感知重建框架。实验显示,该方法将 60、90 及 120 度目标的平均 V 角误差从 11.21 度降至 9.66 度(降低 13.8%),代表性 90 度目标点面均方根误差也从 14.56 mm 降至 13.65 mm。

  26. arXiv · 机器人与计算机视觉78

    SplatFlux:基于视频潜变量的前馈式 4D 高斯重建与生成框架

    该论文提出 SplatFlux,这是一个将视频潜变量解码为 4D 高斯(4DGS)的前馈框架,旨在统一处理视频基 4D 重建和条件式 4D 生成。核心观察在于利用预训练视频潜空间表示观测视频与生成内容。

    推荐理由:该工作提出 SplatFlux,利用预训练视频潜空间统一处理重建与生成任务,并通过静态动态解耦策略实现无需标注的 4D 场景构建。

  27. arXiv · 机器人与计算机视觉20

    基于 Qwen3-VL 8B Instruct 的南非 R3337 草案食品包装证据提取与审慎筛查工作流

    该研究提出针对南非 R3337 草案的食品包装图像分析流程,结合 PaddleOCR 结构化提取与 Qwen3-VL 8B Instruct 选择性视觉语言模型复核。在验证的 65 款产品中,该方法将自动判定覆盖率从 51.7% 提升至 65.0%,选择性准确率高达 97.4% 且未遗漏任何不安全警告。研究证实确定性筛查与明确放弃机制对可靠图像化合规评估仍不可或缺。

  28. arXiv · 机器人与计算机视觉32

    RIECR 框架实现 RAW 域联合曝光校正与恢复

    RIECR 框架在 RAW 域直接解决欠曝与过曝问题,通过线性光照校正网络估计曝光感知增益并辅以频域增强模块恢复细节。研究构建了含 223 个场景、1784 对图像的配对基准,实验显示该方法在十六种最先进方法中表现最优。该工作为计算机视觉领域提供了统一的 RAW 图像修复方案。

  29. arXiv · 机器人与计算机视觉78

    CrossFit-GS:面向 COLMAP-Free 3D Gaussian Splatting 的跨折叠姿态估计

    论文提出 CrossFit-GS 框架,旨在绕过繁琐的结构从运动(SfM)步骤,直接从未定位图像序列中重建场景。该方法将输入序列划分为交错子集并维护两个互补子图,利用从未针对目标帧优化的冻结反向子图为姿态估计提供独立几何参考,并通过棋盘格验证和空间覆盖保障剔除不可靠更新。

  30. arXiv · 机器人与计算机视觉66

    OV-Foam:三维表征如何塑造语义特征提升

    针对现有开放词汇分割方法依赖简单反向投影导致重建次优的问题,本文提出 OV-Foam 方法。该方法采用 PowerFoam 作为底层表示,利用幂图对场景进行划分,实现了原语间的零重叠并显著降低了每条射线的原语数量。实验表明,OV-Foam 的空间划分原语能达到接近最优的特征分配效果,在开放词汇分割任务上优于高斯基线方法。

  31. arXiv · 机器人与计算机视觉48

    GAMF-Net:分组可用性感知多模态融合网络用于智能手机皮肤病变分类

    针对资源受限场景下单一图像无法完整捕捉病史与症状的问题,GAMF-Net 提出一种分组可用性感知多模态融合网络。该方法在 PAD-UFES-20 数据集上采用患者不重叠五折协议评估,准确率达 74.17%,优于 MetaBlock 等基线模型。消融实验证实临床信息显著提升了类别平衡性能且约束等权融合更有效。

  32. arXiv · 机器人与计算机视觉85

    PointForward V2:面向前馈式驾驶重建的点对齐交互方法

    论文 PointForward V2 针对动态驾驶场景的前馈式重建任务,提出利用紧凑的场景结构化寄存器来中介稀疏 3D 查询间的交互,以替代直接的全局注意力机制。

    推荐理由:该预印本提出通过紧凑的场景结构化寄存器中介查询交互,解决了点表示独立处理与全局注意力计算量大的问题。

  33. arXiv · 机器人与计算机视觉35

    RELiF:基于可靠性引导解码与文本感知跳变精修的医学图像分割框架

    RELiF 是一种通过可靠性引导解码融合文本信息的视觉语言框架,利用 RFG 门控机制自适应控制跨模态更新。该模型在放射学、CT 及内窥镜分割任务中展现出竞争力,其不确定性表征与预测难度呈正相关。代码已开源,适用于多成像模态下的复杂目标分割场景。