跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉78

    生成式视频压缩中的自适应去噪入口方法 ADE-GVC

    论文提出 ADE-GVC 框架,通过轻量级预测器从压缩潜变量估计自适应的去噪起始时间点,并注入时间适配器以提取压缩感知条件。该方法将去噪起点选择建模为几何优化问题,在极低码率约束下显著提升了重建真实度与感知质量,相比最新开源基线 GLC-Video 平均节省 40.99% 的比特率(DISTS 指标)并提升 95.24% 的 PSNR。

    推荐理由:提出首个感知压缩潜变量的自适应去噪起始点预测框架,在极低码率下实现优于现有开源基线的感知质量与重建真实度。

  2. arXiv · 机器人与计算机视觉65

    从第一人称人类视频到具身智能时代的机器人操作:一种综述

    该论文提出 Ego2Robot 学习框架,旨在利用第一人称人类视频(EHV)中的手物交互数据训练机器人操作策略。文章定义了四种学习范式:显式本体转移、显式动作与任务监督、第一人称视频表示预训练以及潜在动作与动力学建模,并对比了各范式的信息提取方式与额外数据需求。

  3. arXiv · 机器人与计算机视觉78

    预训练潜在世界模型的少样本残差适应

    针对预训练潜在世界模型在部署时因物理动力学改变而失效的问题,本文提出一种无需修改预训练权重或识别具体参数变化的少样本残差适应方法。该方法通过自监督学习从潜在预测误差中获取修正项,同时应用于潜在预测器内部及其预测的潜在状态,且保持预训练世界模型冻结。

    推荐理由:该文提出一种冻结预训练权重的少样本残差适应方法,在质心与摩擦变化场景下恢复机器人控制成功率。

  4. arXiv · 机器人与计算机视觉18

    AstroSeg-vEM 轻量框架实现星形胶质细胞三维重建

    AstroSeg-vEM 结合 Transformer 与后处理,在保持高分辨率下完成体积电子显微镜数据的星形胶质细胞分割、三维重建及定量分析。该框架在四种小鼠海马数据集上平均 Dice 达 0.92、加权 Dice 为 0.95,且可在消费级硬件高效运行。论文已被 npj Imaging 接收,代码与数据即将开放。

  5. arXiv · 机器人与计算机视觉68

    UniWeaver:利用统一多模态模型实现图文交错生成

    该论文提出了 UniWeaver 框架,旨在通过整合多模态规划、生成和视觉反馈来解决统一多模态模型缺乏原生协调能力的问题。作者构建了包含 10,000 个任务的 UniWeaver-10K 数据集及评估基准 UniWeaver-Bench。实验表明该方案在多个统一多模态模型骨干上实现了图文交错生成的最先进性能。

  6. arXiv · 机器人与计算机视觉78

    GEMOR-GS:一种用于 3D 高斯泼溅 SLAM 的全局外参校准优化映射与在线重定位方法

    该论文提出 GEMOR-GS 框架,旨在为连续运行的机器人提供逼真且度量一致的 LiDAR-惯性 - 视觉 SLAM 世界表示。该方法首先通过专用校准段利用直接法对齐离线估计相机与激光雷达的外参,并在标定几何下交替优化关键帧位姿与高斯参数;最终重建全局地图时解除所有限制以提升外观质量。

    推荐理由:提出 GEMOR-GS 方法,通过离线外参校准与在线重定位实现高几何精度与可重入性的 3DGS SLAM。

  7. arXiv · 机器人与计算机视觉72

    Seeing the Small:用于视网膜病灶分割的可变形对偶 Mamba

    针对糖尿病视网膜病变中形状多变且微动脉瘤仅占几像素的难点,本文提出 D^2Mamba 模型,耦合非因果状态空间对偶与可变形扫描以建模病灶区域的空间组织。在 DDR 数据集的五折交叉验证中,该模型整体 mIoU 达 33.87%,比最强基线高 2.99 个百分点;其中微动脉瘤的 Dice 提升 10.06 个百分点。代码与预训练权重已公开。

  8. arXiv · 机器人与计算机视觉20

    机器视觉模型在遥感影像中的分布偏移检测研究

    针对无人机采集的遥感影像部署机器学习模型时面临的分布差异挑战,本研究对比评估了 Alibi-Detect、NannyML 和 PyTorch-OOD 三款开源工具。实验结果显示各方法在检测效果与计算延迟上存在显著权衡,为资源受限系统提供了轻量化监控机制参考。该工作已作为短文被 WACV 2027 地球观测计算机视觉研讨会接收。

  9. arXiv · 机器人与计算机视觉45

    EquivFlow:一种无需修改 VAE 的曝光等变编码,用于 SDR-to-HDR 视频重建

    EquivFlow 是一种紧凑的可逆曝光等变编码方案,在不修改预训练 VAE 的前提下解决 SDR-to-HDR 视频重建中的暗部坍塌问题。该编码将曝光变化映射为加法偏移并保留尺度无关的色度分量,在多种预训练图像和视频 VAE 上验证了深暗色度传输的有效性。集成后,该方法在测试设置中实现了稳定的色度保真度增益并保持具有竞争力的重建质量。

  10. arXiv · 机器人与计算机视觉82

    Route-Time Conflict Maps for Cooperative End-to-End Autonomous Driving

    该研究提出 When2Go 系统,通过共享意图和构建路线时间冲突图来解决协同自动驾驶中的死锁与碰撞风险。系统在 V2Xverse、InterDrive 等基准上取得优于现有方法的驾驶得分与无碰撞率,但仅基于仿真环境测试,未涉及真实车辆部署或路测许可。

    推荐理由:提出共享意图的协同端到端系统,在封闭回路基准上超越现有方法并解决死锁问题。

  11. arXiv · 机器人与计算机视觉44

    Reconstruction Helps Event-Camera Person Triggers:E2VID 与 Qwen3-VL-4B 在 DSEC 数据上的触发性能对比

    研究对比了直接灰度累积、两种时间编码及两种强度重建器在事件相机人形触发任务中的表现。基于仅用开发集校准阈值的 E2VID,在 DSEC 192 个窗口中实现 52 人中检出 40 例且背景误报 140 帧中仅 12 例;Qwen3-VL-4B 配合 E2VID 检出 33 人、背景误报 2 帧。实验表明受控输入历史下的重建能提升检测收益,并区分了其与连续触发带来的成本及假启动差异。

  12. arXiv · 机器人与计算机视觉75

    基于统一框架的手物接触过渡检测与 ContactTransition 数据集

    本文针对第一人称视频中手物接触过渡的检测任务,提出了一个联合建模交互手部与物体的统一框架,直接学习物体感知特征以精确定位接触建立与释放的时刻,无需推理时依赖外部检测器。作者构建了包含 4,021 个视频、共 16,575 次标注的 ContactTransition 数据集,实验表明该方法在两类过渡时刻定位上均优于强基线,且检测结果可作为下游手物推理的有效时间锚点。

  13. arXiv · 机器人与计算机视觉78

    Camera3R:面向异构相机模型的无约束多视图图像前馈三维重建

    针对现有三维重建模型难以泛化到非透视相机的局限,本文提出 Camera3R 低秩适配框架,仅需 0.5% 额外参数和不到一天的训练即可将透视预训练网络扩展至任意其他相机模型,同时保持原有性能。材料为 NeurIPS 2026 会议投稿的 arXiv 预印本,代码已开源。

    推荐理由:提出低秩适配框架,以极少参数将透视预训练模型扩展至非透视相机。

  14. arXiv · 机器人与计算机视觉45

    研究揭示双曲视觉语言模型在实践中近似欧氏空间

    针对 MERU、HyCoCLIP 等四种双曲 VLM,研究发现其指数映射操作在推理中近乎恒等变换,移除该映射后评估分数不变。基于此,团队从零训练的欧氏模型在 CC3M 数据集上最终阶段统计特征与双曲版本无差异且评分一致。结论表明当前层级视觉语言学习无需依赖双曲几何,相关代码已开源。

  15. arXiv · 机器人与计算机视觉65

    多机器人任务分配中的离散基于模型的扩散优化方法

    针对多智能体系统中离散决策变量导致的 NP 难组合优化问题,现有基于模型的方法仅适用于连续空间而基于扩散的组合求解器需离线训练。本文提出 Discrete Model-Based Diffusion(Discrete MBD),一种无需训练的采样式优化方法,通过蒙特卡洛采样近似分类反向转移分布直接优化离散变量。

  16. arXiv · 机器人与计算机视觉48

    Fastener-centric acquisition and AND/OR graph representation of state-dependent disassembly knowledge from CAD-derived virtual assemblies

    该研究提出一种以紧固件为中心的虚拟拆解框架,从 CAD 衍生装配体中获取状态依赖的拆解知识。实验在包含 54 个组件的 OpenManipulator Chain 夹持器上验证了状态依赖操作,利用可见性与工具可达性评估将候选检查量减少了 51.4%。该方法通过图推理与物理验证生成了转换后的 AND/OR 图,证实了在制造前获取特定产品拆解知识的可行性。

  17. arXiv · 机器人与计算机视觉72

    AHEADance:基于流式音频的人形机器人预期舞蹈生成

    针对人形机器人在听到音乐片段前必须承诺动作、且需延续已执行动作的挑战,论文提出 AHEADance 框架。该框架利用 ListenAhead 模块结合已听音乐的冻结模型预测与未来音乐预报来对齐节拍,并通过 Commit Forcing 训练从自身已承诺片段进行延续,将低活跃度从 83.5% 降至 10.3%。

  18. arXiv · 机器人与计算机视觉78

    PneuGen:面向任务的软体机器人代理协同设计框架

    论文提出 PneuGen 框架,利用大语言模型智能体对软体机器人的几何、形态及驱动参数进行高效搜索与设计。系统包含负责生成设计的代理和负责分析仿真诊断并提出修改建议的评论员代理,结合可复用的物理先验模块响应模型实现自动验证与有限元仿真迭代。

    推荐理由:提出利用大语言模型智能体进行软体机器人参数化设计与仿真迭代的框架,在抓取与形变匹配任务中优于传统优化基线。

  19. arXiv · 机器人与计算机视觉43

    Uni-Loc:通过空间 grounded 视觉语言分类实现弱监督 3D CT 病理定位

    Uni-Loc 框架利用扫描级监督统一了病理分类与三维定位,无需额外的体素级标注。在包含 355 个标注 CT 的五项任务中,其宏观平均体素级 AUROC/AUPR 达 96.1%/34.5%,优于相关性传播和梯度显著性基线。该成果证明了在无特定病理体素监督下实现有效三维定位的可行性。

  20. arXiv · 机器人与计算机视觉42

    ABRR:利用 Wasserstein 自适应细化与精度排序提升时序句子定位性能

    ABRR 框架通过高斯核平滑、最优传输边界细化和质量驱动重排序,在不重新训练的前提下显著提升 Charades-STA、ActivityNet Captions 及 QVHighlights 数据集在 IoU=0.7 等严苛阈值下的时序句子定位精度。该方法有效修正了时间下采样导致的量化误差与语义匹配排名次优问题,具备计算高效且兼容现有模型的特性,适用于视频检索与交互等真实场景。

  21. arXiv · 机器人与计算机视觉18

    基于机器人的双人触觉训练能否改善慢性中风患者的运动学习?一项预印本试点研究

    该 arXiv 预印本研究调查了慢性中风患者在单人及双人(dyad)条件下学习复杂追踪任务的效果。结果显示,仅单人组在剔除离群值后表现出显著的追踪误差降低(Δ = -5.33, p = 0.027),但两组均未显示清晰的技能保持;双人组虽提升了运动复杂度与努力度,但因任务认知负荷过高未能揭示学习效应。研究指出样本量小及中风异质性是主要局限,建议未来结合临床特征评估该干预的潜在益处。

  22. arXiv · 机器人与计算机视觉58

    DUO:扩散模型的双重读出用于分布外检测

    该论文针对扩散模型重建误差在分布外检测中的不可靠性,提出了 DUO 方法,通过结合重建误差与中间去噪特征的敏感度谱来互补提升检测效果。该方法无需监督且训练免费,平均 AUROC 较最强基线提升约 6 个百分点,并在近分布外和高分辨率基准上达到最先进水平。

  23. arXiv · 机器人与计算机视觉38

    LLM 可解释性助力月球车在不确定性下规划轨迹

    针对行星漫游器轨迹规划中难以追溯科学目标的问题,研究提出一种基于大语言模型的交互式助手。该系统结合 NASA VIPER 任务启发的仿真器与 ReAct 接口,在查询库测试中回复忠实度达 90.9%,较无工具访问的零样本提示提升近 65%。实验表明该架构能利用领域词汇解释规划结果并对比替代方案,为不确定性感知路径提供可信的可解释性验证。

  24. arXiv · 机器人与计算机视觉58

    RetinexGS:一种面向低光照 RAW 图像重建的 Retinex 启发式高斯泼溅框架

    论文提出了 RetinexGS 框架,旨在解决标准 3D 高斯泼溅(3DGS)在处理严重欠曝光图像时产生的颜色不稳定、伪影及暗区重建不完整问题。该方法在 RAW 域结合 Retinex 外观建模与传感器感知优化进行低光照新视角合成,通过将高斯颜色分解为视图无关的基础颜色和共享的调制场来约束学习,并利用 DNG 噪声元数据加权损失函数以处理信号相关噪声。

  25. arXiv · 机器人与计算机视觉78

    RaMOD:基于自车运动估计的毫米波雷达原始立方体移动目标检测

    论文提出 RaMOD 框架,旨在从车载单芯片毫米波雷达获取的原始范围 - 方位角 - 多普勒(RAD)立方体中实现实时移动物体检测与速度估计。该方法显式估计帧间自车运动,利用预测的多普勒区域抑制静态结构回波,并将剩余数据编码为多尺度特征以预测目标框及类别。

    推荐理由:提出 RaMOD 框架,从车载毫米波雷达原始数据中实现实时移动目标检测与速度估计,在 BRIDGE-Liv 数据集上显著优于现有基线。

  26. arXiv · 机器人与计算机视觉78

    矩形物体协同推进行动力的力闭锁条件研究

    Duy Anh Nguyen 和 Trung Dung Ngo 提出了一种用于矩形物体协同推行的平面力闭锁条件的解析公式。该条件独立于质心,仅取决于四个无摩擦接触点的位置,可用于验证接触构型的几何可行性并指导调整。

    推荐理由:该研究推导了矩形物体在四接触点下的平面力闭锁充要条件,并将其集成到轨迹跟踪框架中,仿真显示显著降低了位置与姿态误差。

  27. arXiv · 机器人与计算机视觉45

    ARQ-VAE 自适应残差量化实现时序动作分割的高效存储

    ARQ-VAE 提出一种无标签的离散残差量化机制,将 Breakfast 数据集 I3D 特征库存储从 28 GB 压缩至 10 MB。结合 ASFormer 模型,该方法在监督设置下取得 71.5 Edit 和 51.2 F1@50 性能,且无需帧级标注即可支持增量与无监督分割任务。该预印本论文展示了其在长视频存储 - 性能权衡上的显著优势及代码开源潜力。

  28. arXiv · 机器人与计算机视觉63

    Curie's Jarvis:基于打印协议的自主机器人化学实验系统

    该研究提出了 Curie's Jarvis 系统,使机械臂能在为人类设计的普通实验台上执行化学实验。系统通过读取打印协议照片、在无固定位置或标记的台面上识别容器、利用四视角摄像头区分外观相同的容器并读取标签,且在每步操作前重新定位目标。

  29. arXiv · 机器人与计算机视觉18

    DMSNet 重新思考视频胶囊内镜评估:验证协议、源视频多样性与跨数据集偏移

    DMSNet 在 Kvasir-Capsule 数据集上以随机帧级和源视频不重叠验证协议评测,完整测试集 MCC 为 0.442±0.020。研究指出模型排名高度依赖评估协议、训练源多样性及跨数据集偏移,外部 CV2024 数据集表现显著下降。该工作强调需采用源感知验证与严格的跨数据集评估以提升视频胶囊内镜分类系统的可靠性。

  30. arXiv · 机器人与计算机视觉53

    将世界模型纳入决策以优化主动传感中的下一最佳视角选择

    论文提出一种部署适配方法论,用于在主动传感中选择贡献新表面测量的视角。该方法通过从有限本地校准数据中学习传感器返回适配器,在保持预训练预测器固定的情况下估计每个预测表面的测量丢失率,从而优先选择能填补重建间隙的视角。

  31. arXiv · 机器人与计算机视觉73

    Latent Barrier Steering:面向生成式规划的层级安全方法

    论文介绍 Latent Barrier Steering (LBS),这是一种用于安全流匹配生成式规划的分层语义到路径框架。现有控制屏障函数滤波器仅局部修复样本,难以应对全局约束阻塞;LBS 先引导生成器潜在变量向更大安全余量的 rollout 演化,再解码并仅对剩余违规应用路径空间二次规划。实验表明该方法在导航和机器人末端执行器规划任务中,既保持安全性又提升目标达成率并减少修正负担。

  32. arXiv · 机器人与计算机视觉58

    基于地面反作用力的欠驱动直立物理辅助模型预测控制

    本文提出了一种名为 GRF-MPC 的控制框架,将实时地面反作用力(GRF)和质心压力(CoP)测量值直接整合到人体质心动力学模型中,以优化辅助力和力矩。研究在 Robotic Upright Stand Trainer (RobUST) 平台上进行了部署,采用欠驱动的 4 缆配置,并在近 300 次试验中与全驱动 8 缆笛卡尔阻抗基线进行了对比评估。