跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉38

    HIM-INR 模型通过组织学辅助实现连续三维空间转录组重建

    HIM-INR 模型利用密集采样的组织学图像作为辅助监督,联合重建基因表达谱与组织学表征,仅需稀疏二维切片即可预测任意三维坐标的基因表达。在两个 3D ST 数据集上的实验表明,该方法在缺失切片数量增加时仍优于现有方法。该研究为高成本三维空间转录组数据的连续重构提供了新的解决方案。

  2. arXiv · 机器人与计算机视觉46

    CroCoMAE:一种用于 SAR-光学遥感数据的跨模态自监督协同表征学习框架

    CroCoMAE 提出了一种基于 ViT 架构的跨模态自监督学习框架,通过图像级对比学习与 Patch 级掩码建模统一处理 SAR 与光学数据。该模型在场景分类和语义分割两个基准上,优于单模态自监督基线及主流跨模态框架,尤其在少标签条件下显著提升语义分割性能。代码与权重暂未公开,论文状态为 arXiv 预印本。

  3. arXiv · 机器人与计算机视觉55

    TAME-O:面向开放集的多模态大语言模型个性化助手

    针对现有个性化方法依赖静态预定义概念集且需人工频繁扩展的局限,本文提出 TAME-O,首个支持长上下文的免训练开放集个性化多模态大语言模型助手。该方法引入概念调和技能(CR Skill),使助手能在人机交互中自动解锁新概念并防止混淆,持续掌握新概念并逐步优化已知概念的建模。实验表明该方法在开放集个性化设置下有效。论文已获 NeurIPS 2026 主轨道接收,代码与数据已公开。

  4. arXiv · 机器人与计算机视觉78

    无模型运行时任务相关信息测量方法

    针对现有系统缺乏对信息收集过程有效性的监测问题,本文提出了 Acquisition-State Telemetry (AST),一种无需训练即可评估信息获取状态的架构。

    推荐理由:提出无模型架构 AST,通过实时监测信息获取摩擦与进展信号,帮助自主系统在任务完成前识别无效停滞并优化策略。

  5. arXiv · 机器人与计算机视觉78

    Stylus:基于扩散流形测地线导航的无训练面部风格化方法

    arXiv 论文介绍 Stylus,一种无需额外训练的面部风格化框架。该方法将风格迁移视为在预训练扩散模型潜在流形上的测地线导航,通过降低离散测地能量实现内容 - 风格的平滑融合与空间自适应风格注入。实验表明,Stylus 在保持身份和内容的同时实现了较强的风格化强度。

    推荐理由:提出无需训练的框架,将面部风格迁移建模为扩散模型潜在流形上的测地线导航。

  6. arXiv · 机器人与计算机视觉74

    DexSeed:将人类手物交互扩展为机器人演示以学习灵巧策略

    论文提出了 DexSeed 框架,旨在低成本生成多样化的、可物理执行的机器人演示数据用于灵巧视觉语言动作(VLA)学习。该方法基于 InteractionMesh 重定向和手臂轨迹增强技术,在保持抓取关系的同时适应不同物体几何与放置位置,并通过强化学习手指控制策略实现仿真中的可执行 rollout。

  7. arXiv · 机器人与计算机视觉59

    ZoomGain:挖掘全局至局部感知差距以构建细粒度视觉监督

    针对细粒度视觉感知难以标注的问题,该方法利用大模型在放大后能识别细节的特性,构建从全图提问、仅靠局部信息验证的数据管道。由此建立包含 1000 题的双语基准 ZoomGainBench,28 个 VLM 最佳得分仅 61.08。基于该数据微调后的 9B 模型在多项感知基准上超越数百亿参数模型,HR-Bench 4K 得分为 90.25。代码与数据已开源。

  8. arXiv · 机器人与计算机视觉11

    帧级 Transformer 实现烟雾时空分析以检测被遮挡林火

    该方法提出帧级 Transformer 架构,通过连续视频帧的烟雾运动时空联合分析来检测可见与被遮挡林火。模型仅基于 RGB 数据训练并适配低成本商用无人机,在 FLAME2 数据集上取得分割 Dice 92.61%、目标检测精度与召回率分别为 93.21% 和 91.73% 及视频级分类准确率 98.02%。

  9. arXiv · 机器人与计算机视觉54

    面向建筑机器人的“人在回路”控制范式:从 VR 引导遥操作到半自主双臂作业

    该论文提出一种针对接触丰富型双臂建筑任务的“人在回路”控制范式,支持在 VR 引导遥操作、半自主共享控制和基于规则的自主执行三种模式间进行结构化切换。系统结合了沉浸式 VR 引导、手动定义的复用技能库以及明确的人机角色分配与指令优先级规则。

  10. arXiv · 机器人与计算机视觉4

    CURRENT:一种用于 4D 流动 MRI 时空超分辨率的循环神经网络模型

    CURRENT 是一个统一的深度循环神经网络架构,旨在提升主动脉 4D 流动 MRI 的空间与时间分辨率。该模型在合成数据上预训练后展现出对体内数据的泛化能力,其联合时空超分辨率生成的相对压力估计优于单独处理或基于 4DFlowNet 的序贯方法。研究评估了图像域和 k 空间域的定量指标及物理感知压力估算效果,目前论文处于审稿中。

  11. arXiv · 机器人与计算机视觉72

    RedirectMimic:面向人形全身控制的局部运动内容红化

    论文介绍 RedirectMimic 方法,通过分离演员观察到的参考信号与训练执行的目标,利用规则生成的编辑参考引导近端策略优化奖励,同时保持部署接口不变。在 Unitree G1 仿真环境中,该方法将手臂动作编辑的核心窗口内容发生率降至 2.7%,关节成功率达 94.2%,并在速度定义任务中保持低错误率与高精度跟踪。

  12. arXiv · 机器人与计算机视觉78

    LaST0.5:一种具备交互中心潜在推理的通用世界动作模型

    论文提出了 LaST0.5 这一新型世界动作模型(WAM),旨在解决现有模型全球场景表征忽视局部机器人 - 物体交互的问题。该模型在混合 Transformer 架构中引入交互中心潜在专家,利用视觉交互线索学习紧凑的潜在空间,并通过自适应的世界到动作转移机制调整执行与重采样。

    推荐理由:提出 LaST0.5,通过引入交互中心潜在空间弥合世界演化与操作生成的表征差距。

  13. arXiv · 机器人与计算机视觉4

    五阶段可解释管道实现视网膜动静脉比率估算与病变筛查

    该研究提出一种五阶段可解释处理流程,用于从眼底图像中估算动静脉直径比(AVR)并探索视网膜病变筛查。在包含 30 张 HRF 图像的探索性队列上,该方法达到 96.7% 准确率、0.968 F1 分数和 0.978 ROC-AUC。由于队列较小且缺乏独立参考测量,该透明框架需在大样本临床分级队列中进一步验证。

  14. arXiv · 机器人与计算机视觉78

    Specify Privacy Yourself:评估大视觉语言模型的推理时个性化隐私保护能力

    论文指出当前大视觉语言模型虽能保护通用隐私(如信用卡号),但缺乏对个性化、上下文相关隐私的保护能力。为此,作者提出了首个系统性评估框架 SPY-Bench,包含 32,700 个样本和针对用户指令的度量标准。

    推荐理由:提出首个 ITP3 基准 SPY-Bench,揭示主流大模型个性化隐私保护能力不足,并给出噪声对比对齐方法将准确率提升至 96.88%。

  15. arXiv · 机器人与计算机视觉38

    LipsFlower 与 LipHDiT:Lipschitz-Controlled Flow Matching 提升图像复原鲁棒性

    LipsFlower 通过引入 LipHDiT 架构,利用 Lipschitz-aware hourglass diffusion transformer 降低流匹配模型对输入扰动的放大效应。该方法在盲脸复原任务中验证了抗扰动能力与感知质量,同时保持性能与现有基线相当。研究证实 Lipschitz-controlled flow matching 能显著增强生成式图像复原的稳定性。

  16. arXiv · 机器人与计算机视觉42

    基于优化的工业机器人路径规划:增材制造实验验证

    该研究开发了一种结合关节路径正则性与工艺约束的离线优化路径规划器,通过迭代权重调整自动确定成本权重。在碳纤维缠绕和机器人 3D 打印任务中,规划路径满足几何公差及所有关键性能指标目标,并在 UR10e 机器人上完成无挤出执行与关节级轨迹跟踪验证。

  17. arXiv · 机器人与计算机视觉78

    MEOW:首个无需参数更新的医疗开放世界交互式分割框架

    arXiv 预印本介绍 MEOW 框架,这是首个将非交互式分割骨干网络转化为交互式开放世界学习者的方法,且无需更新可学习模型参数。该框架结合无参归纳推理与记忆巩固机制,在医疗数据上持续改进对未见类别的预测,并实现跨微 CT 等模态的零样本迁移。

    推荐理由:提出无需更新参数的交互式开放世界学习框架,在医疗影像上实现未见类别的持续改进与跨模态零样本迁移。

  18. arXiv · 机器人与计算机视觉9

    Fieldmark AI 在英国的农场安全应用:基于 PRISMA 的证据综述与持续门控监控主张

    针对英国农场安全证据不足的问题,研究团队于 2026 年 11 月开展 PRISMA 引导综述,发现现有数据缺乏对摄像头、传感器及门控状态的独立评估。基于此缺口,文章推断 Fieldmark AI 实施的持续门级监控能生成官方缺失的时间戳记录并验证事件责任,但尚无研究证明其可减少损失。

  19. arXiv · 机器人与计算机视觉72

    ReACT:面向非对称负载的人形机器人速度跟踪的反射一致调制与跨负载一致性研究

    针对人形机器人在单手持物时因上肢非对称负载导致的速度跟踪偏差及导航失败风险,本文提出 ReACT 框架。该方法利用估计的力矩对 Actor 特征进行反射一致的扰动调制以补偿负载影响,并通过对比加载与未加载条件下的速度指令训练跨负载一致性。

  20. arXiv · 机器人与计算机视觉3

    CAppleNet:基于坐标注意力改进的 YOLO11 实时苹果果柄与萼片检测模型

    CAppleNet 利用自采数据集提出一种架构替换方案,将骨干网络 C2PSA 块换为坐标注意力(CA),在参数减少 10.2% 的同时实现最佳 [email protected] (0.935) 和果柄腔 F1 (0.8217)。该模型设定 0.15 置信度阈值,专为工业分拣与对齐系统提供实时细粒度地标检测能力。

  21. 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。

  22. 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。

  23. 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。

  24. 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。

  25. 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。

  26. 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。

  27. 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。

  28. 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。

  29. 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。

  30. 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。

  31. 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。