Arboreus:一种支持地形与卫星信息的北方针叶林现实感仿真器
本文提出了 Arboreus,这是一个用于北方针叶林环境的逼真森林仿真器,旨在支持机器人自主算法的统计验证。该方法利用北欧生长研究参数化生成桦树、云杉和松树等主导树种,并结合 Copernicus 卫星数据集指导树木分布密度与种类,同时利用瑞典地籍局的地形数据生成真实感地面。
本文提出了 Arboreus,这是一个用于北方针叶林环境的逼真森林仿真器,旨在支持机器人自主算法的统计验证。该方法利用北欧生长研究参数化生成桦树、云杉和松树等主导树种,并结合 Copernicus 卫星数据集指导树木分布密度与种类,同时利用瑞典地籍局的地形数据生成真实感地面。
论文介绍 BRepA,这是一个通过图建模显式重建 CAD 模型几何与拓扑的统一自监督预训练框架。在仅有 1% 标注样本的分割任务中,相比从头训练提升 mIoU 32.52%;在生成任务中,对齐扩散模型表示可加速收敛近 2 倍并改善生成质量。作者将开源代码以支持未来研究。
SPS-GS 提出一种“仅编码一次”框架,通过相位相干混叠解调与高斯投影对齐技术,从单张高分辨率图像合成多阶段低分辨率观测以学习超分辨率。该方法无需真实多帧训练序列即可整合多帧信息,在五个遥感数据集上优于单图及多帧基线并保持推理效率。代码将公开发布。
MOSAIC 框架通过在线传感器设置估计,从普通运动中恢复传感器解剖身份与安装朝向,无需标定姿态。该方法利用身体姿态连续变化而传感器设置持久的特性,将模糊动作转化为互补证据,使预训练姿态估计器在随机化设置的真实惯性记录上实现接近校准的姿态精度。该成果为可互换传感器与预训练模型之间提供了可复用的接口,支持跨姿态网络的设置恢复。
RoadAnnoter v1.0 是一款集成六种人机协同模式的开源桌面应用,支持手动绘制、SAM 提示及 SegFormer 预训练建议等。该工具利用 Cityscapes 训练的 SegFormer 和 TinySegNet 生成标注建议,并导出 YOLO 格式数据。研究已将其用于孟加拉国事故地点的 Google Street View 图像标注,定性评估显示其在多样几何特征上具有互补适用性。
该论文针对现有世界模型主要关注动作预测而缺乏可靠指令遵循、任务进度追踪及安全避障的局限,提出一种融合三种互补机制的世界 - 动作学习框架。具体包括:具备针对性后训练的语言条件化动作接口以响应指令运动;循环指令消耗预测以跟踪任务进度并确定终止时机;以及高斯场景后训练通过轨迹模仿和可微几何反馈增强障碍规避能力。
针对现有世界 VLA 模型在像素级生成中保留大量无关细节导致性能瓶颈的问题,本文提出 AgentWorld 模型。该模型采用离散代理 Token 联合进行推理与轨迹规划,每个 Token 动态关联周围物体的语义、3D 几何、运动及交互上下文。
推荐理由:提出 AgentWorld 模型,通过离散代理 Token 替代像素级生成,聚焦驾驶场景中的物体交互与动力学以支持规划。
针对当前视觉语言模型在病理全切片问答中过度依赖语言先验、对候选答案顺序敏感及存在捷径的问题,该研究提出了 SlideJev 框架。该方法通过并行计算支持度与拒绝度的对数似然差来评分候选答案,并利用组织证据引导解码器层的视觉 token 更新,从而将判断 grounded 于病理图像本身。
推荐理由:该工作提出 SlideJev 框架,通过组织稳定的候选答案验证机制解决病理全切片视觉问答中的语言先验依赖问题。
针对现有视频恢复方法在提升时间一致性时牺牲视觉保真度的问题,本文提出一种生成式视频恢复方法,通过结合噪声能量重平衡、运动对齐噪声变形、自监督去噪编码器及解耦时间注意力机制,实现了从图像生成先验到视频细节合成的跨越。实验表明该方法在视觉质量、细节丰富度和时间稳定性上均优于现有方案。材料为 NeurIPS 2026 会议投稿的预印本版本。
推荐理由:该文提出利用图像扩散先验解决视频恢复中细节丰富度与时间一致性的矛盾,方法包含噪声能量重平衡与时空对齐等模块。
针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。
推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。
arXiv 发布了一篇关于 3D 形状反射对称性检测的论文。作者提出无需训练的 FAST 框架,结合几何对投票与高效谱计算,将搜索空间从候选平面缩减至平面朝向。利用 Funk-Hecke 定理在球谐域进行平滑处理,实现了低于 4ms/形状的 GPU 推理速度,在多基准测试中 F1 分数最高(0.861 和 0.947),且对几何噪声具有强鲁棒性。
针对现有可解释 Vision Transformer(ViT)因自注意力机制导致局部特征吸收全局上下文而缺乏忠实性的问题,本文提出一种将图像表示为孤立部分图的分类器。
Auriga Robotics 团队在沙希德贝赫什提大学开发了名为@Work 的移动操作机器人,专为提升工业环境中重复或危险任务的效率而设计。该平台采用四轮麦克纳姆轮驱动与五自由度机械臂,结合 ESP32 微控制器、NVIDIA Jetson Orin NX 处理器及 Hector SLAM、YOLO 等软件栈实现自主导航与物体处理。
针对高分辨率激光雷达在线处理效率低且缺乏资源约束的问题,作者提出了 Pelorus 方法。该方法采用固定容量的体素化法线分布地图和迭代等变状态估计器,通过基于相关性的驱逐机制限制内存占用,并利用成熟度加权的地图更新抑制不一致观测。
推荐理由:Pelorus 提出资源感知的激光雷达惯性里程计方法,在固定内存容量下实现低 CPU/GPU 负载,并开放 CUDA、Vulkan 及 Metal 后端代码。
LISST(Lyapunov-Inspired Sustained Stabilization)是一种学习框架,通过协调平衡恢复与抑制机器人自身修正引发的支撑运动,解决刚性假设在机械响应支撑上的不足。该策略仅依赖本体感知,利用物理监督将表征关联至机器人与支撑行为,并通过可微模型回滚指导关节级策略学习。真实世界实验表明,LISST 能在与动态响应支撑的持续交互中维持平衡并限制残余振荡。
论文提出 Kolibri 方法,利用几何细化机制将机器人定位问题简化为仅寻找房间位置(Place),由图网络处理颜色与局部形状特征确定具体姿态(Pose)。该方法在 ScanNet 未见过房间测试中表现优异,单帧推理耗时 82ms,显著快于传统 GeDi 方法,且无需房间标签即可工作。
TinyWOD 是首个针对 1.5-2.0 km 高空开放水域搜救场景的微小目标检测数据集,包含 11,359 张标注图像及 19,505 个实例。该数据集平均等效边长为 12.7 像素(76.96% 低于 15 像素),填补了现有数据集不支持高空自动检测的空白。研究通过定义 APtiny 指标验证了主流网络在该场景下的有效性,支持相关算法研发。
arXiv 论文《Pixel is All You Need》系统研究了纯像素空间生成模型(无文本 Token)的推理能力。研究发现,现有视觉生成模块在缺乏底层文本模块支持时无法进行符号推理;而从头训练的纯像素模型能直接在画布上阅读问题、书写中间步骤并输出答案,表现出类似大语言模型的标量行为与规模定律。该研究还验证了单画布共享机制使模型具备跨模态推理能力,且强化学习后训练进一步增强了其推理性能。
推荐理由:该研究在纯像素空间训练生成模型,发现其具备类似大语言模型的推理能力与跨模态共享画布特性。
该研究提出 Visual Harness(\óurs),一种为通用视觉语言模型(VLM)配备交互式视觉工具与系统性诊断证据管理的医疗视觉 harness。通过该架构,通用 VLM 可交互探索医学影像并逐步获取诊断证据,这些证据在无损记忆中保留以供后续检索使用。
针对机器人演示数据中关节标签受限问题,该方法利用校准的正向运动学为不同本体提供工具空间目标监督。实验在三个骨干网络和两个仿真器上验证了策略学习效果,成功实现了跨机器人的技能组合迁移。
NexSight 提出一套用于评估和训练智能体长视频理解的框架,通过 SightForge 管道仅接受能被独立证据重构且无反例的任务,构建了 310 个可追溯任务的 SightLine 基准。该研究展示了在少量示例下微调模型能显著提升交互准确率并引入显式空间检查能力,同时指出当前最强模型在无辅助证据时表现仍有提升空间。
ForceBody 是首个将地面反作用力与逆动力学关节力矩引入参数化人体表示的数据集,包含 140 名受试者共 10,386 次动作尝试(9.7M 帧、26.9 小时)。
推荐理由:ForceBody 数据集首次将地面反作用力与参数化人体模型结合,并附带关节力矩不确定性标注。
本文提出了一种加速设计流程,通过将商用被动背部外骨骼 Laevo Flex 改装为主动系统 Levio(集成 CubeMars AK10-9 执行器、IMU 和力传感器)。
该论文提出 Perception-Question On-Policy Distillation (PQ-OPD) 框架,利用训练期的感知问题(PQs)引导视频描述智能体主动探索关键视觉证据而不泄露答案。
该论文针对机器人控制中扩散模型的随机性作用研究不足的问题,引入每步反事实诊断以测试采样噪声对最终输出的影响。研究发现不同配置下噪声诱导的偏差在下游可能放大、收缩或衰减,据此定义“随机多样性窗口”并应用针对性干预策略。实验显示,利用低影响区域替换 DDPM 步骤为 DDIM 跳步,可将网络评估减少最多 40-60%,时钟时间减少最多 85%,且在保持可行性、成本和多样性方面未发现一致变化。
推荐理由:提出随机多样性窗口诊断方法,揭示去噪过程中噪声影响的时间敏感性,并通过采样干预实现推理加速。
GaussianMamba 提出双分支 Mamba 框架,利用各向异性高斯支撑和特征语义亲和性优化 3D 高斯原语的遍历顺序。该方法在 nuScenes-SurroundOcc 和 SSCBench-KITTI-360 数据集上,IoU 与 mIoU 指标均优于 GaussianFormer 及 GaussianFormer-2。
RefCloth 框架在冻结源策略下优化单一持久对抗桌布,实现零样本跨任务与模型迁移。该方案在四个 LIBERO 仿真套件中,使 OpenVLA-OFT、π0 及 π0.5 的成功率相对未优化桌布平均降低 62.50 和 43.75 个百分点(注。
针对现有视频世界模型在视角变化时冻结场景或丢失物体的问题,本文提出 PanoEvo 架构,利用全景扩散模型的潜在空间进行全局状态演化,并通过透视渲染器生成高质量视图。
推荐理由:提出 PanoEvo 架构解决全景视频世界模型的视角演化问题,在 WRBench 和 STEVO-Bench 上取得最佳分数。
针对循环视觉语言模型(VLM)重复处理长序列导致的计算与显存开销问题,论文提出免训练的 LoopZip 压缩算法。该方法通过构建紧凑候选池、跨调用选择及权重绑定值修正,有效保留关键信息并减少输出偏差。实验表明,在 LoopVL-1B 上,50% 剪枝比下保留原模型 97.16% 性能,87.5% 剪枝比下超越最强基线 5.36%,显存占用降低约 58%,端到端推理速度提升 2.01-2.47 倍。
SlopeGuard 结合光谱斜度与语义特征,在 AIGCDetectBench、GenImage 和 AIGIBench 基准上分别达到 97.5%、97.8% 和 85.1% 的平均准确率。该方法在模糊、裁剪及噪声干扰下保持竞争力,解决了现有频率方法过度拟合生成器特定伪影的问题。研究论文已提交至 arXiv (arXiv:2611.22727),代码与权重开放许可情况待进一步确认。
ConserveEdit 提出一种编辑器无关的控制器,将每次细化步骤视为针对源图像的合约交易,确保授权区域外像素位精确且独立限制漂移。在冻结 Qwen-Image-Edit 模型上,该方法使 DINO 相似度从 0.67 提升至 0.85;相比直接编辑,其受约束成功率由 23% 升至 53%,模拟器中更达 61.8%。代码与日志即将发布,但自动定位仍是主要瓶颈。
该研究探讨了在模拟移动平台上,基于文本视图训练的 GUI 智能体为何难以迁移到截图视觉输入的问题。作者发现阅读器的误读具有系统性且重复出现,单纯匹配噪声的仿真到现实补救无效。通过仅在阅读器层面进行对齐微调(reader alignment),使其输出与截图对应的文本视图,策略无需重新训练即可在未见任务实例上达到 80.9% 的全任务成功率,显著优于将相同预算用于直接训练策略的 55.6%。
PCRG 是一种无需训练的视频生成插件,利用 VAE 潜空间冗余度与视觉语言模型重要性信号将参考 Token 分为剪枝、缓存或保留三类。
论文介绍 Body Schema Policy (BSP),一种将身体图式构建为视觉与动作接口的模仿学习策略,其潜在身体图式在机器人运动学树上放置关节和连杆 token,利用学习到的螺旋运动传递特征。
推荐理由:提出将身体图式作为视觉与动作接口的模仿学习策略,在仿真及真实机器人上以极少参数实现高效全身位姿控制。
在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。
推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。
该论文介绍 Social Signal Bench,包含 25 小时视频和 22 小时音频的密集标注数据集,涵盖十种社会信号与六种信号。基准提供公开训练集(含专家标注与伪标签)及私有测试集,并推出 Evidence-Weighted F1 (EW-F1) 指标以区分语义相关错误。实验显示基于该基准微调的 7B 开源模型在视频任务上超越通用前沿模型,音频任务表现相当。
针对未对齐 RGB 引导超光谱超分辨率缺乏大规模真实基准的问题,作者提出首个包含 403 个室内外场景的双相机数据集 DUET,并给出 TANGO 方法。该方法先通过端到端全局对齐补偿跨相机位移,再经粗细粒度局部特征对齐修正不一致性,并利用学习门控机制衰减无法匹配的 RGB 引导。
针对四足机械臂因执行器不确定性和几何误差导致的末端轨迹跟踪难题,本文提出一种结合末端惯性反馈的强化学习框架。实验表明,该方法在保持机身姿态和支撑构型不变的情况下,相比仅依赖本体感知或名义模型的基线,将基于动作捕捉的均方根误差分别降低了 17.3%、28.0%,并在轨迹层面揭示了名义运动学重建与实测末端位置间的显著差异。
针对现有世界模型在行为真实性与视觉保真度上的不足,本文提出一种闭环交互式世界模型,耦合行为建模与视觉渲染。该方法利用多智能体强化学习微调模仿学习的背景车辆策略以匹配真实交互,通过高斯诊断优化未观测区域的视觉表现,并依据驾驶意图渲染信号灯状态。实验显示,在长尾闭环场景下,方法将行为发散度降低 85%,新视角车辆 PSNR 提升 2.0dB,且信号灯对自动驾驶行为的间接影响显著。
推荐理由:提出闭环交互式世界模型,通过多智能体强化学习与高斯诊断提升行为真实度与视觉保真度。
论文指出 I-JEPA 存在语义学习增强伴随 3D 几何表征退化的问题,归因于对缺乏完整空间上下文的高度抽象潜在表征进行预测。为此提出 CascadeJEPA,利用全网格上下文编码和预测阶段间的交叉注意力机制促进更丰富的块级交互。实验显示该方法在多个 3D 几何任务上优于 I-JEPA 且保持强语义识别能力,并展现出对未来特征预测和世界模型规划的潜力。