跳到正文
11月11日周三
  1. arXiv · 机器人与计算机视觉15

    PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准

    PickGlass-TPI 模型在织物密度计数任务中表现优于通用大模型,但尚未达到工业级可靠性标准。基准测试显示,最佳方法误差约为四分之一,仅微调的合成数据模型(Molmo2-4B)与前沿模型 GPT-6.1-sol 水平相当且均低于非专家标注员(37%)。研究结论表明,单张照片无法证明满足±5% 的工业公差,跨重拍的一致性才是关键指标。

  2. arXiv · 机器人与计算机视觉62

    基于跨模态图注意力的多模态道路封闭映射:首个联合分类与归因基准

    论文介绍了一种统一的 multimodal multitask 框架,能在单一架构内同时完成道路封闭分类(无、部分、完全)和受影响路段关联。模型整合了结构化地图数据、融合街景检测的卫星影像及街景图像,利用模态特定编码器和跨模态 Transformer 注意力机制进行显式推理。

  3. arXiv · 机器人与计算机视觉4

    nnUnet 在地理性萎缩分割任务中表现最优

    nnUnet 在基于 Cirrus 与 Spectralis 设备 OCT 图像的地理性萎缩分割任务中,以 0.8882±0.0033 的 Dice 系数超越其他四款深度学习架构及阈值基线。该研究通过归一化与修复预处理提升图像质量,证实 nnUnet 在数据受限条件下兼具高精度、稳定性与效率。论文已上传 arXiv,提供完整代码与权重下载许可。

  4. arXiv · 机器人与计算机视觉74

    GroundCascade:用于 GUI 定位的选择性二次意见方法

    论文介绍 GroundCascade,一种无需训练即可通过全屏与局部视图预测一致性来决定是否咨询互补模型的控制器。该方法在 ScreenSpot-Pro、OSWorld-G-Refined 和 UI-Vision 等基准上实现了比独立两阶段定位器更高的准确率,并在匹配模型调用预算下显著优于分层随机采样策略。材料为预印本,提供了具体的性能提升数据和 API 链接。

  5. arXiv · 机器人与计算机视觉78

    通过几何 Token 编码实现文生图连续角度控制

    该文针对文生图扩散模型无法精确控制时钟显示时间或圆形物体特定比例的问题,提出了一种基于几何 Token 编码的框架。该方法将角度参数化为周期性正弦余弦特征并注入提示词,引入随机定位松弛(SLR)技术以在无需推理端定位输入的情况下实现空间对齐,同时针对时钟任务设计了防手位互换的目标函数。实验显示,该方法在时钟生成任务上6度内准确率提升至63-78%,圆形物体分割准确率达89.5%,显著优于基线模型。

    推荐理由:提出几何 Token 编码与随机定位松弛方法,将文本生成时钟的时针分针角度控制准确率从不足1%提升至63-78%,并验证了在圆形物体分割任务上的泛化能力。

  6. arXiv · 机器人与计算机视觉73

    你的 VLA 有多少是 kNN:无需策略训练的检索演示复用与一致性评估

    论文针对视觉语言动作模型在 LIBERO 基准上表现优异但泛化来源不明的问题,提出通过检索邻近演示并复用动作片段即可在无策略训练下达到 91.7% 成功率。研究对比九种公开 VLA 发现微调主要优化了视觉语言骨干作为检索键的效果,且动作仍接近演示。

  7. arXiv · 机器人与计算机视觉51

    VIGOR:评估多模态大语言模型视觉推理正确性的基准

    本文介绍 VIGOR 基准,用于评估多模态大语言模型(MLLMs)的视觉推理正确性。该基准将视觉推理表示为与像素级定位配对的显式概念,涵盖从低级属性到高级运动关系的多层抽象。作者开发了自动标注框架以构建大规模数据,并通过对比模型生成的视觉证据与真实标注,发现当前 MLLMs 在视觉推理正确性上存在局限及不同层级下的定位失败现象。代码已开源。

  8. arXiv · 机器人与计算机视觉48

    ASPIRE:首个支持迭代推理与探索的智能体系统辨识平台

    ASPIRE 是一个由大语言模型智能体主导的非线性系统辨识框架,能自主构建闭环静态或动态模型并验证物理约束。该平台在移动机器人、干摩擦旋转系统及发酵罐三个实测对象上完成 30 次运行,全部产出有效模型且单次成本介于 0.96 至 3.38 美元。评估显示其文档与结构选择满足 150 项指标中的 132 项,但部分模型存在关于结构选择的声明不准确问题。

  9. arXiv · 机器人与计算机视觉58

    SpatialSR:一种面向任意尺度遥感图像超分辨率的空间分辨率中心流水线

    针对现有遥感图像超分辨率方法过度依赖相对缩放因子而忽视绝对空间分辨率先验的问题,论文提出 SpatialSR 方法。该方法利用预训练的扩散模型提取特定空间分辨率的纹理风格代码,并通过空间分辨率估计模块动态确定缩放比例及分辨率感知风格一致性约束。实验表明,SpatialSR 在常用遥感图像超分辨率数据集及下游分类、分割任务上均达到最先进水平(SOTA)。

  10. arXiv · 机器人与计算机视觉23

    MICRO 数据集与 OFS2Reg 框架:眼科手术多模态视网膜图像刚性配准基准及一步法学习

    针对眼科手术各阶段缺乏公开多模态视网膜图像刚性配准数据的问题,MICRO 数据集提供了涵盖术前、术中及术后的 1,365 对跨模态图像及标准化标注。提出的 OFS2Reg 框架摒弃传统两步骤分割后检测模式,利用频率引导的结构保持描述子构建关键点拓扑约束,实现像素级跨模态血管结构精准对齐。该研究旨在解决现有深度方法因依赖分割质量而受限的难题,为眼科手术提供关键引导。

  11. arXiv · 机器人与计算机视觉43

    Robo-MLT:双系统框架实现长视界医疗实验室任务操作

    Robo-MLT 提出一种结合显式工作流监控与学习动作生成的双系统框架,用于处理血液气体分析及试管排序等长视界医疗实验室任务。该模型在包含 50 种标准及 20 种样本移除配置的实验中,任务成功率分别达到 82% 和 70%,比π0.5基线高出 30 和 22 个百分点。系统能在操作员移除正在处理的样本后自动修订计划并继续处理其余样本,显著提升了长视界操作的可恢复性。

  12. arXiv · 机器人与计算机视觉73

    RoboACE:基于对抗共进化的机器人自我改进框架

    该论文提出了 RoboACE(Robot Adversarial Co-Evolution)框架,旨在解决固定训练源无法发现新弱点的问题。该方法联合演化课程选择与执行策略,围绕冻结的基础模型进行交替更新:课程模块利用积累的能力证据提出信息丰富的挑战,执行模块则通过可复用的修订扩展能力。

  13. arXiv · 机器人与计算机视觉73

    GTAGym:面向 AAA 游戏任务的评估与强化学习环境

    论文介绍了 GTAGym 环境及 GTAVBench 基准,包含源自 GTA V 主线剧情的 103 个在线任务及 47 个射击狙击子任务。作者构建了支持截图与键鼠操作的自动状态检查接口,并测试了六款前沿大语言模型在文本指令及仅首图指令(AGI 分支)下的表现,最佳配置在 AGI 分支达到 70.9% 准确率。

  14. arXiv · 机器人与计算机视觉45

    AncBench 基准与 AncRestore 网络用于古籍图像修复

    AncBench 包含 100K 对齐的清洁 - 退化图像对,模拟老化、纹理变化及水致几何畸变等复合退化。AncRestore 利用视觉先验路由网络动态整合专家策略,在抑制复杂退化的同时保留文字结构。实验显示该方法优于其他方法,适用于文化遗产保护中的智能古籍修复。

  15. arXiv · 机器人与计算机视觉45

    Instance-preserving graded semantic reporting for surgical action triplets

    该方法提出实例保留的分级语义报告机制,将实例选择与语义细节分离,利用 DELTA 规则权衡效用增益与错误成本。在八段手术视频共 5,641 帧测试中,DELTA 使被基线拒绝的正确部分报告保留率达 80.0%,每百帧加权正确报告产出提升 19.13 至 23.13。该研究通过固定预测与评分对比三种决策规则,明确展示了在手术动作三元组识别中效用与完整性的显式权衡。

  16. arXiv · 机器人与计算机视觉43

    GSTAR:基于分组缩放令牌容量的深度压缩自回归生成模型

    GSTAR 提出一种空间 - 分组协同缩放框架,在固定信息预算下实现 32 倍甚至有效 64 倍的压缩率。该模型在单张 NVIDIA H200 上以 2.5 秒速度生成 1024×1024 分辨率图像,较先前列式离散自回归模型提速 20 倍。其在 GenEval、DPG-Bench 等五个代表性文生图基准测试中表现与领先模型竞争。

  17. arXiv · 机器人与计算机视觉73

    PhysMoE:基于单 Token 坐标表示的模态解耦视觉语言模型空间定位方法

    该论文提出 PhysMoE 框架以解决具身视觉语言模型(VLM)在坐标预测任务中的离散化延迟与多接触适配难题。其核心贡献包括共享底层多模态上下文、利用视觉编码器位置嵌入将每个坐标编码为单 Token 以注入空间先验,以及采用可微符号距离场(SDF)监督来适应不规则几何形状。

  18. arXiv · 机器人与计算机视觉55

    TIB:超越对齐假设的多模态归因的样本级调节信息瓶颈

    该论文针对多模态归因任务中依赖成对模态作为代理监督、隐含语义对齐假设的问题,指出在存在部分语义不对齐和不可靠跨模态对应时,传统基于全局充分性压缩的信息瓶颈目标会导致后验过度收缩。作者提出 TIB 框架,通过样本级调节根据跨模态可靠性自适应调整归因强度,无需假设语义对齐。实验在受控基准和大规模数据集上验证了该方法的有效性及其对识别出的失效模式的纠正能力。

  19. arXiv · 机器人与计算机视觉5

    DCLDs-EIR 框架实现弥散性囊性肺病诊断的证据驱动迭代推理

    DCLDs-EIR 框架通过耦合假设细化与多模态证据获取,解决弥散性囊性肺病影像表现重叠及标注数据受限难题。该方案利用肺部渲染初始化鉴别诊断,结合临床上下文检索疾病知识图谱,形成证据采集与验证的反馈闭环。多中心评估显示其诊断准确率持续优于基线,并通过显式链接实现可追溯的鉴别诊断。

  20. arXiv · 机器人与计算机视觉35

    Supervised Scoring 提升手术动作中心定位增益:arXiv 预印本

    该研究提出结合热力图与坐标监督的 Logistic 回归评分器,在混合帧场景下筛选可报告的手术动作中心。内部评估基于 50 个来源共 5,000 帧数据,在 80% 接受配额和 0.10 倍图像对角线容差下,方法保留正确输出率为每百输入 46.08 例,较基线提升 1.88。熵选择策略因增加正确预测的误拒而抵消增益,监督评分则将坐标监督定位器的误拒从每百输入 6.15 降至 2.99。

  21. arXiv · 机器人与计算机视觉75

    PR-OVD:一种保留新类别能力的开放词汇目标检测方法

    针对开放词汇目标检测中模型偏向基础类别导致新类别语义坍塌的问题,论文提出了 PR-OVD 框架。该方法首先进行粗粒度分区以隔离背景与类别特征,随后在各类别内进行细化以提升决策边界清晰度,并设计了受认知启发的结构提示(Structure Prompt)为新型类别提供视觉锚点。实验显示,PR-OVD 在两个基准测试中使新类别检测性能平均提升 6.5%,同时提升了分割和分类等任务效果。

  22. arXiv · 机器人与计算机视觉35

    AptM-GCD 通过属性证据学习与多模态提示实现广义类别发现

    AptM-GCD 提出属性证据学习机制,将属性视为局部视觉证据而非全局描述符,结合多模态提示推理提升细粒度与通用基准表现。该方法在六个数据集上达到最先进水平,且在单模态及类别不平衡设置下展现强泛化能力。论文已提交至 TPAMI,arXiv 版本为 v1,代码与数据许可状态待定。

  23. arXiv · 机器人与计算机视觉18

    历史脚本分类评估协议:手稿级数据泄露的成本与软标签作用

    研究在 VML-HP-ext 数据集上发现,测试时若使用训练手稿的其他页面会导致准确率虚高,从页级 97% 骤降至手稿级 54%,且模型置信度严重过拟合。针对此问题,论文提出评估协议建议并验证了软标签能显著降低与专家评估的偏差,相关代码将随论文发布。

  24. arXiv · 机器人与计算机视觉82

    Maze Runner:基于线特征定位与控制屏障函数的自主迷宫导航

    Maze Runner 是一个开源的自主导航栈,旨在解决稀疏重复几何下的定位、狭窄走廊规划及估计或地图错误时的安全控制问题。该栈在 Gazebo 仿真环境中驱动 Husarion ROSbot XL(配备 2D LiDAR),通过 RANSAC 和总体最小二乘法从扫描中提取带不确定性的墙体线,并分别用于基于地图的扩展卡尔曼滤波定位和在线构建地图的 EKF SLAM。

    推荐理由:该工作提出了基于线特征定位与控制屏障函数的自主迷宫导航栈,在仿真中实现了厘米级定位与实时规划控制。

  25. arXiv · 机器人与计算机视觉48

    OKS-mAP 评估协议存在盲区:提出统一遮挡、关节角与时间稳定性评测方案

    针对 OKS-mAP 无法区分可见/遮挡关键点及忽略关节角误差的盲区,研究者在 COCO、CrowdPose 等四数据集上验证了新协议。实验显示聚合 mAP 高估遮挡场景性能(Delta_occ 为负),且 OneEuro 平滑可将跳变率降低 9-10%。该开源工具包补充而非替代现有指标,代码与权重已开放许可。

  26. Hugging Face Daily Papers75

    ExRL:通过执行长度控制实现长片段策略的样本高效在线自适应

    论文 ExRL 指出利用现有强化学习方法适配高维度的长动作片段策略往往需要大量在线交互数据,难以在实际机器人场景中应用。作者提出将适应过程从优化动作本身转向优化每个预测动作片段的执行时长,从而在保持低维度优化空间的同时提升表达力。该方法通过轻量级适配器结合离线强化学习算法训练,在仿真基准和真实机器人任务中实现了多样化的长片段策略的样本高效自适应,且仅需极少的任务特定超参数调整。

  27. 盖世汽车 · 汽车资讯15

    AUDI·上汽舒睿泽:AUDI 品牌三年内推三款新车,聚焦中国不出口欧洲

    11 月 10 日,奥迪·上汽战略合作 CEO 舒睿泽宣布 AUDI 字母标品牌未来三年将推出三款新车,相关规划已进入执行阶段。该品牌现阶段专为中国消费者打造,核心任务是深耕中国市场且不出口欧洲。目前 AUDI 已落地 E5 Sportback 和 E7X 两款车型,起售价 26.98 万元。

  28. 盖世汽车 · 汽车资讯42

    中国品牌将于 2030 年前在加拿大推出 18 款电动车,奇瑞 Jaecoo ET 耐寒车型明年上市

    加拿大二手车评估机构 Canadian Black Book 分析师 Daniel Ross 预测,中国品牌将在 2030 年前向当地投放 18 款电动车型。其中奇瑞计划于明年推出配备防冻门把手、加热方向盘及优化电池的中型高端跨界车 Jaecoo ET,以适配多伦多等严酷冬季环境。

  29. Hugging Face Daily Papers68

    Few-Step Streaming Video Generation via Condition Shifting

    该论文提出 APEX 方法,利用条件移位技术在生成器内部估计分布速度场,从而移除对独立假分数网络的依赖并保留冻结参考教师等机制。在 180 秒视频评估中,APEX 在渐进式轨道的指令遵循得分(3.856)和视觉美学评分上均优于 S2-Avatar,人类评测显示其指令遵循净偏好提升 30%。相比 DMD 方法,APEX 每 GPU 峰值显存降低 4.4%,平均迭代时间缩短 9.2%。

  30. 盖世汽车 · 汽车资讯18

    神龙科技与火山引擎联合开发 AI 座舱系统

    11 月 11 日,神龙科技与火山引擎在武汉签署全面战略合作协议,联合开发智能座舱系统及应用软件。双方将端侧智能列为重点,确保断网环境下核心功能车端可用比例超九成,数据在车端处理不回传云端。神龙科技作为合资车企首家搭载该 AI 座舱助手的企业,未来车型将全面接入火山引擎方案。

  31. 盖世汽车 · 汽车资讯70

    成都人形机器人创新中心发布第五代贡嘎人形机器人

    成都人形机器人创新中心于 11 月 11 日发布第五代贡嘎人形机器人,该机型搭载自研一体化具身智能系统,在场景感知、时空记忆、因果推理规划及动作世界模型等核心模块完成迭代。其物理时空记忆引擎统一存储空间坐标与物体状态,支持跨时长长程家庭任务;整套架构针对非结构化环境打磨,赋予机器人在复杂场景中自主执行长程任务、异常恢复及持续自适应的能力。

最多提供 50 页,更早的内容请使用搜索或主题页。