LVMem:用于长周期问答的图像增强记忆系统
论文提出了 LVMem 框架,旨在解决具身智能体在长观察历史下的可靠语言引导感知问题。该方法扩展了基于视图的记忆范式,通过光流帧选择策略存储以物体为中心的描述性场景表示,并利用视觉语言模型自适应检索关联图像。实验显示,LVMem 在 OC-NaVQA 基准上的二值和位置指标优于 ReMEmbR,且在无需显式构建图结构的情况下匹配或超越了 4D 场景图基线 DAAAM。
论文提出了 LVMem 框架,旨在解决具身智能体在长观察历史下的可靠语言引导感知问题。该方法扩展了基于视图的记忆范式,通过光流帧选择策略存储以物体为中心的描述性场景表示,并利用视觉语言模型自适应检索关联图像。实验显示,LVMem 在 OC-NaVQA 基准上的二值和位置指标优于 ReMEmbR,且在无需显式构建图结构的情况下匹配或超越了 4D 场景图基线 DAAAM。
arXiv 预印本论文介绍了一种名为 BUMP 的文本驱动框架,旨在解决生成多物体人机交互(HOI)的挑战。该方法首先从文本和场景上下文中生成立体人体运动,然后预测少量被主动操纵物体的轨迹,最后通过物理仿真推导出周围响应物体的运动,从而无需扩展学习到的轨迹输出空间即可处理不同数量和配置的物体。
VitronEdit 是一种统一视觉编辑框架,旨在将丰富的图像和视频编辑监督知识迁移至数据稀缺的 3D 场景编辑任务中。该框架采用共享序列表示与渐进式多模态训练策略,并引入几何感知后训练阶段,利用预训练的几何重建模型提供深度和相机姿态监督。
PolMamba 提出基于 Mamba 的长波红外偏振遥感图像融合模型,结合物理先验与状态空间扫描解决模糊轮廓问题。该方法在 AIR-LWIR-Pol 数据集上配合 YOLO11 实现车辆检测,mAP50 达 55.0%、mAP50-95 为 29.4%,优于四种对比方法。研究证明了结合物理先验与状态空间建模在复杂遥感场景中的有效性。
GTSM 提出一种无需预定义三维模型或热力学方程的通用热动力学模块,通过共享场景潜变量与高斯局部状态实现四维时空热场直接恢复。该方法结合可微 RK2 积分器支持连续动态传播,能无缝集成静态与动态高斯泼溅以完成变形目标的渲染及未来时间预测。实验在真实红外序列与合成数据上验证了其在重建精度与时序外推能力上优于现有基线,并证实了对变形目标的有效性。
针对通用少样本 3D 点云分割中支持标注稀疏与遮挡导致模型学习虚假几何模式的问题,作者提出首个将不确定性提升至更新级门控的框架 UGA。核心模块通过合并支持与伪标签新监督的内类离散度估计 episode 可靠性,选择性门控残差梯度更新;同时引入基于不确定性的伪标签过滤器以强制从高置信度密集信号中学习。
EGGHead 是一种针对单张图像生成逼真人头的计算机视觉方法,旨在解决传统网格法表现力不足与 NeRF 法效率低下的权衡问题。该方法引入新型高斯分配算法,在固定高斯预算下优化语义区域分配,减少所需高斯数量并最小化对表现力的影响。
论文提出了 S-Agent 2.0,这是一个为现成通用编码代理配备命令行感知工具包的空间推理智能体。其设计原则是帮助视觉语言模型(VLM)闭合证据循环:获取场景证据、在持久化场景记忆中记住它,并用平实的空间语言解释每个读数。
NVIDIA 团队在 arXiv 发布 Foundation4D,这是一个统一的前馈模型,用于从多摄像头驾驶视频中估计几何、进行 3D 检测、生成语义占用和 Gaussian 重建。
推荐理由:该预印本提出统一几何估计与重建模型,并开源基准数据集,为无激光雷达场景提供深度与语义占用先验。
Avenda Health 今日推出 Surgery Mode,为其 Unfold AI 平台新增术中功能,将术前决策支持延伸至手术室内。该系统融合 MRI、活检等多模态数据生成个性化肿瘤三维地图,预测癌症扩散准确率达 92%(MRI 单独为 52%),肿瘤识别敏感度从 37% 提升至 97%,旨在辅助医生在机器人或非机器人手术中实现精准神经保留决策。
ribline 是一个开源三阶段框架,结合语义上下文森林与轻量级 3D U-Net,在 Siemens Corporate Research 2 mm CT 基准上实现 97.2% 标注准确率且评估集零假阳性。
RePrior 提出多阶段渐进式先验校正框架,解决稀疏锥形束 CT 重建中先验偏差与 X 射线测量冲突问题。该方法无需测试时真值或案例特定微调,在 LUNA16、PANORAMA 及 PENGWIN 数据集上相比 R$^2$-Gaussian 提升约 2.6 dB 的 3D PSNR。研究同时增强了体素与高斯域自由度,显著改善了体积质量及未观测视角的重建保真度。
该研究基于 CONSONANCE 三期临床试验数据,确立了多发性硬化症患者通过智能手机远程行走测试的步态指标最低临床重要差异阈值。结果显示,步速、步长等关键指标的显著变化中位数为 -0.16 m/s 至 -24 米不等,为区分日常波动与疾病进展提供了量化框架。这些标准支持将数字步态测量整合到多发性硬化症疗效评估及个性化患者护理中。
该论文针对现有稀疏线性注意力(SLA)依赖启发式分割及分解不匹配的问题,提出 SLA2 架构。其核心改进包括引入动态选择分支的可学习路由器、采用更忠实于数学定义的混合公式以及通过量化感知微调实现的低比特注意力设计。实验表明,在视频扩散模型上,该方法实现了 97% 的注意力稀疏度,带来 18.6 倍的速度提升,同时保持了生成质量。
anatomix 3D 基础模型结合 FireANTs 求解器与体积守恒方案,在无任务特定训练下于 Learn2Reg 2026 PSMAReg 挑战赛夺得榜首。该系统利用细粒度体素语义表示与粗粒度解剖身份驱动 GPU 加速迭代配准,解决了原始图像强度在对应问题中作为相似性代理不足的难题。代码与交互式可视化已公开,技术报告状态为 arXiv 预印本。
Graph3R 提出一种方法,将视图图初始化与前馈重建通过共享几何表示进行统一。该方法利用轻量级验证头从多视图特征中预测成对共视性以构建视图图,从而将输入视图分类为场景组,并在解码相机位姿和稠密几何前掩蔽共享特征。
DIGS 是一种无需训练的开放词汇 3D 分割框架,通过类无关映射和多模态编码将实例发现与语言命名解耦。该方法在 Gaussian 层面维护显式的 Top-M 标签分布以保留边界处的多峰特征,并利用双向状态机聚合为持久化的类无关本体;随后融合 CLIP 视觉嵌入与大模型生成的属性描述以消除视觉相似性歧义。
该论文提出 GeoBridge 进化框架,旨在解决深度估计和高斯重建等几何视觉系统中解码器内部计算无法统一优化的问题。通过残差、序列及并行组合搜索阶段内拓扑结构,利用功能树编码支持层级变异与梯度敏感性对齐评估,并在目标系统实例化训练。
WeLike2Party 提出了一种无需推理时提取姿态或网格的多人图像动画框架,通过参考非对称 RoPE 条件化与身份绑定监督解决遮挡下的身份 - 运动解耦难题。该方法在 MotionTwin-Bench 基准及真实视频上验证了其在主体视觉保真度、身份 - 运动绑定及整体感知质量方面优于现有最先进方法。
Re:Cognize 框架提出在故事演进中动态学习角色身份,解决现有评估固定身份集的局限。实验显示模型自构建图库会导致性能下降,而无需额外参数的 VOUCH 机制仅在页面提供证据时更新记忆,恢复了完美标签下三分之一至三分之二的提升效果。该方法论聚焦已遇角色的身份维持,并在 NeurIPS ED Track 2026 被接收。
针对冻结双编码器在复杂场景中检索微小或低显著性物体时表现下降的问题,论文提出无需训练的推理框架 MINER。该方法通过引入少量区域级嵌入库和修正相似度的重评分机制,弥补全局图像嵌入对局部视觉证据的不足。研究构建了基于 Flickr30K 和 MS COCO 高杂乱子集的基准 ROCS,并在 CLIP、SigLIP 等模型上验证了其在标准分割及新基准上的提升效果。
针对远程作物表型难题,研究评测了 7 种网格重建管线,发现 GGGS、PGSR 和 2DGS 因定量指标优异及视觉效果佳而更受青睐。其中 GGGS 在用户评分、Chamfer 距离等 5 个维度雷达图中比次优的 2DGS 高出约 27%。该预印本论文(arXiv:2609.16926)聚焦计算机视觉领域,未涉及机器人或自动驾驶相关技术。
论文 GraFT 针对当前多模态大语言模型在几何测量、视角转换及细粒度外观定位上的不足,提出无需微调的解决方案。该方法通过紧凑的三维场景图(3DSG)向冻结模型提供三维结构信息,具体形式包括符号工具计算的值、鸟瞰图图像以及由几何选定的以自我为中心的画面。
推荐理由:GraFT 提出无需微调的框架,通过图结构为冻结模型补充三维信息,在 ScanQA 和 VSI-Bench 上显著优于基线。
Exemplar 提出了一种闭式解的分割读出方法,能在数秒内精确更新每个新掩码,其线性读出结合了冻结的 DINOv3 特征与经典滤波器响应。该方法在十个涵盖细胞、血管和纤维的生物医学数据集上表现优于仅应用预训练模型的少样本方法及平均 nnU-Net 精度;虽然微调后的 Cellpose-SAM 基线平均精度相当,但拟合耗时中位数为 25 分钟且无法精确更新。
研究在 WeDAN 图扩散框架下,对 1925 个美国县、325 个英国区及 14 座全球城市测试了四种卫星视觉编码器。结果显示语言监督的 RemoteCLIP 分布内表现最强(CPC 0.602),而地理 grounded 的 AlphaEarth 在英国区零样本转移提升 33%;预训练规模大的 DINOv3 反而在分布内落后 0.091 CPC 且全球崩溃至 0.022。
针对重复室内环境中 LiDAR 到 BIM 配准易受对称性误导导致高置信度错误定位的问题,本文提出 Move First, Commit Later 选择性层。
SHOVIR 是一个针对放射学报告生成(RRG)任务的基准,旨在检测视觉语言模型是否过度依赖词汇先验或虚假相关性而非真实病理图像证据。该工作扩展了 MIMIC-CXR 和 PadChest-GR 数据集并引入细粒度标注,通过图像级与疾病级的遮挡实验区分了‘直接捷径’(移除视觉证据后预测仍成立)和‘上下文捷径’(目标区域完好但共病被遮挡导致检测下降)。
论文提出了 SA-LIVO 算法,旨在解决激光雷达、惯性测量单元和视觉传感器独立失效时的融合问题。该方法通过协方差匹配在线估计帧级噪声尺度,利用 Schmidt 滤波处理观测相关性,并引入子空间感知信息融合模型来限制视觉信息的误差上限。
该论文提出了 PRISM 框架,旨在解决从单张图像重建 3D 场景的挑战。方法将多视角潜在预测分解为无需参数的几何先验和可学习的残差修正,完全摒弃了推理阶段的扩散采样过程。通过两阶段训练策略(潜变量监督蒸馏与感知微调),该方法在三个基准测试中达到了与基于扩散的方法相媲美的重建质量,同时将每场景的推理时间大幅缩短至 36 秒。代码已开源。
论文介绍了一种针对多机器人在无 GPS 和通信受限环境中运行的数据高效分布式 SLAM 框架。该方法利用融合的 RGB-LiDAR 点云构建包含语义分割层和离散有界物体层的场景图,并通过与邻近机器人交换和匹配物体数据来协同执行场景图匹配。研究通过多步数据交换和优化过程最大化通信效率,并在包含有限轨迹重叠、视角变化、重复结构和视觉退化条件的真实世界数据集上验证了方法的有效性与通信效率。
论文介绍ZipSplat,一种预测紧凑且基于观测的场景表示的方法。该方法从图像块而非学习查询推导场景Token,并将其解码为自由放置的3D高斯点。通过引入锥损失和GeoCE几何损失解决漂移与混合问题,并利用TokenBA在数秒内优化Token与相机姿态。
论文指出当前视觉基础模型(VFMs)虽提升了场景理解,但在视线推理方面贡献有限,导致依赖语义显著物体而非真实视线线索。为此提出一种新训练机制:通过头条件局部 LoRA 实现局部适应以保留场景 token 学习并优化头部 token 学习,同时引入出锥惩罚将视线线索注入头部 token 并与场景 token 对齐。
推荐理由:针对现有视觉基础模型在视线跟随任务中场景理解强但视线推理弱的局限,提出头条件局部 LoRA 与出锥惩罚机制以增强推理能力。
Mono-Hydra++ 是一种面向敏捷机器人的单目 RGB 加 IMU 流水线,用于室内度量 - 语义映射和分层三维场景图构建。系统结合 DINOv3 基的多任务模型 M2H-MX 与深度视觉惯性里程计前端,在 Go-SLAM ScanNet 子集上比最强 RGB-D 基线平均轨迹误差低 1.6%,在校准的 7-Scenes 数据集上将平均 ATE 提升 29.8%。
推荐理由:该工作提出仅凭单目 RGB+IMU 实现实时三维场景图构建,在资源受限平台上替代深度传感器,代码与模型权重已开放。
MonoPRIO 通过自适应先验条件化解决单目深度与尺度不确定性,在 KITTI 测试服务器上实现 Car、Pedestrian 和 Cyclist 类别最高的 Moderate AP。该方法无需额外深度或 LiDAR 监督,在仅用图像数据时获得最佳 3D 边界框精度且延迟低于 MonoCLUE。代码、训练模型及复现材料已公开,适用于低数据与部分遮挡场景。
论文提出了 MAGS-SLAM,这是首个仅依赖单目 RGB 摄像头的多智能体 3DGS SLAM 框架,旨在实现低成本机器人平台的协作场景重建。该方法让每个智能体独立构建局部单目高斯子图并传输紧凑的子图摘要,结合几何与外观感知的闭环验证及占用感知的高斯融合,在无需主动深度传感器的情况下实现了全局一致的重建。
该论文提出 SpaAct 框架,旨在让视觉语言模型(VLM)具备在未见过的三维环境中遵循指令进行导航的能力。方法引入动作回顾与未来帧选择两个任务以分别强化反向动作推理和正向过渡预测能力,并设计 TriPA 课程学习策略从基础运动逐步过渡到长程推理。实验表明该方法在标准 VLN-CE 基准上取得最先进性能,代码与模型将公开支持后续研究。
GaussianHSI 提出一种基于高斯泼溅的框架,利用 Voronoi 引导选择与参考感知双边加权进行空间重建,并引入光谱细节增强模块提升谱保真度。在基准数据集上的广泛实验表明,该方法在任意尺度高光谱图像超分辨率任务上优于最先进方法。该工作为计算机视觉领域提供了新的任意尺度重建解决方案。
论文提出 CoDe-MAE 框架,通过条件对比学习(CCL)和跨模态退化目标预测(CDP)解决高分辨率光学与合成孔径雷达(SAR)的联合预训练难题。作者构建了包含 100 万样本的 OSPretrain-1M 数据集,并展示了 MMATR-X 模型在单模态及双模态任务上的领先迁移性能。实验还验证了该方法在遥感光 -DEM 及室内 RGB-depth 等异构模态对中的有效性。
该论文提出在由强大2D基础模型(如DINOv2、SigLIP2等)导出的高维隐式3D潜空间内直接进行场景生成,以解决传统2D多视图方法存在的表征冗余和空间一致性受限问题。
推荐理由:原文提出在基于2D基础模型的3D隐式潜空间直接进行场景生成,实验验证了该方法在效率与空间一致性上的优势。
BIRCH-Trees 作为首个基于无人机图像的个体树木高度与物种估计基准,涵盖温带、热带及寒带造林数据集。DINOvTree 利用视觉基础模型骨干网络,在仅使用次优方法 54% 至 58% 参数的情况下,实现了最优异的整体结果与准确的树高预测。该研究已接受 ECCV 2026 会议录用,为森林生物量估算提供了高效可扩展的计算机视觉解决方案。
最多提供 50 页,更早的内容请使用搜索或主题页。