跳到正文
11月10日周二
  1. arXiv · 机器人与计算机视觉73

    从视频到数字孪生:野外视频的世界模型与高斯泼溅探索性研究

    该研究利用公开的新闻走场视频,验证了生成式世界模型结合 3D 高斯泼溅技术将普通影像转为度量级可探索 3D 场景的可行性。实验显示,商业世界模型在少量帧输入下能恢复相机姿态与深度并融合为约 74.7 万个高斯泼溅点,但在未观测区域外推失败且需脚本填充;本地优化的高斯泼溅虽真实但仅在拍摄路径附近有效。

  2. arXiv · 机器人与计算机视觉65

    Seeing Like a Shopper:验证语言模型作为合成消费者

    该论文提出利用视觉语言模型(VLM)构建“合成购物者”,在购物篮层面复现了真实家庭在不同国家的消费模式,并在货架选择层面发现并消除了位置与标签带来的干扰效应。作者引入了 ShelfSight 基准平台,通过独立渲染产品、位置和价格来分离偏好与回答效应,使 VLM 能像预算型消费者一样对价格和陈列做出响应。

  3. arXiv · 机器人与计算机视觉49

    四视角智能手机视频数据集与 LaGSplat 基线模型发布

    该研究发布了由机械臂驱动柔性条带、含四台 iPhone 拍摄及相机位姿的四视角视频数据集,并基于此构建了首个 3D LaGSplat 基线。LaGSplat 以抓具加速度为强制项拟合解码器,在未见视图上渲染出 26 至 33 dB PSNR 的画质,且支持浏览器实时交互演示。相关数据集、检查点及训练代码均已公开。

  4. 盖世汽车 · 汽车资讯70

    百度Apollo披露全模态世界模型Apollo World

    百度Apollo在深圳AI Day首次披露智能体驱动的全模态世界模型Apollo World,提出“2+3”判断标准以支撑高安全要求的自动驾驶验证。该模型具备因果性、交互性及物理准确性等核心能力,支持行程级闭环测试与多场景按需复现,旨在降低真实路测成本并加速车端迭代。

  5. Hugging Face Daily Papers38

    多模态智能体跨场景自进化机制综述与分析

    该综述调查了多模态推理、生成、GUI/Web 导航及具身操作四种场景下,无需人工标注的自进化机制在跨场景转移时的不对称性来源。研究将自进化定义为包含经验生成、反馈获取与更新整合三阶段的循环,并分析稀缺因素组合如何限制不同方向的能力迁移。文章提出通过匹配预算测量来推翻当前未验证的结论,共 44 页含 15 张表格和 4 幅图表。

  6. Hugging Face Daily Papers72

    BirdDreams:联合视角与 BEV 视频生成的自动驾驶世界模型

    BirdDreams 是一种自动驾驶世界模型,能够联合生成视角视频和鸟瞰图(BEV)视频,将场景布局纳入预测的未来中。该模型通过两个扩散 Transformer 的联合注意力机制,在无需 HD 地图或车辆状态输入的情况下,仅凭单张相机图像即可生成更合理的自车运动及周围车辆行为。

11月9日周一
  1. arXiv · 机器人与计算机视觉72

    物理序列建模中的错误泛化机制:从分布漂移到坐标变换缓解

    该论文针对生成式序列模型在物理领域规划运动时出现的“物理错误泛化”现象(即局部误差累积导致整体物理量分布偏离预期),形式化了问题并提出了基于数据偏差核的机制解释。研究通过受控合成任务验证了该机制,并提出了一种变换生成器学习坐标系的缓解方案,以有效减少物理量的漂移。材料为 NeurIPS 2026 预印本,未涉及真实机器人部署或量产结果。

  2. arXiv · 机器人与计算机视觉81

    FlowSim:免渲染的端到端驾驶系统闭环仿真方法

    针对传统闭环评估依赖图像生成与感知重编码导致成本高且存在仿真实隙的问题,本文提出 FlowSim 这一免渲染仿真范式。该方法直接从上一帧潜在表示和目标帧符号场景条件预测内部潜在表示,绕过图像渲染和感知重编码步骤。

    推荐理由:提出免渲染的闭环仿真范式 FlowSim,直接预测潜在表示以加速端到端系统评估。

  3. arXiv · 机器人与计算机视觉67

    高精度街景图像视觉定位的精度潜力:FHNW Muttenz 数据集与系统评估

    针对现有公开数据集缺乏满足测绘级要求的真值姿态问题,作者构建了覆盖连续 10 公里街道网络的 FHNW Muttenz 数据集,包含高分辨率参考影像及四相机五场景的查询序列,两期采集数据配准精度达 5mm,图像与参考影像配准后位置误差为 6-9mm、姿态误差低于 0.1°。

  4. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

  5. arXiv · 机器人与计算机视觉35

    RiskFlow:一种快速且忠实的安全关键交通场景生成框架

    RiskFlow 提出了一种将未来行为生成为动作空间一步流传输的闭环框架,通过基于碰撞时间的关键智能体排序与对抗性交互目标直接修正输出动作。在 nuScenes 数据集上的闭环评估显示,该方法在多智能体和长视界设置下实现了强对抗性与真实性的平衡,相比基线模型在保持安全生成能力的同时显著降低了推理时间并消除了运动伪影。

  6. arXiv · 机器人与计算机视觉70

    RigidFormer:利用 Transformer 学习无网格刚体动力学

    论文介绍 RigidFormer,一种面向物体的 Transformer 模型,用于从点云等无网格表示中学习高保真刚体动力学。该方法通过锚点顶点池化保留接触相关几何信息,利用基于锚点的旋转位置编码处理无序物体布局,并通过可微 Kabsch 对齐强制刚性约束。

  7. arXiv · 机器人与计算机视觉72

    Augmentron:用于机器人学习的可扩展多视图视觉增强方法

    论文介绍了一种名为 Augmentron 的几何感知数据增强流水线,旨在解决现有生成式方法计算成本高及跨相机时间戳不一致的问题。该方法通过生成可复用的场景表示并渲染至录制相机位姿,在保持机器人、任务对象、动作和标注不变的前提下,产生时间和多视角一致的环境与工作空间变化。

  8. arXiv · 机器人与计算机视觉43

    CARLA 仿真器中场景编排实现自动驾驶策略闭环评估

    针对预设脚本无法适应自主驾驶策略闭环响应的局限,该研究提出一种持续监控交通状态并通过重定时、重路由及角色重组来维持特定交互意图的场景编排器。在 CARLA 仿真器多类场景与策略实验中,该方法比脚本式和学习型基线更可靠地实现目标交互,支持可控且可复现的策略评估。

  9. arXiv · 机器人与计算机视觉4

    ImageCLEFmedical 2026 GANs 任务综述:指纹检测、隐私泄露与合成医学图像生成

    ImageCLEFmedical 2026 GANs 任务在第四版中新增三个子任务,涵盖检测训练用真实图像、识别潜向量及生成保护隐私的 CT 切片。37 支队伍注册参赛,其中 10 支提交运行结果并基于 Cohen's Kappa、匹配准确率及 FID/PPS 指标评估。论文提供真实与 GAN 生成的肺 CT 数据集基准及工作笔记全文。

  10. arXiv · 机器人与计算机视觉49

    Paste2Place:基于物理引导的一步图像合成模型发布

    Paste2Place 是一个端到端的流式模型,通过显式的反照率 - 阴影残差分解实现从粘贴输入到真实合成的直接一步转换。该工作构建了包含 86,273 个训练对和 1,500 个示例基准的 Blender 渲染及开源数据管道以支持训练与评估。实验表明,该方法在图像合成质量和推理速度上均取得显著优势,填补了大规模高质量数据集与评测基准的空白。

  11. arXiv · 机器人与计算机视觉54

    SUGARv2:基于合成交互参考学习多样化视觉人形机 loco-操作技能

    论文提出 SUGARv2 统一框架,通过复用任务模板合成协调的机器人与物体运动以低成本获取多样参考,并利用基于参考的模仿作为跨任务的共同学习目标。研究先在特权教师上执行这些参考,再通过教师蒸馏和强化学习训练视觉策略,结合域随机化支持泛化与仿真到现实迁移。在五个具身智能操作任务中,该框架在仿真环境达到 91.0% 平均成功率,并在真实人形机器人上验证了全身操作的 sim-to-real 转移效果。

  12. arXiv · 机器人与计算机视觉58

    RevoSim:BrainCo Revo3 手的高保真多模态触觉仿真平台发布

    RevoSim 是一个可扩展且高保真的多模态触觉模拟器,专为 BrainCo Revo3 手设计,联合建模了 285 个压阻式传感单元和五个视觉 - 触觉指尖。该系统能高效生成同步的压力、深度、RGB 及标记位移观测数据;在单张 RTX 5090 显卡上,其基于深度的标记位移配置支持高达 4,096 个并行环境。作者利用该平台完全在仿真中训练了手内操作和抓取策略,为未来的仿真到现实迁移奠定了基础。

  13. arXiv · 机器人与计算机视觉65

    MotionCore:一种用于视频生成的潜空间神经模拟器(含刚体动力学)

    MotionCore 是一个通过学习偏微分方程求解器来掌握刚体动力学的框架,旨在解决视频生成模型中视觉逼真但物理运动不一致的问题。该框架利用潜空间神经模拟器预测物体级物理状态的演化,并将其转换为与空间对齐的潜在控制信号以驱动扩散模型生成视频。

  14. arXiv · 机器人与计算机视觉45

    Federated training performs as well as centralized for 3D Latent Diffusion for Diagnosis-Conditioned Brain MRI Synthesis

    联邦学习在诊断条件脑 MRI 合成任务中,其生成的三维潜在模型性能与集中式训练相当。研究验证了条件保真度、多样性及真实感三项指标,证明在不共享数据的前提下开发多站点生成模型是可行路径。该工作为理解脑部状况及丰富稀缺神经影像数据提供了新的方法支持。

  15. arXiv · 机器人与计算机视觉48

    JEPAhead:从补全到因果预测的城市驾驶感知研究

    该研究通过微调预训练 V-JEPA1 预测器,在冻结编码器的条件下实现了无需动作的因果预测。在 CARLA Town12 场景中,模型以单前向传播检索未来 8 组 token(对应 16 帧),正确率高达 69.0%,优于 55.3% 的持续性基线及参数量少六倍的从头训练模型。语义分析显示固定线性探针在发生语义变化的图像块上达到 0.16 mIoU,证实了预测特征包含驾驶相关信息。

11月8日周日
  1. Hugging Face Daily Papers78

    Spatial Harness:基于物理引擎的可执行世界状态实现空间推理落地

    Spatial Harness 提出将场景表示为显式的可执行世界状态,以物理引擎反馈为基础进行空间推理。系统通过 Perceiver 整合问题约束与视觉估计确定物体和相机坐标,并在物理引擎中实例化状态,由 Reasoner 执行视角变换并引导推理。

    推荐理由:该工作将场景表示为可执行的物理状态,利用物理引擎反馈来校准视觉语言模型的推理过程。

11月7日周六
  1. Hugging Face Daily Papers38

    JoVox:联合分层流匹配用于轻量级体素生成

    JoVox 提出一种离散流匹配框架,通过让细粒度单元参与粗粒度决策并引入两级预测与去掩码策略,解决了高保真与轻量化的矛盾。相比当前最先进模型 TRELLIS.2,该方法在无条件及图像条件化体素生成任务中训练吞吐量提升 8 倍、前向传播 FLOPs 降至 1/15、仅需 4 张 GPU 且 Chamfer 距离降低 11%。该预印本论文发布于 arXiv,代码与权重暂未开放。

11月6日周五
  1. arXiv · 机器人与计算机视觉52

    ODDR:一种基于奖励引导的单步去阴影扩散方法

    针对依赖昂贵且多样性有限的真实配对数据集的去阴影问题,本文提出了 OD D 基线及 ODDR 框架。该方法利用合成阴影数据进行单步重建,并引入首个无需人工标注的 ShadowReward 奖励模型,通过模拟人类感知判断来引导微调,从而有效缩小合成到真实的域差距。实验表明,ODD 在无配对监督下表现强劲,而 ODDR 在保持高计算效率的同时,进一步缩小了与全监督方法的性能差距。

  2. arXiv · 机器人与计算机视觉82

    ReFlowSET:面向 SAR 至 EO 图像翻译的表示对齐潜在流匹配方法

    该论文提出 ReFlowSET 框架,旨在从合成孔径雷达(SAR)观测生成光电(EO)影像。针对现有方法依赖预训练自然图像编码器的局限,该方法通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练较小的条件 DiT。

    推荐理由:提出 ReFlowSET 框架,通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练条件 DiT,实现 SAR 到 EO 图像翻译的最先进性能。

  3. arXiv · 机器人与计算机视觉75

    DenseReward:基于失败合成的机器人稠密奖励学习

    针对强化学习在机器人操作中因缺乏可靠视觉语言奖励模型而难以应用的问题,本文提出了 DenseReward 稠密机器人奖励模型。该工作开发了一套自动化失败数据生成流水线,能在仿真中合成碰撞、抓取失败、物体掉落及恢复等物理真实失败的轨迹,无需人工标注。

  4. arXiv · 机器人与计算机视觉74

    SKILD:一种统一的尺度不变扩散模型用于图像生成与连续超分辨率

    该论文提出了 SKILD 模型,利用自然图像和物理系统的尺度不变性,在单一无条件框架下统一了图像生成与连续超分辨率任务。通过仅改变起始时间步即可实现从粗到细的恢复,无需特定架构、条件分支或针对每个缩放因子重新训练。

  5. arXiv · 机器人与计算机视觉43

    WorldAct:将静态生成式 3D 世界转化为可交互对象中心场景的框架

    WorldAct 是一个利用多模态智能体引导场景分解、识别可操作物体并重建几何对齐网格的框架,能将 Marble 等系统的静态单体资产转化为支持对象级编辑和碰撞感知操作的场景。实验表明该框架在保持全局场景一致性的同时实现了更丰富的交互情景,为构建可编辑且具备物理交互能力的 3D 世界模型提供了实用路径。

  6. arXiv · 机器人与计算机视觉12

    MOO:面向视角分析的牛只重识别多视图观测数据集

    MOO 是一个包含 12.8 万张标注图像的大规模合成 AG-ReID 数据集,涵盖 1000 头牛只在 128 个均匀采样视角下的数据。研究量化了高度影响并发现关键阈值,证明合成几何先验能有效缩小域差距。该数据集在零样本和监督设置下验证了对四个真实世界牛只数据集的迁移性,现已公开可用。