跳到正文
11月16日周一
  1. arXiv · 机器人与计算机视觉83

    MeanFlowAdvantage:面向平均速度生成器的稳定奖励微调方法

    论文提出 MeanFlowAdvantage,解决平均速度表示与现有基于瞬时速度的奖励微调不匹配问题。该方法通过共享的分离均值流导数修正,将奖励目标表达在预测空间,同时使 rollout 和参考正则化成为对推理部署的平均速度网络的精确惩罚。

    推荐理由:提出针对平均速度生成器的奖励微调目标,在少步采样下提升 SD3.5-Medium 指标并支持 DNA 设计任务。

  2. arXiv · 机器人与计算机视觉28

    Fusion-Free Multimodal Classification with Heterogeneous Deep Ensembles 提出无需显式融合的模态分类方法

    该方法利用单模态神经网络深度集成替代晚期融合,在同等参数量下显著优于解决模态不平衡的最先进融合网络。研究通过合成框架与真实数据集验证了启发式选择模型数量的有效性,并基于双模态数据拟合缩放定律估算了集成的渐近性能表现。

  3. arXiv · 机器人与计算机视觉78

    Graph Your Own Prompt:一种基于模型预测图的自提示学习框架

    作者提出 Graph Consistency Regularization (GCR) 框架,通过引入参数无关的图一致性层,将模型自身的预测语义转化为全局类感知掩码预测图,并与批次级特征相似性图进行对齐。该机制利用自适应权重从图差异中学习各层重要性,优先保留语义可靠层并抑制噪声层,从而在不修改网络架构或训练流程的情况下提升特征质量与泛化能力。

    推荐理由:提出无需修改架构的图一致性正则化框架,利用模型自身预测构建类感知特征图以抑制噪声。

  4. arXiv · 机器人与计算机视觉38

    UltraBench 2:面向超声影像基础模型的鲁棒性评测基准

    UltraBench 2 是一个涵盖广泛解剖结构与任务的综合基准,旨在解决超声基础模型评估碎片化问题并提升标准化与可复现性。分析显示,专用预训练在分类任务仍领先,而通用大模型在分割任务上已追平最先进水平。该工作已被 ML4H 2026 会议接收,相关代码与数据将支持社区对超声影像基础模型的公平比较。

  5. arXiv · 机器人与计算机视觉30

    RFMSR:基于残差流匹配的图片超分辨率方法

    RFMSR 提出将源分布设为以低质量潜变量为中心的 Gaussian,使流从输入图像而非纯噪声开始以保留结构先验。该方法结合单步输出监督损失与条件流匹配损失,无需蒸馏即可实现任意步数的高质生成。实验显示其效果可与最先进方法竞争,代码已开源。

  6. arXiv · 机器人与计算机视觉72

    当无参考图像质量模型遇见扩散潜空间的 MAP 估计时

    该工作首次展示无参考图像质量评估模型可作为自然图像先验用于真实世界图像增强。方法在预训练的微分双射扩散过程中于扩散潜空间执行梯度上升,而非原始像素域。不同模型带来不同的增强输出,提供了比较它们在感知优化场景下优缺点的新计算手段。

  7. arXiv · 机器人与计算机视觉5

    EventSpikeSeg:基于混合信号架构的事件相机脉冲分割预印本

    EventSpikeSeg 提出一种结合驻留电容内存与共享模拟处理的混合信号架构,在 GF180MCU 工艺下实现事件相机脉冲分割。该架构在 DSEC 数据集上软件检查点达到 27.976% 平均交并比,但硬件准确率、全网络物理运行及系统能效尚未验证。研究详细表征了 22 个模块家族与 74 个工作点,揭示了存储复制与服务调度作为扩展约束。

  8. arXiv · 机器人与计算机视觉78

    D2ToF:基于轻量级单光子 LiDAR 波形的单步扩散深度超分辨率方法

    论文提出 D2ToF 框架,利用蒸馏扩散策略和多元引导机制,将低分辨率单光子 LiDAR 波形(8x8)一步重建为高分辨率深度图(128x128),推理耗时约 83 毫秒。实验结果显示该方法优于现有基线,解决了极差输入上采样问题。

    推荐理由:提出 D2ToF 一步扩散框架,实现单光子 LiDAR 波形到高分辨率深度图的超分辨率重建。

  9. arXiv · 机器人与计算机视觉43

    DiffusionSSD:双阶段扩散与近数据处理实现极致视觉压缩

    DiffusionSSD 提出一种算法架构协同设计框架,通过双阶段扩散降低计算成本并借助 cUFS+LPDDR-PIM 将编解码卸载至数据侧。实验显示该方案在保持感知质量的同时,计算开销最高减少 92.7%,相比 NPU+DRAM 及 SmartSSD 等近数据处理架构,编码吞吐量分别提升 2.32 倍和 2.91 倍。

  10. arXiv · 机器人与计算机视觉16

    LightTAR:一种轻量级且快速的目标感知多模态表格学习方法

    LightTAR 通过联合提取编码器层的目标感知特征,以少量计算成本提升所有表格模型的预测性能。该方法在 MulTaBench 数据集上平均改善预测效果,仅轻微增加运行时间且无需修改现有编码管道或学习器架构。代码与论文已公开,适用于结合数值、文本和图像的多模态表格学习任务。

  11. arXiv · 机器人与计算机视觉72

    通过探测激活恢复蒸馏图像和视频生成器的多样性

    蒸馏扩散模型虽降低采样延迟但导致样本多样性严重坍缩。本文探究发现学生模型将激活方差集中到更少的方向,且该现象位于去噪初始步骤的中间层。为此提出 ReDiverse 方法:训练时通过轻量适配器微调回归教师特征方差,推理时无训练机制沿预计算的主成分方向引导激活。在图像和视频蒸馏基准测试中,该方法在保持生成质量的同时一致恢复了样本多样性,并得到用户研究支持。

  12. arXiv · 机器人与计算机视觉20

    通过隐藏神经元概念归纳理解农业 CNN 中的上下文偏差

    研究利用概念归纳技术揭示卷积神经网络在农业图像分类中依赖背景主导区域的上下文偏差。分析涵盖五种数据集、四种架构及三个网络深度,验证了边缘与纹理特征的有效性,发现中等偏差的甘蔗数据集神经元特征验证率最高(40.5%)。该工作表明行为上下文依赖性与隐藏神经元的语义可解释性捕捉了 CNN 行为的不同侧面,可作为基于补丁的偏差检测补充。

  13. arXiv · 机器人与计算机视觉70

    MMFlash:面向视觉语言模型的更快推测性解码

    针对扩散起草器主要关注纯文本任务而忽视多模态起草的局限,本文引入基于 KL 散度的 Token 级视觉依赖度指标,发现视觉依赖度高时接受率显著下降。为此提出 MMFlash 框架,自适应地提升起草器预测较差的视觉依赖 token 权重,并在长视频输入下采用稀疏注意力减少冗余计算。

  14. arXiv · 机器人与计算机视觉54

    Adaptable Watermarking:通过轻量级适配器改造图像水印模型

    本文探索神经图像水印模型的适应性,提出一种框架使编码器 - 解码器水印架构具备模块化和可升级性,支持多种水印风格而无需重新训练整个模型。该方法通过在组件上附加紧凑的参数高效适配器并在多域残差对齐损失下微调来实现适应,同时通过秘密损失项保持比特精度。

  15. arXiv · 机器人与计算机视觉75

    STaG:一种无需人工标注的基于文本的人脸检索无监督领域自适应方法

    针对现实部署中缺乏新场景文本标注的问题,本文提出了 STaG 框架,实现了无需目标域人类标注的无监督领域自适应文本检索。该方法通过风格无关文本对齐解耦身份语义与机器生成风格,并利用异构图记忆对齐学习跨域不变视觉特征,在三个基准测试上达到了最先进性能。

  16. arXiv · 机器人与计算机视觉78

    DRA-HTR:解耦表示与适应以进行手写文本识别

    针对历史文档手写文本识别因标注数据稀缺和领域偏移而面临的挑战,本文提出 DRA-HTR 无监督生成域适应框架。该方案结合源域预训练与目标域视觉特征适应,通过生成目标风格源样本进行任务特定训练;并引入 DRAL-HTR 集成大语言模型进行后 HTR 校正以补充语言适应。

    推荐理由:提出 DRA-HTR 无监督生成域适应框架,在七个数据集上建立手写文本识别领域适应新最先进并提升鲁棒性。

  17. arXiv · 机器人与计算机视觉82

    Eco3R:基于固定键推理的高效可流式长视频前馈三维重建方法

    论文提出免训练的 EcoVGGT 推理框架,利用固定关键帧集(Pinned Key Set)替代内容选择机制,实现长视频三维重建的恒定成本处理。实验显示该方法在 ScanNet 1000 帧视频上将速度提升 13.8 倍,并在 VGGT 模型上通过微调对齐模块将成功率从 70% 提升至 82%,同时支持单 GPU 处理 4000 帧及在线流式重建。

    推荐理由:提出免训练推理框架 EcoVGGT,通过固定关键帧实现长视频三维重建的高效流式处理。

  18. arXiv · 机器人与计算机视觉58

    RecurIR:通过递归自我改进学习何时以及如何修订恢复策略

    针对现有基于代理的图像修复方法缺乏对策略有效性边界显式识别的问题,本文提出 RecurIR 框架。该框架引入假设发现机制以识别条件依赖规则,设计由规则证伪驱动的任务演化机制生成针对性退化变体并验证规则适用性边界,进而开发变化条件感知的策略修订机制来调整工具选择、执行顺序及操作强度。

  19. arXiv · 机器人与计算机视觉23

    nnAEU:一种用于高光谱解混的轻量级 CNN 自编码器模型

    nnAEU 是一种基于卷积神经网络的轻量化自编码器,通过剪枝完全移除 UNMamba(2025) 中的 Mamba 组件。该模型参数量少于 UNMamba 的 10 倍且远低于其他 Transformer 及 GAN 方法,同时在解混精度上超越它们。完整可复现代码已开源,相关论文为 arXiv:2611.17956v1 预印本版本。

  20. arXiv · 机器人与计算机视觉48

    基于域适应的字符分类与手写文本识别流水线

    针对专用任务标注数据稀缺问题,该研究提出一种无监督域适应流水线,通过预训练专家模型、利用未标记目标数据进行域适配及风格对齐来缩小分布差距。该方法在 DAGECC 竞赛 Track 2 的 Safran-MNIST-DLS 数据集上以 76.17% Macro F1 分数确立新最先进水平,并在 READ 2018 各子集无需标签下取得竞争性结果。代码已公开,推理阶段无额外计算开销。

  21. arXiv · 机器人与计算机视觉5

    Cracks in Embeddings:JEPA 基胸片表征的鲁棒性与稳定性研究

    针对自监督联合嵌入预测架构(JEPA)在医疗影像中鲁棒性不足的问题,研究测试了四种基于 JEPA 的胸片编码器。实验显示,在边界攻击等扰动下,I-JEPA 编码器的余弦相似度降至 0.33,AUROC 下降 0.12。通过对抗微调将嵌入一致性提升至 0.97 以上,而仅用干净数据训练的向量量化方法则导致性能进一步恶化。

  22. arXiv · 机器人与计算机视觉84

    DoubleTake:面向长文档理解的视觉证据聚焦验证方法

    针对长文档问答中模型即使检索到充分证据仍可能回答错误的问题,论文提出了 DoubleTake 框架。该方法无需训练,利用初始阅读生成的候选答案与证据记录指导二次检索,通过规划器生成事实性问题、验证器基于源图像盲答以及推理器整合观察结果来解决原始问题。

    推荐理由:DoubleTake 框架在冻结 Qwen3-VL-8B-Instruct 骨干上,通过二次聚焦验证显著提升了长文档问答的准确率。

  23. arXiv · 机器人与计算机视觉59

    信号支架:解锁轻量级模型在自监督单目深度估计中的潜力

    针对边缘设备需求上升但现有轻量级方法精度不足的现状,本文提出无需引入额外数据集或参数的三阶段训练策略 Signal Scaffolding。该方法应用于自设计的轻量化网络 ReForgeDepth,在 KITTI 和 Cityscapes 数据集上实现了精度与效率的最优平衡,并能在边缘设备上实时运行。研究结果表明,通过优化训练方式即可进一步挖掘轻量级模型的潜在能力。

  24. arXiv · 机器人与计算机视觉56

    超越端点:基于贝塞尔曲线的视觉基础模型适应方法

    该研究提出通过学习少量共享提示词来适应冻结的视觉基础模型,并首次从理论上量化了特征空间传输的成本。研究发现,由于共享提示词与图像内容竞争注意力,仅靠线性插值往往无法沿最短路径移动;二次贝塞尔曲线路径能显著减少额外动作成本,在 VTAB-1k 数据集上提升了无标签分布偏移下的中间精度和在线准确率。论文给出了可解析的注意力模型分析,揭示了内容归一化对可达性的阈值效应,并提供了项目页面链接供复现。

  25. arXiv · 机器人与计算机视觉23

    YOLO26 能否利用大语言模型优化预训练权重?多阶段无梯度编辑实证评估

    研究对 YOLO26 模型进行五阶段实验,对比确定性缩放、随机扰动及混合 LLM-CMA-ES 等策略在 MS COCO 数据集上的表现。结果显示增加 CMA-ES 预算虽提升开发增益至 +0.28 个百分点,但混合 LLM 方法未展现统计显著优势(p=0.612),且无法实现跨子集的持续迁移或可测量的模型增益。

  26. arXiv · 机器人与计算机视觉58

    HarmonyText:基于反向精炼对合成与区域解耦频率学习的和谐场景文本编辑

    论文 HarmonyText 针对自然语言引导的无掩码场景文本编辑任务,提出区域解耦优化(RDO)和级联高频纹理引导(CHFTG),以解决伪监督不可靠、生成过度平滑及缺乏无真值评估的问题。作者构建了包含 25K 配对数据的高质量数据集 STE25K,并引入基于颜色分布差异和谐mony 评估模型的无真值评测协议。实验表明该方法在文本编辑精度、背景保真度、色彩一致性和感知和谐度上优于现有方法。

  27. arXiv · 机器人与计算机视觉78

    QCAP-VQA:面向医学视觉问答的问题条件化上限先验质量监督

    论文提出 QCAP-VQA 模型,利用排名分割提案构建问题条件的先验来监督交叉注意力头,并通过 capped prior-mass 目标函数限制先验内的注意力质量。

    推荐理由:提出基于问题条件的 capped prior-mass 监督方法,在无需专家掩码下实现空间监督并验证了自动先验的局限性。

  28. arXiv · 机器人与计算机视觉48

    RaFL:一种用于图像重建的随机滤波器损失实证研究

    RaFL 通过结合随机卷积、傅里叶特征和小波滤波器,在无需预训练特征或手动调参的情况下实现图像重建。该方法在五个任务中表现稳定且计算开销低,仅增加不到 2% 的前向 FLOPs,所需损失函数 FLOPs 比 VGG19 感知损失少 182 倍。研究证实该损失目标对 2D 和 3D 重建均有效,优于像素损失并匹配其在两个任务上的表现。

  29. arXiv · 机器人与计算机视觉75

    重新思考文本到图像奖励建模中的视觉推理

    该论文发现现有奖励模型在视觉推理任务上表现不佳,且微调会削弱其能力。作者提出一种数据干预方法,通过翻转配对轴将现有视觉推理数据集转化为偏好对,与常规人类偏好数据混合训练。实验表明该方法实现了帕累托改进,在 GenEval 基准测试中,相比基于六倍更多偏好对训练的 HPSv3,模型在推理时最佳 n 选择和强化学习后训练任务上的表现分别提升了 4.0% 和 5.5%。

  30. 盖世汽车 · 汽车资讯5

    简智机器人在 CoRL 2026 展出 DAS 2.0 多模态数据采集产品矩阵

    简智机器人在美国奥斯汀举行的 CoRL 2026 大会上展出新一代 DAS 2.0 多模态数据采集产品矩阵,包含 Dex2.0 灵巧手套、Ego 2.0 第一视角设备及腕部相机。系统提供三种数据配置以适配不同任务需求,并将环境观察、手部交互与身体运动纳入同一时间轴和空间参考。简智机器人计划完善采集体系并推进开源建设,为物理 AI 模型训练提供底层支撑。

11月14日周六
  1. Hugging Face Daily Papers72

    Agentic On-Policy Distillation Implicitly Reshapes LLMs' ReAct Patterns

    该论文研究了同策略蒸馏(OPD)如何重塑语言模型智能体在数学、ALFWorld 和 tau^2-bench 等任务中的 ReAct 交互模式。研究发现,通用推理监督能将数学工具尝试率从 70.4% 降至 14.4%,准确率从 16.7% 提升至 38.0%;代码解释器监督改善了家庭操作和零售查询能力。

11月13日周五
  1. arXiv · 机器人与计算机视觉83

    DUNE:在不损失预测性能的前提下解耦多语义神经元

    针对深度神经网络中神经元响应多概念导致内部决策过程模糊的问题,现有稀疏自编码器等方法虽能提取单语义特征但会引入近似误差并损害下游性能。本文提出 DUNE 方法,通过将前层特定概念的贡献重路由到独立子单元且聚合时精确恢复原始激活值,实现了无误差的单语义分解。

    推荐理由:提出 DUNE 方法,在解耦神经元多语义特征的同时保持模型原有功能,推动单语义性与功能保真度的平衡。

  2. arXiv · 机器人与计算机视觉72

    扩展扩散模型在鲁棒分类器训练中的作用:利用其内部表征增强对抗训练

    论文提出将扩散模型的内部表征作为辅助学习信号融入对抗训练(AT),以超越单纯生成合成数据的角色。实验显示,这种联合策略在 CIFAR-10、CIFAR-100 和 ImageNet 上均提升了鲁棒性,并促使特征解耦。材料为预印本,未报告真实机器人部署结果或具体产品发布。

  3. arXiv · 机器人与计算机视觉74

    理解与学习扩散模型中的预测目标:k-Diff 框架

    本文针对扩散和流匹配模型中从噪声、速度到直接数据预测的目标转变提供理论解释,推导了数据几何与最优目标的解析关系。作者提出 k-Diff 框架,利用数据驱动方式直接学习最优参数 k,无需显式估计内在维度。实验表明该方法在不同架构和数据规模下均优于固定目标基线。