跳到正文
11月18日周三
  1. Hugging Face Daily Papers83

    π^4:一种用于 4D 场景几何与运动的统一基础模型

    论文介绍 π^4 作为统一的 4D 场景感知基础模型,能从野外未校准的 RGB 输入(单图、无序集合或视频序列)恢复稠密几何、相机位姿和度量尺度,同时输出 2D/3D 点轨迹及移动物体掩码。系统耦合几何分支与几何条件化的运动分支,在共享骨干网络下约含 05B 参数,单次前向传播即可完成大规模场景的联合重建与跟踪。材料提供数据、训练配方及关键设计选择的实证研究,代码与模型已开源。

    推荐理由:该预印本提出统一模型以单张图像或视频序列恢复稠密几何与运动,参数量小于多数基线。

  2. 盖世汽车 · 汽车资讯28

    日产品牌进阶宣言“人车生活,因你而变”及 NX7/PHEV 搭载 Momenta R7 大模型与 NISSAN OS 3.0 发布

    日产汽车将品牌宣言从“尽兴由 NI"升级为“人车生活,因你而变”,承诺全面进阶以满足中国新能源时代需求。NX7 等新车搭载 Momenta R7 大模型实现智能驾驶、NISSAN OS 3.0 座舱及骁龙 8295P 芯片,纯电续航达 320 公里。日产计划两年内推出 10 款新品,构建覆盖纯电、插混的“纯电+1"矩阵,并引入 NISMO 性能品牌拓展市场增量。

11月17日周二
  1. arXiv · 机器人与计算机视觉31

    DEEP 基准揭示感知计算决策价值,KITTI/nuScenes 实测显示盲目升级常损下游损失

    DEEP 基准通过 KITTI 和 nuScenes 数据集评估感知计算对下游决策的实际增益,发现 34%–54% 的感知模式升级反而增加损失。研究指出仅凭漏检率提升选择信号会导致平均测试决策增益降低 7.4%,且引入 20% 延迟预算后仅轻量级路由器优于随机策略。该工作强调应以预算受限的决策预言机为基准,而非将全精度推理视为上限。

  2. arXiv · 机器人与计算机视觉78

    Chameleon:扩散模型高效量化中的动态格式适配器

    该论文提出 Chameleon 框架,将量化格式本身作为离散变量,按权重通道和激活层动态从 INT8、FP8 等集合中选择,而非固定单一格式。在 SDXL、PixArt-$\alpha$ 等模型上,该方法在所有位宽设置下均取得最佳 FID,推理速度较 FP16 提升 1.09 倍且权重体积缩小 3 倍。材料为预印本,未提及同行评审状态或开源代码仓库。

    推荐理由:提出 Chameleon 框架,通过动态选择激活与权重的混合格式在固定位宽下实现最佳 FID 与推理速度提升。

  3. arXiv · 机器人与计算机视觉58

    FDIR:一种兼顾像素保真度与机器感知的图像复原框架

    针对现有压缩图像复原方法难以同时满足像素保真、人类感知和机器偏好之间的矛盾,论文提出 FDIR 框架。该框架分两阶段工作:首先利用质量引导的单步流模型生成结构先验,随后通过流条件细节细化网络预测残差以保留纹理细节并忠实于原图。在 LIVE1 和 DIV2K 数据集的严重压缩设置下,FDIR 在所有指标中均取得最佳或次优排名,且在下游检测、分割等任务中表现优异。

  4. arXiv · 机器人与计算机视觉12

    Vertigo Vertigo:仅用 2.78% 帧率重建希区柯克电影,生成式媒体加速虚假真实逻辑

    Vertigo Vertigo 项目利用大视频扩散模型,仅基于原片 2.78% 的关键帧锚点完成首尾插值,成功重构了希区柯克《迷魂记》。计算评估显示 73.1% 的生成帧可被识别为合理版本,仅 3.6% 出现灾难性失败,证明了经典电影规范已深度压缩在模型潜在先验中。

  5. arXiv · 机器人与计算机视觉42

    CelebA 数据集存在性别双重标准:多维权衡审计揭示视觉属性关联的不对称性

    研究对 CelebA 数据集及预测模型进行多维审计,发现女性感知面孔虽整体获高吸引力标注更多,但衰老与男性化特征组合对其吸引力的负面关联显著强于男性。SHAP 分析显示体型属性对女性为负贡献而对男性近乎中性,Grad-CAM 揭示年轻女性关注面部中心而年长男性聚焦额头,证实了视觉评估中的性别双重标准。

  6. arXiv · 机器人与计算机视觉45

    Discrete-Diffusion Posterior Sampling with Langevin-Inspired Proposals 方法提出 $\Delta$LPS,在 MNIST、CIFAR、FFHQ 等图像复原及 DNA 生成任务上优于现有离散扩散采样器

    $\Delta$LPS 是一种利用梯度信息识别离散状态空间内有效移动的离散朗之文启发式后验采样器。该方法支持跨所有 token 维度的并行更新,且对掩码或均匀状态的离散扩散先验训练范式无关。实验表明,其在图像复原、空间映射及 DNA 序列生成等线性与非线性逆问题任务中,性能优于近期离散扩散后验采样器并可与强连续扩散求解器竞争。

  7. arXiv · 机器人与计算机视觉35

    Variational Trajectory Optimization of Anisotropic Diffusion Schedules 提出变分框架优化各向异性扩散调度

    该方法通过矩阵值路径联合训练分数网络并学习噪声调度,推导了高效优化估计器及二阶 Heun 离散化反向 ODE 求解器。在 CIFAR-10、AFHQv2、FFHQ 和 ImageNet-64 数据集上,其 FID 指标持续优于基线且低 NFE 增益最大。代码已开源,论文版本为 arXiv:2602.19512v2。

  8. arXiv · 机器人与计算机视觉58

    SciEGQA:面向科学证据 grounding 的问答与推理数据集

    针对科学文档视觉问答中证据定位困难且缺乏可解释性的问题,作者提出了 SciEGQA 数据集。该数据集包含 1,623 个人工标注的高质量问答对及超过 30K 个自动构建的训练样本,支持语义连贯的证据区域标注。实验表明,基于该数据集训练能显著提升视觉语言模型在科学文档中的推理与证据定位能力。

  9. arXiv · 机器人与计算机视觉55

    表征与训练范式转变下分布外检测的系统性分析

    本文对 CNN 和 ViT 架构在多种训练范式下的分布外(OOD)检测置信度评分函数进行了系统性基准测试。研究发现,简单概率分数主导误分类检测,而基于几何、重构或残差的分数在不同表征坍缩程度下表现各异。研究提出了一种基于 PCA 的投影过滤流程以提升性能,并开发了仅利用已训练分类器的神经坍缩(NC)指标来预测其竞争性 OOD 检测器清单的方法,无需额外 OOD 数据或先验知识。

  10. arXiv · 机器人与计算机视觉68

    FlowTool:通过流匹配控制图像修图中的工具参数

    论文介绍了一种名为 FlowTool 的新方法,通过将基于工具的图像编辑任务建模为流匹配问题,直接对输入图像和用户指令条件化地生成高质量工具参数的分布。该框架结合了视觉语言模型骨干网络与扩散 Transformer 参数生成器,无需自回归推理即可有效完成结构化连续编辑参数的生成。

  11. arXiv · 机器人与计算机视觉78

    零训练 LLM+OVOD 流水线中的归因缺口:CAAP-SNAP 差异细粒度分析

    该论文在 COCO-Val 全量数据集上分析了零训练大语言模型与开词汇检测器流水线的表现,发现定位准确率下降主要源于词汇新颖性导致命名对象超出标注类别范围,而非模型幻觉或视觉复杂度问题。研究证实了该现象具有通用性,并修正了前版计算误差,为开放世界多模态系统的评估与设计提供了关键依据。

    推荐理由:研究发现零训练流水线中定位与语义的差距主要源于标注类别限制而非模型幻觉,为评估开放世界系统提供了新视角。

  12. arXiv · 机器人与计算机视觉55

    All modalities are equal, but video is more equal: Closing the Cross-Attention Gap in Joint Video Generation

    论文提出 RecCAR(Reciprocal Cross-modal Attention Regularization)方法,针对联合视频与动作、音频生成的跨模态对应关系不对称问题,利用已建立的视频到模态的强对应作为固定参考,通过 KL 散度正则化对齐较弱的模态到视频对应。

  13. arXiv · 机器人与计算机视觉72

    先表示后加权:冻结 3D 基础模型融合中的语义保留研究

    本文研究了冻结多源 3D 语义融合中直接取 Top-1 标签导致信息丢失的问题,提出通过保留 Top-k 候选来改善性能。在 ScanNet200 数据集上,Top-20 策略的调和平均 IoU 达到 35.49,优于 Top-1(28.47)和全量保留(34.87)。研究还发现几何池化算子下全量保留表现最佳。该工作为冻结基础模型的融合推理提供了新的信息论视角与实验证据。

  14. arXiv · 机器人与计算机视觉38

    FReSH-IR 高效全合一天气图像复原方法:频谱谐波化实现 80% 参数与计算量缩减

    FReSH-IR 提出一种基于层级编码器 - 解码器架构的轻量级全合一复原方法,通过傅里叶跳连接融合频域分解与空间处理。该方法在保持复原质量的同时,相比 Transformer 模型减少 80% 的参数和计算量,显著降低资源消耗。实验表明其在受限资源系统中具备高效能比,适用于物理 AI 中的恶劣天气图像增强场景。

  15. arXiv · 机器人与计算机视觉13

    视网膜身份匹配系统在大型眼科数据库中实现高精度患者身份验证与检索

    基于多样化纵向数据集训练的 AI 视网膜身份匹配系统,在 Rotterdam Study、UK Biobank 及 AREDS 研究中实现了跨设备与数十年的精准身份核验。该系统在固定每千次正确分配产生五次误报的条件下,错误分配率分别为 0.4、9.3 和 1.1 例/千次,检索任务中正确身份位列第一的比例达 97.2% 至 99.7%,并成功发现所有队列中的图像标签错误。

  16. arXiv · 机器人与计算机视觉12

    DWT_AlexNet_DNN 混合特征融合框架提升纹理图像分类性能

    DWT_AlexNet_DNN 框架结合离散小波变换与 AlexNet 深度特征,解决手工特征表达能力有限及深度学习未充分利用多尺度空间频率信息的难题。该研究在工业检测、医学分析及遥感等计算机视觉任务中验证了混合架构的有效性,论文包含 25 页正文与 15 幅图示。代码或权重暂未提及开放许可,仅作为预印本提交至 arXiv。

  17. arXiv · 机器人与计算机视觉48

    DeCO:细粒度数据集蒸馏中的判别性证据组合方法

    DeCO 将细粒度数据集蒸馏定义为预算约束下的判别性证据保留,利用预训练 TransFG 教师模型的注意力展开识别信息区域并构建类级证据库。在 CUB-200-2011、FGVC-Aircraft 和 Stanford Cars 数据集上,该方法在不同 IPC 预算下均优于代表性核心集与蒸馏基线。该研究作为 NeurIPS 2026 研讨会预印本公开于 arXiv,代码与权重未提及开放许可。

  18. arXiv · 机器人与计算机视觉31

    Quasi-SVD:一种用于实时成像的 Lie 约束矩阵分解方法

    Quasi-SVD 通过左奇异向量的李参数化代数与软约束,实现了 GPU 友好的并行矩阵分解。该方法在 MNIST 去噪、穆勒矩阵偏振测量及超声定位显微镜等任务中,相比精确 SVD 提速 2.6--67 倍且保持高重建保真度。该预印本论文(arXiv:2607.25967)展示了跨仪器与尺度的稳健域迁移能力,显著加速了成像流水线处理。

  19. arXiv · 机器人与计算机视觉72

    Peak-End-Net:一种受峰终规则启发的通用化视频美学评估框架

    该论文提出 Peak-End-Net 框架,旨在解决视频美学评估中缺乏大规模基准和主观性强的问题。方法利用预训练的图像美学头生成帧级先验以识别显著时刻,设计美学节奏编码器捕捉时间演变,并通过动态门控融合机制提升鲁棒性。实验在 VADB 和 DIVIDE-3K 数据集上验证了该方法的最先进水平,代码与模型已开源。

  20. arXiv · 机器人与计算机视觉65

    SAM 3 在遥感领域的零样本概念分割评估:文本与视觉提示对比分析

    论文对 Segment Anything Model 3 (SAM 3) 进行了多任务实证评估,涵盖场景分类、目标检测和实例分割,且无需微调。研究发现仅使用文本提示效果较差,加入视觉提示能显著提升准确率;结合两者时效果依任务而异。在通用域开放词汇检测与分割基准上,SAM 3 的纯文本性能优于多个对比模型,但无视觉提示时的准确率仍受限,未来工作需探索参数高效微调方向。

  21. arXiv · 机器人与计算机视觉38

    地理性萎缩 OCT 图像 RPE 与 EZ 区全自动深度学习分割方法验证

    该方法在真实世界 OCT 数据上实现视网膜色素上皮(RPE)损失 Dice 系数 0.88、椭圆体带(EZ)损失 Dice 系数 0.87,厚度误差仅 2.08μm。其测试 - 重测组内相关系数分别达 0.995 和 0.988,与独立阅片者一致性相当且不受 B 扫描密度显著影响。该技术可支持地理性萎缩临床试验标准化结构终点及常规眼科客观评估。

  22. arXiv · 机器人与计算机视觉35

    PhotoQuilt:免训练任意分辨率光栅镶嵌的引导式分块去噪框架

    PhotoQuilt 提出一种免训练的引导式分块去噪框架,解决扩散模型难以兼顾高分辨率与全局结构的难题。该方法先以低分辨率生成全局构图固定布局,再在潜在空间上采样并注入噪声恢复生成功能,随后在固定分块内进行独立去噪。实验表明,该框架在全局结构与局部真实感上均优于当前基线,且无需二次注意力成本即可扩展至大幅面画布。