跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉45

    共享点基掩码细化如何提升 X 光行李实例分割

    该研究在 Cascade Mask R-CNN 架构中引入共享点基掩码细化模块,将掩码分辨率从 28×28 提升至 112×112。Transformer 与 MLP 变体在 PIXray 数据集上分别实现 71.79 和 72.47 的平均掩码 AP,较未细化检测器提升 1.29 至 1.97 个点。MLP 配置表现最优且改善了边界一致性,但需独立数据集验证泛化能力。

  2. arXiv · 机器人与计算机视觉78

    LEDGE:分离文本到图像自修正中的批评者与编辑器故障

    论文提出 LEDGE 框架,旨在分离文本到图像(T2I)自修正系统中“错误诊断”与“指令执行”两个瓶颈。研究在固定生成图像和编辑器的条件下,利用标准指令评估发现编辑器存在显著执行缺口;同时通过标准标签监督训练提升了批评者的诊断准确率。实验证明该方法能提升不同模型版本及未见对象类别的修正效果,并验证了跨编辑器和独立评测基准的有效性。

    推荐理由:该框架将生成与编辑的失败解耦,通过引入标准指令独立评估诊断能力与执行能力,揭示了当前自修正系统的主要瓶颈在于编辑器的执行上限。

  3. arXiv · 机器人与计算机视觉48

    ReScene:从稀疏重访构建增量场景时序

    ReScene 通过存储不可变紧凑更新而非完整模型,在保留早期状态的同时避免重复存储未变场景。该方法利用高斯合成权重定位差异以抑制过时元素并细化持久结构,结合学习的多视角深度初始化新表面。相比顺序 3DGS 检查点,其未压缩历史存储减少 2.5--4.8 倍;在相当 PSNR 下,前景深度误差较 ChronoGS 降低 3.2 倍。代码与基准测试已公开。

  4. arXiv · 机器人与计算机视觉48

    InterRSGaussian:交互式多视角遥感场景实例分割方法

    InterRSGaussian 将交互式实例分割从单视图扩展至多视图框架,支持用户通过任意视角的点点击生成跨视图一致的分割结果。该方法基于 3D Gaussians 构建,引入先验蒸馏网络以提升训练效率,无需人工标注即可实现复杂三维遥感场景的感知。研究构建了包含五个不同场景、每个约一百个视角的多视图数据集,并将二维分割结果投影至三维点云以完成三维分割任务。

  5. arXiv · 机器人与计算机视觉78

    无需训练的车载数据匿名化:基于提示分割与 3D 人体网格恢复

    针对自动驾驶相机记录中的人脸和车牌隐私问题,该研究提出 FM-Anonymize 流程,结合 SAM 3 定位、SAM 3D Body 评估可见性及扩散模型合成替换。

    推荐理由:该工作提出无需训练的匿名化流程,在人脸与车牌保护率上优于现有方法,并支持合成替换以保留关键点精度。

  6. arXiv · 机器人与计算机视觉46

    VisDrone-ReID:首个统一多类别目标重识别基准发布

    VisDrone-ReID 基于 VisDrone2019-MOT 数据集构建,涵盖行人等十类物体共 9,516 个身份与 15.01 万张图像。该基准通过留一法评估协议及 CNN、Transformer 架构基线实验,揭示了跨类别重识别的真实挑战。它为研究真实监控场景下的多类别目标重识别提供了统一的评测平台。

  7. arXiv · 机器人与计算机视觉72

    CiGS:基于高斯泼溅的室内温度场推断方法

    论文提出 CiGS 方法,利用配准的多视角可见光与热成像数据,将稳态热传导建模为拉普拉斯边值问题并通过离散化边界积分方程求解。该方法不构建表面或体积网格,而是从渲染深度采样共轭点并利用密度减法保证内部评估精度。实验在具有挑战性拓扑的合成及真实场景上验证了方法对狄利克雷和混合边界的适用性,结果显示其匹配解析解且精度优于有限元法(FEM)求解器。

  8. arXiv · 机器人与计算机视觉65

    EvoMem3D:面向多相机 3D 检测的自适应深度时序表示记忆方法

    针对现代多相机 3D 检测器依赖大型视觉 Transformer 编码器导致推理成本高的问题,本文提出 EvoMem3D 框架。该方法缓存最近的全深度外观表示作为只读锚点,结合当前帧的策略选择部分特征;通过轻量级预编码控制器在语义编码器出口间分配计算资源,对稳定帧使用浅层计算,视觉状态变化时使用深层计算。

  9. arXiv · 机器人与计算机视觉42

    AstroPIE-53:太空宇航员姿态估计失败模式分析

    AstroPIE-53 发布了一个包含 53 个标注视频的宇航员数据集,提供视频标识符、重建脚本及密集标注而非原始视频以遵守版权。研究在零样本条件下对主流检测与姿态估计模型进行了基准测试,首次系统揭示了遮挡、非常规体位、低对比度及微重力运动导致的性能下降。该工作发表于 SPAICE 2026 和 i-SAIRAS 2026,旨在量化太空环境下计算机视觉的鲁棒性局限。

  10. arXiv · 机器人与计算机视觉33

    Radar Panoptic Transformer:语义引导掩码查询实现动态场景理解

    Radar Panoptic Transformer(RPT)提出端到端点基网络,利用雷达自适应特征提取与语义引导掩码预测解决稀疏点云分割难题。该模型在 RadarScenes 数据集以 31Hz 实时推理速度达到 71.6% mIoU 和 82.2% PQ 的最优性能。此外,RPT 在 MAN TruckScenes 长程全周视雷达设置(探测距离达 230m)中超越所有评估基线。

  11. arXiv · 机器人与计算机视觉42

    边缘约束下空中人员检测:预留评估与边地验证

    研究在搜索无人机资源受限条件下,对比了热成像帧标识推断、全网络应用及 YOLO11n 等检测器性能。实验显示,无测试调优的 4.6 万参数对比门控模型召回率为 10.4%,而标准 YOLO11n 在 117 米高空对步行人员的帧级检出率高达 92%。通过地面大模型重评分,YOLO11n 在测试位置的召回率提升 8.8 个百分点,但静止土色目标覆盖度仍很低。

  12. arXiv · 机器人与计算机视觉38

    MambaVision 在胸部 X 光分类任务中通过替换第四阶段实现参数与精度权衡

    MambaVision 混合架构将大部分参数置于最宽第四阶段,研究将其替换为轻量级状态空间块以量化贡献。在 Tiny 和 Small 规模下,该操作减少 35.7% 参数量并提升 GPU 吞吐量 19.3%,但无蒸馏时 ChestMNIST 曲线下面积均值下降 0.004;知识蒸馏可缩小差距至 0.001-0.002。

  13. arXiv · 机器人与计算机视觉63

    Geo2Gcode:从三维几何到 CNC 程序的结构化加工原语转换

    针对将三维形状转为数控程序仍依赖人工的现状,该研究提出 Geo2Gcode 方法,通过结构化加工原语将目标网格直接编译为标准 G-code 代码。该方法利用体素库存模拟器训练轻量级选择器自动填充参数,在 ABC 零件仿真中达到与专家调优商业 CAM 相当的粗加工精度,且无需针对每个零件进行手动设置。生成的程序已在商业 G-code 模拟器运行,并成功在一台物理数控铣床上完成了一个零件的加工。

  14. arXiv · 机器人与计算机视觉78

    PointWM:一种用于点云视频预训练的无泄露潜在世界模型

    针对点云视频自监督学习中存在的几何位置与时间掩码导致的信息泄露问题,论文提出了 PointWM 方法。该方法通过仅使用目标最后一次出现的位置和时间戳进行查询,并学习无需标注的潜在动作来预测未来帧的特征与几何结构,从而将任务从补全转变为真正的因果预测。

    推荐理由:提出 PointWM 方法解决点云视频预训练中的信息泄露问题,在 HOI4D 任务上显著优于从头训练。

  15. arXiv · 机器人与计算机视觉46

    Cosmos4D:通过引力势与光度分层动力学,在四维上重建星系演化

    Cosmos4D 模型利用引力 4D Gaussian Splatting 和光度分层动力学,成功从多视角图像中恢复星系的四维演化。该方法在包含八条银河的宇宙学仿真数据集上,优于动态高斯基线的光度质量与物理准确性。研究展示了在 96 帧内重现星系 8 亿年生命周期的能力,解决了现有方法无法处理微弱恒星群体及重力约束的问题。

  16. arXiv · 机器人与计算机视觉72

    SGIP:学习场景 grounded 交互先验以进行场景感知的人体运动预测

    SGIP 是一种用于人体运动预测的新方法,旨在解决复杂场景中未来运动目标模糊的问题。该方法通过意图蒸馏技术,在训练阶段利用大语言模型结合几何特征对候选区域打分,使学生模型仅凭观测到的运动和三维场景信息即可学习场景 grounded 交互先验,从而在无需 gaze 或 intent 的情况下准确预测轨迹和全身姿态。实验表明,SGIP 在多个基准数据集上优于现有的场景感知基线,证明了该框架的有效性。

  17. arXiv · 机器人与计算机视觉3

    acuSimNet:多视角自遮挡感知颅颈针灸点可见性学习模型

    acuSimNet 提出高效分层多任务架构,实现颅颈区 174 个针灸点的多视角自遮挡可见性预测,验证集准确率高达 99.97%。该方法将训练效率从现有方法的 3000 轮提升至优化框架仅需 86 轮即达 99% 精度,有效解决高维分类与收敛难题。该工作旨在推动中医针灸点检测与可视化的自动化进程。

  18. arXiv · 机器人与计算机视觉82

    ReactBench-AD:驾驶 VLA 和世界动作模型能否对路径中的突发危险做出反应?

    该研究引入 ReactBench-AD 基准,基于 NAVSIM 和 PhysicalAI-Autonomous-Vehicles 构建像素级反事实场景(插入行人或车辆),评估四款 VLA 和两款 WAM 发现其对突发危险反应微弱。针对 ReCogDrive 进行少量编辑场景微调后,模型学会紧急制动且能泛化至未见物体及真实场景,同时保持常规驾驶性能。代码与数据将公开。

    推荐理由:该基准通过像素级编辑场景发现现有模型对突发危险反应微弱,并证明少量微调即可让 ReCogDrive 学会紧急制动且能泛化至真实场景。

  19. arXiv · 机器人与计算机视觉74

    跨模态对齐的关键因素:LightAlign 方法仅需少量配对数据实现医学影像与文本的高效对齐

    论文测试了零配对跨模态对齐的可行性,发现仅在自然图像数据集成功,而环境音频、胸部 X 光及 CT 等失败,分析表明需先定位共变子空间。为此提出 LightAlign 方法:利用少量配对数据通过岭回归同时确定映射位置与方向,并用文本分类器预测医学影像中的诊断结果。在 3D CT 任务上,该方法仅需约 200 对数据即可超越端到端训练的模型,且在未见过的医院数据集上也表现优异。

  20. arXiv · 机器人与计算机视觉78

    复杂环境下多类隧道缺陷的形态解耦分割方法

    针对隧道衬砌检测中裂纹等细长型与渗漏、脱落等面状型缺陷的几何差异,本文提出形态解耦分割(MDS)方法。该方法利用监督路由模块将特征分为线性流和面状流:线性流采用可变形条带注意力保持裂纹连续性,面状流结合金字塔池化捕捉区域上下文;两者通过门控跨形态注意力交互。

    推荐理由:提出形态解耦分割方法,通过线性与面状流处理不同缺陷几何特征,在隧道衬砌检测任务中取得优于基线模型的效果。

  21. arXiv · 机器人与计算机视觉48

    HEmIF-Bench:超越虚拟染色保真的 H&E-to-mIF 模型基准评测

    HEmIF-Bench 基准评测显示,MIPHEI-ViT 在五项病理任务中领先但内部特征优于生成输出,且未超越 UNI2。该基准解耦编码器与生成结果,涵盖分子至患者尺度八数据集,验证像素保真度不等于下游效用。研究指出当前配对数据规模下的生成模型尚未超越大规模纯 H&E 基础模型,需更大规模数据突破。

  22. arXiv · 机器人与计算机视觉44

    光谱波段归因的“可解释性幻觉”:卫星时序作物分类中的合理性检查

    GradientSHAP、Shapley 采样和遮挡法在基于 Sentinel-2 时序的 U-TAE 模型上均识别出符合领域知识的植被敏感区,但重训练实验显示这些归因排名无法可靠预测性能提升。重新使用最低排名波段训练的模型表现相当或更优,且独立模型得出的前五位波段子集能带来更好效果。研究揭示了光谱冗余输入空间中,看似可信的归因排名未必对应任务相关波段,警示了波段级特征归因在有效性验证上的局限。

  23. arXiv · 机器人与计算机视觉72

    Passable for Whom?基于少样本的个人化人行道通行性感知校准研究

    该论文指出同一人行道场景对不同使用者(如不同助行者)的通行性判断存在差异,单标签标注方式不适用。作者提出 Few-Shot Personal Calibration 方法,通过冻结视觉语言模型获取场景内部状态,结合检测器预测障碍类型、严重程度等属性,利用少量新用户的回答拟合其解读风格与权重。

  24. arXiv · 机器人与计算机视觉48

    复用层何时助益多模态嵌入?——MMEB-V2 基准上的循环 Transformer 研究

    该研究在 MMEB-V2 基准的 78 个数据集上验证,标准附加循环使检索分数下降 0.46 分,而中间生成阶段则提升 0.36 分。预训练引入循环的模型相比去环控制组增益 4.23 分,且在视觉问答与文本定位任务中受益于查询条件化的图像更新。研究区分了前向信息流保持查询独立性与双向注意力下的状态敏感性机制。

  25. arXiv · 机器人与计算机视觉42

    TF-VSM:一种无阈值视觉语义匹配指标用于评估主体驱动图像生成的一致性

    TF-VSM 提出了一种无需人工调参的连续置信度加权评分机制,解决了现有 VSM 依赖固定阈值导致的不稳定问题。在包含真实修复预言家的 100 对基准测试中,该方法经重训练后皮尔逊相关系数达 0.638、斯皮尔曼等级相关系数为 0.674,显著优于 CLIP、DINO 及 VLMs 等基线。该研究通过消融实验证实平滑置信度加权机制的有效性,并确认无阈值设计对训练损失平衡具有不变性。

  26. arXiv · 机器人与计算机视觉48

    SemLite-GS:面向无人机倾斜影像的轻量级建筑重建语义选择并行高斯泼溅框架

    SemLite-GS 提出一种针对大规模无人机倾斜影像的轻量化建筑重建框架,通过正射参考图建立全局一致身份并仅更新目标高斯以加速训练。该方法利用渲染深度与法线提取建筑平面引导有向距离场优化,在保持多边形预算相当时显著优于传统全场景重建及网格简化方法。源代码已公开于 GitHub 仓库。

  27. arXiv · 机器人与计算机视觉78

    输入空间与特征层条件化:鲁棒面部表情识别的受控比较

    面部表情识别在光照、曝光或分辨率偏离训练分布时性能急剧下降。本文在 RAF-DB 数据集上对输入空间条件化(使用四种确定性视图)和特征层条件化(FiLM/Conditional BatchNorm)进行了受控对比。

    推荐理由:该研究在 RAF-DB 数据集上系统对比了输入空间与特征层两种条件化策略,发现前者在六种骨干网络中均提升准确率且成本更低。

  28. arXiv · 机器人与计算机视觉48

    SEAT:一种用于多标签舌诊的符号类型证据审核框架

    SEAT 是一种基于冻结 DINOv2 特征的证据审核框架,通过掩码引导注意力、半松弛最优传输及共现感知正则化机制提升多标签舌诊一致性。在 TongueDx 基准测试中,该模型平均宏 F1 达 72.59(标准差 1.04),六模型集成版更以 74.15 的分数超越基线及专用视觉语言模型。代码已公开,研究聚焦于将预测路径与特定舌诊特征对齐以增强证据解释性。

  29. arXiv · 机器人与计算机视觉48

    事件相机在恶劣光照与运动下的目标检测:建筑工地的经验教训

    针对建筑工地夜间及隧道等低光场景,事件相机凭借微秒延迟和超 120 dB 动态范围,在低光测试集上以 27.2 AP 优于 RGB 的 21.3 AP。像素对齐 PEOD 数据集验证了无训练融合方案在所有光照下均达 33.3 AP 的最优性能。研究还发现高速运动是事件检测器的主要挑战,并提出了相机布设指导。

  30. arXiv · 机器人与计算机视觉48

    Sim-to-Real Room-Mediated Object-Goal Navigation with ROS 2 and Nav2 在波士顿动力 Spot 与 Clearpath TurtleBot 4 上的部署研究

    该研究将基于房间概率向量(RPV)的物体目标导航策略通过机器人无关的 ROS 2 桥接,部署于波士顿动力 Spot 和 Clearpath Robotics TurtleBot 4 平台。在包含 66 次试验的大学设施中,Spot 机器人搜索 11 类物体的原始成功率为 0.455,低于仿真环境的 0.539。分析指出未检测到的玻璃墙、进入禁区及房间词汇与物理布局不匹配是导致差距的主要原因。