面向分离任务结构与视觉内容的规划表示研究
Aarav Srivastava 等人提出了一种针对物体目标导航(ObjectNav)任务的受控评估框架,在程序化生成的 ProcTHOR 房屋中独立改变表面材质、杂乱度和光照等视觉因素。
Aarav Srivastava 等人提出了一种针对物体目标导航(ObjectNav)任务的受控评估框架,在程序化生成的 ProcTHOR 房屋中独立改变表面材质、杂乱度和光照等视觉因素。
该研究提出一种利用航拍图像自动生成多级一致地图的新框架,包含感知层级与感知一致性两个生成器。团队构建了大规模高质量数据集 Multi-Level Map (MLM),实验表明该方法在综合定量指标和感知质量上均优于现有最先进方法。论文代码与数据处于预印本阶段,尚未正式开源或商用。
该研究提出了一种针对杂乱环境的深度感知路径规划与避障框架,集成 RGB-D 传感、规则避障及 NavfnROS 全局规划器。系统在搭载 Kinova Gen3 臂的 Husky A200 机器人上验证,仿真实验显示成功率提升 40%、最小净空改善 35%,且真实世界测试证实了其计算高效与安全特性。
DBHiCo 框架通过处理原始与去颅骨 MRI 多视图对,利用分层对比损失解决噪声干扰与结构相似性难题。该方法在三个神经数据集上实现最先进性能,优于现有多视图表示学习与对比微调技术。代码与数据许可状态待 arXiv 注册确认。
针对无人机图像分类在大数据集、GPU 及重框架依赖下的局限,本文提出一种无需 GPU 且具备高可解释性的轻量级算法。该方法利用二维色相 - 饱和度直方图特征表示,结合地球移动距离或二次型距离与对数似然概率分数进行分类。
PALIN 是一个大规模内在像素对齐的多模态数据集,包含约 8000 帧来自静态城市路口和多样化移动郊区场景的数据,联合捕捉几何与近红外强度信息。基于该数据集提出的 CMambaFusion 框架利用双向跨模态交互模块和门控拼接 Mamba 模块进行特征融合,实验表明其在纯 LiDAR 及代表性融合基线上实现了更优的精度效率权衡。
论文提出了 StyleJudge,这是一种紧凑的视觉语言评估器,通过少量源到风格化参考对进行条件校准以评估图像风格迁移质量。在包含 12 种艺术风格的 878 对人标注基准上,该模型在未见风格上与人工评分的 Spearman 相关系数达到 0.325,优于 Gram-matrix、CLIP 和 LPIPS 等现有指标。
推荐理由:该工作提出了一种基于小样本参考对进行上下文学习的风格迁移评估模型,在未见风格上的人机相关性优于现有指标。
论文提出一种无需训练的轻量级框架,用于高斯泼溅(Gaussian Splatting)上的查询驱动三维实例分割。该方法利用密集像素级 CLIP 特征保留细粒度语义信息,通过视频分割器在选定视角识别目标区域并跨视图传播,最后利用新颖的可见性投票策略将二维轨迹提升为三维高斯掩码。
论文提出 SplatFlow3D 方法,旨在解决短帧间隔下物体运动的遮挡问题。该方法采用 SimpleFlow3D 作为双帧骨干网络,结合图像平面稠密信息与深度维度稀疏信息构建三维运动特征。
针对室内多层建筑中电梯或扶梯加速后进入长时间匀速巡航导致惯导退化、垂直位移低估的问题,论文提出 Local-Token Causal Attention 架构,将每秒惯性数据压缩为运动令牌并在有限缓存中维持初始状态。
推荐理由:提出 LTCA 架构解决长时惯性里程计在电梯匀速阶段的漂移问题,并在 MSIO 基准上验证了优于短窗口基线的性能。
现代自动驾驶系统主要依赖摄像头、雷达和激光雷达进行环境感知,但这些模态在光照或天气方面存在局限。本文设计了一种水平排列的麦克风阵列作为车辆的“耳朵”,实现了对附近移动车辆在鸟瞰图(BEV)表示下的定位,能够捕捉其相对方向和距离。
论文提出了 RETR,这是首个尝试将事件相机引入 3D 车道检测的工作。作者构建了包含真实世界序列的 DSEC-3DLD 和大规模仿真序列的 Ev-OpenLane 两个多模态基准数据集。
推荐理由:提出首个将事件相机引入 3D 车道检测的模型,在真实与仿真基准上均达到最先进水平。
SRDP(Soft-interior Rim Dense-grid Pooling)是一种无需训练的几何感知读出方法,将冻结的 PFM 晶格转化为与掩码对齐的细粒度细胞表征。
针对真实世界夜间图像增强因缺乏严格配对的日 - 夜数据及复杂退化导致的泛化难题,论文提出 MrLIE 框架。该方法利用多模态大语言模型(MLLM)作为高保真参考合成器与诊断评论家,直接从退化的夜间观测中迭代生成、诊断并校正正常光照参考图。
dit.xpu 提出一种针对异构移动 SoC 的稀疏 DiT 推理框架,通过 Tile-aligned 稀疏注意力与锚点误差补偿机制优化数据流。该方案在两款骁龙手机上的五项 DiT 模型测试中,相比 Hexagon-NPU 后端实现高达 1.56 倍的端到端去噪加速,且生成质量接近稠密注意力模式。代码已开源,适用于移动端图像生成与编辑场景。
该研究在 ImageNet 验证集上测试了 MambaVision 混合架构中块的消融测量意义。研究发现,真实消融与尺寸匹配的零扰动(通道打乱或符号翻转)在绝对误差上几乎无法区分,表明其块贡献主要源于位置效应而非内容效应。
针对自监督单目深度网络预测的不确定性仅能排序误差大小而无法反映实际量级的问题,论文提出 MonoCal 方法进行校准。该方法首先利用立体图像对测量单一常数来修正不确定性的尺度,无需重新训练;随后通过重新训练网络使其预测网络与第二台自监督网络在深度上的分歧区域以修正形状分布。
针对自动驾驶领域利用问答基准评估视觉语言模型(VLM)但高准确率未必反映视觉化推理的问题,作者提出了一套诊断评估框架。该框架包含恶劣天气与路口交叉口两类任务,并扩展了 nuScenes 空间推理测试,对开源 VLM 进行了无图、反事实天气敏感度、语言鲁棒性及空间推理四项协议的系统性探测。
EviRef 是一种无需训练的计算机视觉方法,通过为每类证据构建独立参考记忆来验证场景规则。该方法在 VID-AD 数据集上,仅用每个任务 20 张正常图像即可实现平均 AUROC 92.1%,优于使用 50 张图像的对比方法。其组件原型可解析任意捕获条件下的图像,且支持文本等额外证据通过任务级门控机制接入。
针对视频跌倒检测中陌生摄像头与稀缺本地标签的挑战,该研究分析了 OmniFall 和 AI-Hub 数据集共 2,697 个片段,验证了多源联合训练对跨数据集检测的提升。
针对现有开放词汇遥感图像分割方法在单轮推理中难以区分视觉相似但类别不同的区域的问题,论文提出 Puzzle 框架。该方法利用预测历史与视觉相似度先验,通过轻量级控制器迭代细化块级注意力并自适应停止,无需重新训练即可兼容多种模型与数据集,显著提升了分割性能。
论文提出了 DecoEdit 框架,旨在解决当前多模态图像编辑局限于二维平面控制(如文本提示、边界框)的难题。该工作构建了包含 160 万样本的 DecoDataset 数据集和 DecoBench 基准测试,并设计了一种解耦管道:利用 SAM-3D 的结构引导锚定目标几何、比例和空间方向,同时通过细节保留路径锁定高保真纹理。
论文提出 DEFDVO 方法,通过结合球面先验的可变形特征提取、端到端的接缝感知估计以及基于球面梯度的补丁选择,解决了全景相机等距矩形投影带来的畸变与采样偏差问题。该方法仅在 TartanAirV2 合成数据上训练,在 360DVO 基准测试中将平均绝对轨迹误差降低了 4.8 倍,并取得了真实世界数据集上的最低平均 ATE。代码已开源。
针对近身交互场景下缺乏大规模标注数据的难题,作者提出了 CISyn 数据集,利用物理仿真和 Blender 渲染生成了包含碰撞动力学、相互遮挡及姿态纠缠的 25,000 条序列。该工作还提出了一种不确定性感知损失函数,帮助模型更有效地学习重度遮挡样本。实验表明,结合 CISyn 并替换回归损失可显著提升近身交互基准上的表现。数据集、生成管线和代码已开源。
RAVEN-Bench 引入包含 100 对时序对齐 EO-IR 视频及 1200 道人工审核的四选一问答题,支持单模态与配对评估以诊断跨光谱推理能力。该基准在 NeurIPS 2026 数据集与评测轨道被接收,代码和数据已开源,旨在验证 RGB 视频模型进展是否有效迁移至低空多模态理解任务。
论文提出 Guided Group Featurizers (GGF),这是一种利用物体标注进行初始化和训练的块稀疏特征提取器(BSF)扩展方法。研究评估显示,GGF 的特征组在语义一致性上平均达到 94.1%,显著优于 SLiCS 和受监督的 Vanilla BSF;同时其单组捕捉效率覆盖目标图像的比例更高,且参数更少、训练循环更短。
沙希德贝赫什蒂大学机器人智能自动化实验室设计了集成 ESP32 微控制器与 Jetson Orin NX 模块的 1:10 比例自动驾驶平台。系统通过 UART 链路协同运行,利用 ROS 栈及 Stanley、PID、Pure Pursuit 算法在类城市环境中实现稳定导航。该报告包含 62 页内容、32 张图表及 11 个表格,作为未来自动驾驶研究的模块化实验平台。
DeepVFR 是一个用于人脸视频修饰的初始受控合成基准,包含 1,024 对 30 fps、150 帧的视频片段。该基准由 Wan2.2 生成源片段并通过后端特定的人脸迁移构建同步代理目标,旨在解决专业编辑一致性与隐私合规难题。数据及排名将在论文接收后公开,但明确不替代人工修饰视频或建立合成到真实的泛化能力。
该报告披露了 UCF UrbanTwin V2X-Real Sim2Real LiDAR Challenge 的第三名技术方案,涵盖合成点云生成与三维目标检测。
推荐理由:报告披露了 UrbanTwin V2X-Real 赛道第三名方案的完整实现细节,涵盖合成点云生成与三维检测流程。
arXiv 预印本论文 AerialOcc 提出了一种统一的基于占据栅格(occupancy)的空中感知模型,旨在解决现有方案依赖特定任务输出的问题。该研究构建了 AerialOcc-20K 大规模多类别占据数据集,实验表明该统一架构能在单次推理过程中支持多种无人机感知任务,在保持结构统一的同时实现具有竞争力的性能。材料为预印本版本,未提及同行评审状态或具体部署许可。
Trap Tracker RT 是首个由野外组织拥有基础设施的开源自托管应用,通过邮件或 FTP/SFTP 接收图像并调用 DeepFaune-SSA v1.2 模型进行本地分类与预警。
VTG-RAG 框架结合查询自适应粗到细采样与图检索,解决长视频中稀疏证据定位及多模态干扰问题。在 LongVideoBench 基准上,配合 Qwen2.5-VL-32B/72B 模型(24 帧输入),准确率分别从 48.16% 提至 50.56%、从 52.13% 提至 53.32%,验证了各组件贡献。
Neural Latent Gaussian Process 架构利用稀疏二维组织切片数据,成功插补参考脑中未观测体素的连续三维脂质分布。该模型在 173 种测得的脂质上平均相关系数达 0.613,优于线性回归、XGBoost、MLP 及 Neural Transcriptomic Field 等基线方法。
该论文提出一种无需插入物理靶标的立体粒子图像测速(Stereo PIV)相机系统自标定方法,直接利用粒子图像序列进行校准。方法通过构建基于 CUT3R 的循环 Transformer 处理单目流以累积粒子运动状态,并利用跨视角解码器回归双向点对应关系,最终结合五点 RANSAC 求解恢复相对位姿。模型在合成数据集及真实相机布置上均实现了优于现有网络的光流误差和更高的位姿精度。
论文指出多图像视觉语言模型(VLM)因无法定位物体位置而难以检测场景变化。作者提出 STILL 方法,利用 3D 几何将待检测物体的位置在另一视角下进行注册,并训练 VLM 从全局和局部视角回答该位置是否仍有物体。
arXiv 论文 LiNO 针对自动驾驶车辆的占用估计任务,提出了一种结合相机与雷达传感器的实时轻量级架构。该方法通过残差多阶段头设计替代了以往依赖重型纯相机模块的方案,并引入特定任务的数据增强策略以提升泛化能力。
该论文针对冻结的检测器在多相机网络中产生身份碎片化的问题,提出了一种后处理框架以改善 3D 跟踪效果。核心方法包括在两个输入尺度间进行类别感知的源选择、将 3D 框投影到所有校准视图以匹配 2D 检测的几何外观桥接,以及结合因果短间隙缝合与离线质心链接聚类的约束感知整合。
LVRE 是一种免训练的视觉代理,旨在解决光学化学结构识别中全图再生引入回退误差的问题。该方法结合高分辨率裁剪、全局图表与局部邻域进行针对性检查,由确定性控制器验证修改并由视觉审查模块仲裁提交或回滚。
Guobiao Wang 审计了一种无源流匹配分割器在 120 名未见训练数据上的表现,发现模型常漏检脾脏且现有质量门控(往返过滤和体积 Dice)无法识别此类错误。作者提出 Chain-and-Fill 方法在 119 名患者上满足所有预注册终点,其严重组增益与 SAM 2 传播不可区分,且仅 1/357 的患者种子对受损。
推荐理由:原文审计了无源流匹配分割器在 CT 影像中的脾脏漏检问题,并验证了链式填充修复方法的有效性。
论文 TopSDF 针对 3D Gaussian Splatting 提取干净、水密显式表面网格的挑战,提出将符号距离状态建模为多元高斯随机场的框架。通过学习四面体顶点间的潜在拓扑协方差,该方法扩展了局部自由度并允许候选网格顶点沿四面体的双极边灵活放置,同时直接整合变分网格化能量与能量驱动的 Gaussian 稠密化策略以改善三角形质量。
推荐理由:提出基于拓扑协方差的 SDF 场框架,解决 3DGS 网格提取中的梯度冲突与退化三角形问题。