跳到正文
11月19日周四
  1. arXiv · 机器人与计算机视觉35

    HyGeoBench 基准与 HyGeoAgent 框架在遥感地质图像解译中的推理可靠性评测

    HyGeoBench 基于高光谱影像构建包含一万道题的诊断基准,从推理可靠性、先验证据对比及光谱判别三个维度评估多模态大模型局限。针对细粒度识别不足问题,HyGeoAgent 通过自适应工具使用整合区域观测与 PCA 分析实现性能提升。实验显示该框架在地质图像解译的各诊断维度均优于对应基线模型。

  2. arXiv · 机器人与计算机视觉72

    R3Sieve:从注意力到答案的无训练高分辨率 VQA 框架

    arXiv 发布论文 R3Sieve,提出一种无需训练的框架以解决高分辨率视觉问答中无关信息干扰小目标证据的问题。该方法将推理分为定位、裁剪和回答三阶段,分别引入共享子空间抵消器、独特贡献发现器和内容对齐投票器等反事实参考机制来抑制干扰。实验显示,该框架在三个高分辨率 VQA 基准上表现最佳,相比基线模型准确率最高提升 21.5 个百分点。

  3. arXiv · 机器人与计算机视觉58

    CURVTON-205K:一种用于增强虚拟试穿鲁棒性与可扩展性的无掩码难度分层合成数据集

    针对 2D 虚拟试穿在真实世界条件下性能不足的问题,本文提出了一种无需解析掩码或密集姿态标注的可扩展数据生成管线。该管线协调专用编辑与生成模型,并在视觉语言模型引导下合成了包含源人物、目标服装及对应试穿图像的三元组数据集 CURVTON-205K。

  4. arXiv · 机器人与计算机视觉42

    SAVGE 数据集与 EDSC 框架提升 AI 生成视频检测鲁棒性

    针对现有基准因语义分布差异导致检测器依赖虚假相关性的问题,研究提出包含 236.98 万视频的 SAVGE 数据集及 EDSC 模型无关训练框架。EDSC 通过两阶段优化策略整合提示词引导的语义监督与组内对比学习,在 SAVGE 和 GenVideo 上显著提升了骨干网络 - 指标组合的性能并增强了跨数据集泛化能力。该工作验证了语义对齐对生成视频检测的重要性及显式解耦策略的有效性。

  5. arXiv · 机器人与计算机视觉42

    STAR++:多波段天文超分基准与物理感知框架

    STAR++ 发布了一个包含约 170 万对通量一致图像对的基准,涵盖哈勃望远镜(HST)观测的 36 个滤镜。提出的 FISR++ 模型引入滤镜感知适配器(FAA)和空间模糊解耦损失(SADL),在保持通量准确的同时实现未见滤镜泛化。实验表明该方法在重建质量和物理一致性上均优于现有天文超分方法。

  6. arXiv · 机器人与计算机视觉72

    重新思考放射学语言图像预训练中的对比目标:CorLIP 方法

    针对放射学中 CLIP 风格对比预训练中出现的零样本评估先升后降及大样本训练失效问题,作者提出这是由于未配对报告间存在临床事实重叠导致的目标误配。通过构建合成测试床验证该结构假设,论文提出了无需架构修改的 CorLIP 方法,仅在文本断言与图像一致时视为正样本。该方法消除了峰值后的性能退化,使大样本(B=2048)训练稳定收敛,并显著提升了数据增益,且可从胸部 X 光迁移至三维 CT 模态。

  7. arXiv · 机器人与计算机视觉53

    FlyVQA:通过果蝇视角观察视频帧插值质量

    该论文提出 FlyVQA 方法,利用共享的冷冻果蝇视觉电路对存在时间失真的人工插值视频进行全参考质量评估。模型将参考与畸变序列映射至复眼采样电路,通过连接组感知的读出量化细胞特异性活动及兴奋 - 抑制突触动力学的差异,并结合引导式时间池化与轻量回归头生成质量分数。

  8. arXiv · 机器人与计算机视觉70

    WAM-Policy:面向四足机器人行走操作的在线策略蒸馏世界动作模型

    该论文提出 WAM-Policy 方法,旨在解决现有世界动作模型(WAMs)难以直接用于无臂四足机器人语言指令控制的问题。研究通过两阶段流程实现从臂中心模型到四足机器人的适配:第一阶段利用在线自蒸馏技术将预训练模型快速迁移至学生网络;第二阶段结合强化学习与多教师蒸馏进一步提升性能。

  9. arXiv · 机器人与计算机视觉35

    HHW-Ego:多源可穿戴第一人称成像的 DSLR 级画质增强方案

    HHW-Ego 提出定制退化流程与两阶段增强框架,利用高光谱数据优化色温以解决可穿戴设备缺乏配对参考图导致的画质短板。该方案在包含 5000 组室内外昼夜场景的多源配对数据集上微调,显著提升了 Real-ESRGAN 和 PFT-SR 的 PSNR、SSIM 等指标并获人类偏好验证。

  10. arXiv · 机器人与计算机视觉42

    MuJoCo flexcomp 变形模型在人体外骨骼交互界面基准测试中表现与局限分析

    MuJoCo flexcomp 的 StVK 和 SNH 模型在球体压入、压缩大腿等三种工况下,力趋势相关系数达 0.97-0.99,但存在刚度偏大及滞后效应低估问题。其计算速度虽在球体压入时快 2-2.5 倍,但在自由度更高的案例中慢于 COMSOL Yeoh 模型。研究指出需解决体积锁定与粘弹性替代缺失等局限,方可用于人体外骨骼交互分析。

  11. arXiv · 机器人与计算机视觉72

    FreeForward4d:无标注前馈式驾驶场景 4D 重建

    FreeForward4d 提出一种无需数据集标注的前馈式 4D 重建方法,利用预训练视觉模型从纯 RGB 视频预测相机、深度和物体轨迹,并通过校准重叠预测窗口与单目度量深度将其注册到统一时空框架。该方法在 Waymo 数据集上实现 27.66 dB PSNR 和 0.836 SSIM,恢复出具有度量尺度的相机和深度,优于依赖标注的 STORM、SLARM-F 等方法。代码即将发布。

  12. arXiv · 机器人与计算机视觉42

    监督后处理优化冻结行人检测器:信息增益、对象变化与完整成本分析

    该研究比较了候选分数、类分布等读输出在 CrowdHuman 和 MOT17Det 数据集上的效果,发现添加原生上下文可使匹配数增加 275 个。Full100 方法在独立测试集上匹配 6004 个对象,优化后单次请求延迟约 95ms。研究指出仅凭特征维度和检测增益不足以指导采用,需权衡信息收益与处理成本。

  13. arXiv · 机器人与计算机视觉58

    WaveView:利用噪声中的新视角生成高质量动态场景

    arXiv 论文 WaveView 提出一种基于扩散模型的生成式新视角合成方法,通过将双树复小波包变换注入初始噪声相位来约束生成器。该方法在 DL3DV 基准上所有重叠区间均优于基线,最难区间 PSNR 提升 0.84 dB 且推理速度加快 2.1 倍;对动态场景微调 AnyView 后零样本 PSNR 从 11.58 提升至 12.35 dB。

  14. arXiv · 机器人与计算机视觉5

    SIRAZ:稀疏跨层残差聚合实现零样本视觉神经解码

    SIRAZ 框架通过模拟生物视觉层级,在 THINGS-EEG 数据集上实现 92.5% top-1 准确率,并在 THINGS-MEG 数据集达到 50.25% top-1 准确率。该方法利用高斯差分变换与残差门控适配器对齐神经表征,显著提升了跨模态对齐与零样本图像检索能力。相关预印本已提交至 arXiv,代码与权重暂未提及开放许可。

  15. arXiv · 机器人与计算机视觉59

    LaST1.0:一种具有控制中心时空推理的统一潜在世界动作模型

    LaST1.0 是一种统一潜在世界动作模型,将世界建模重构为潜在空间中的控制导向未来预测,而非传统的重建导向外观细节建模。该模型采用无视觉编码器设计并引入 LaST-Attention 机制,专注于手腕视角衍生的紧凑几何感知潜在目标以捕捉机器人 - 物体交互。

  16. arXiv · 机器人与计算机视觉53

    Agreement Is Not Accuracy:LiDAR-Camera 外参中的 LiDAR 高度误差研究

    该研究指出 LiDAR 与相机的观测一致性并不等同于传感器内部几何的准确性,系统性的 LiDAR 高度偏差会被吸收到估计的外参中。作者利用同步的 LiDAR 强度和相机估算的棋盘格姿态,联合估计了跨记录共享的传感器特定高度修正及每个记录的外参。

  17. arXiv · 机器人与计算机视觉72

    TOMAS:面向第一人称手部预测的拓扑感知操作建模与自适应分阶段框架

    arXiv 论文 TOMAS 针对第一人称视频中不同操作意图导致手部轨迹差异大的问题,提出了一种结合拓扑感知手物推理机制与自适应分阶段机制的新框架。该方法将手部骨骼结构与物体语义关联以推断潜在操作,并利用数据集特定的标注进行监督学习;同时引入可学习的时序边界组织未来动作,通过特定阶段的几何子目标引导轨迹细化。实验表明该模型在多个公开基准上实现了多维度和多目标手部运动预测的最优性能。

  18. arXiv · 机器人与计算机视觉74

    3DTouch:一种具备 3D 几何关系的触觉感知 VLA 模型用于灵巧操作

    该预印本提出 3DTouch,通过构建共享的 3D 视觉 - 触觉表征(包含 RGB-D 场景点与五指触觉测量),显式描述交互实体的相对排列。在 UR7e 机械臂配合 XHand 灵巧手的五个接触丰富任务中,该方法相比 VLA 基线平均成功率提升 42 个百分点,相比最强替代方案提升 20 个百分点。

  19. arXiv · 机器人与计算机视觉58

    环境需多完整才能训练出胜任的 GUI Agent?MobileGym-Lite 研究

    论文探讨图形用户界面(GUI)智能体训练中环境完整性的影响,提出 MobileGym-Lite 框架。研究发现仅奖励单一参考路径会降低成功率,而剪枝冗余功能反而能提升表现;新框架在保持奖励和数据覆盖完整的同时剪枝无用功能,相比全量环境构建方案在相同环境中取得更高成功率并降低成本。

  20. arXiv · 机器人与计算机视觉45

    SIGNTOK:一种用于手语生成的文本对齐连续姿态分词器

    针对现有手语生成方法在姿态空间中受 signer 身份主导导致语义混淆的问题,SIGNTOK 提出了一种由运动动力学、句子级和单词级三个训练头塑造潜在空间的连续姿态分词器。该方法将同一句子的跨 signer 最近邻率从原始姿态空间的 2% 提升至 82%,并在六个基准评测器的设置下,使相同生成器在五个场景中的回译 BLEU-4 分数优于直接在姿态空间训练的模型。

  21. arXiv · 机器人与计算机视觉45

    Angular Conditional Distillation:解决分类器几何失配的知识蒸馏新方法

    Angular Conditional Distillation(ACD)通过引入角坐标接口重构学生分类器,并采用尺度不变条件蒸馏过滤不可转移的绝对置信度。该方法作为通用即插即用方案,无需特征适配器或额外推理成本,在多项实验中超越现有知识蒸馏方法达到最先进水平。代码已公开于相关 GitHub 链接,适用于计算机视觉与人工智能领域。

  22. arXiv · 机器人与计算机视觉45

    头引导相机控制提升四足机器人遥操作导航与巡检效率

    一项包含 17 名参与者的虚拟现实中 2x2 研究显示,在四足机器人穿越迷宫任务中,头引导相机控制相比摇杆控制显著加快完成速度、降低墙体接触成本并减轻工作负荷。混合效应分析表明,摇杆移动配合头引导相机的组合实现了最强的客观性能,而全向跑步机加头引导则提供了最佳体验折衷。该研究证实了视点控制在导航与巡检复合任务中是比运动控制更强的差异化因素,且所有条件下均未出现严重的模拟器不适。

  23. arXiv · 机器人与计算机视觉78

    Facet-SLAM:首个面向 RGB-D 相机的实时三角面片 SLAM 系统

    论文提出了 Facet-SLAM,这是首个针对 RGB-D 相机的实时三角面片 SLAM 系统。该系统通过分离跟踪器与建图器的角色,利用几何配准替代传统光度跟踪,在桌面 GPU 上实现约 100 FPS 的跟踪精度,并在 Jetson AGX Orin 上达到传感器速率运行。

    推荐理由:提出首个针对 RGB-D 相机的实时三角面片 SLAM 系统,通过分离跟踪与建图角色实现百帧率运行并提升表面精度。

  24. arXiv · 机器人与计算机视觉32

    直角角落揭示未标定相机特性:凸锥、认证界与可识别性研究

    该研究分析图像中三边交汇的直角角落,将其转化为仅含焦距未知时的凸集可行性问题。作者证明几乎每个角落都能从下界定焦距,并刻画了上界条件及精确确定焦距的情形。该方法仅需图像数据即可计算相机内参,且对顶点已知时能针对测角误差提供认证保证。

  25. arXiv · 机器人与计算机视觉58

    Emo-H2A:基于大模型隐藏状态的机器人面部直接驱动方法

    针对大语言模型赋予机器人流畅语音但面部表情难以实时跟随对话的差距,论文提出了 Emo-H2A 范式,直接从 LLM 自回归解码过程中的隐藏状态驱动面部机器人。该方法实例化为无需训练的 EmoManifold,从每个隐藏状态提取 VAD 坐标并投影以在 token 粒度驱动面部。实验显示,该方法在回复内的表情方向匹配率达到 87.5%,首动延迟为 0.96 秒,显著优于基于整轮对话标签的传统方法。

  26. arXiv · 机器人与计算机视觉73

    ProxySearch:通过非对称噪声秩转移实现扩散模型的解耦推理扩展

    针对推理时噪声搜索需要多步教师回滚的问题,该方法测量了三种蒸馏架构下代理与教师模型在图像统计量与语义评分上的秩相关性差异,发现前者可达 0.80 而后者低于 0.12。基于此非对称性,PROXYSEARCH 利用代理模型一步完成统计匹配过滤,再由教师返回最高语义奖励的幸存者,在 FLUX-1024 上使统计目标收紧 21-23% 且未损失优化奖励。论文已接受 NeurIPS 2026。

  27. arXiv · 机器人与计算机视觉68

    ReLoco:基于行为条件运动先验的统一人形机器人移动与跌倒恢复框架

    论文提出 ReLoco 框架,利用行为条件对抗运动先验在单一本体感知策略中同时学习直立运动、任意姿态下的起立及指令复现。训练阶段通过机器人姿态选择专家池并调节共享判别器,结合任务奖励与临时辅助促进探索;仿真细化阶段提供机器人执行的运动参考以支持监督。

  28. arXiv · 机器人与计算机视觉65

    Scalable Iterative Multi-Agent Path Finding under Turn Constraints

    针对大规模移动机器人系统在真实运动约束下的路径规划需求,本文提出了 PIBT*_T 迭代求解器以解决转向动作带来的计算负担与死锁问题。该方法在标准基准测试中实现了高成功率并能在秒级内处理千量级代理实例;结合 ADG 执行仿真与柔性制造系统案例研究,证实了转向感知规划能更真实反映机器人执行过程并缩短实际完工时间;TurtleBot4 机器人的实验进一步验证了其工程可行性。