跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉35

    多模态地标可见性预测:长周期网络中的不同时间尺度与信号层次分析

    研究基于富士山一年尺度的多模态档案,揭示景观可见性预测存在季节气候学、当日 webcam 影像(AUC 0.95)及数值预报的清晰时间尺度层级。在 6,575 个相机 - 天数据中证实,一旦拥有目标日数值预报,当前视觉摘要对一日增益无显著贡献,机会仅存于更短视界。

  2. arXiv · 机器人与计算机视觉48

    处方阅读器在哪丢失药物?一项从 2.7B 语言模型到 2B 视觉语言模型的冻结重放研究

    针对手机端处方阅读管线,研究对比了 PaddleOCR 搭配 2.7B 参数语言模型与旋转裁剪配合 2B 参数视觉语言模型的效果。在 49 次合成处方捕获中,新方案将召回率从 8% 提升至 67%,手写识别由 0 增至 20/45 且消除不安全输出,但耗时增加至每张照片 61 秒、内存占用约 1.9GB。所有结果均基于单一作者与单台设备的样本内数据,未获外部验证。

  3. arXiv · 机器人与计算机视觉28

    Voxel Swin Transformer 与 ClinicalBERT 结合实现 3D 细胞形态学临床文本对比学习域自适应

    研究将 2D 对比学习方法扩展至 3D,利用 Allen Institute 数据集训练基于 MONAI SwinUNETR 的体素编码器与 ClinicalBERT。全量微调解决了冻结骨干导致的失效问题,使零样本结构准确率从 25.0% 提升至 48.6%,异常评分 ROC-AUC 达 0.628。该 MVP 验证了预训练假设对参数高效微调的重要性,但体素异常检测仍低于 0.70 基准线。

  4. arXiv · 机器人与计算机视觉42

    SynPanZ:合成数据集提升黑猩猩多动物姿态估计性能

    SynPanZ 通过渲染带随机化光照与相机运动的 rigged 黑猩猩模型,生成含每实例 2D 关键点位的 RGB 视频以解决濒危大猿标注数据短缺问题。在 DeepWild 训练集上引入约三倍合成帧后,ChimpACT 测试集的实例覆盖率从 12.34% 升至 22.54%,[email protected] 精度维持在 49.71%-52.25%。

  5. arXiv · 机器人与计算机视觉72

    存在且有效:长观测间隔下存储 3D 几何的校准有效性研究

    针对重复机载激光雷达调查成本高且存储几何体易过时的难题,本文提出一种区分观测、存在性与几何有效性的概率滤波框架。该方法基于五种几何过渡(持久性、修改、生长、移除和替换)学习类特定的连续时间先验,结合形状残差与激光雷达自由空间证据,并引入功能锚点实现跨站点先验共享。

  6. arXiv · 机器人与计算机视觉42

    Spacetime Images for Computer Vision:一种新的视频表示方法研究论文

    该位置论文提出时空图像(STIs)作为计算机视觉的新输入表示,通过非帧采样切割视频体以消除静态背景冗余并支持运动分析。两项试点实验验证了该方法在 CDnet 2014 数据集上无需显式时序建模即可实现接近监督方法的背景分割,并能将相机平移速度估计转化为图像切面选择问题。研究主张切片视频体积是独立的设计变量,而非替代传统帧表示。

  7. arXiv · 机器人与计算机视觉35

    LogicEye: Agent Driven Multimodal Dataset for Interpretable Ophthalmic Diagnosis

    LogicEye$^{Agent}$通过双池推理与验证智能体模拟临床思维,联合多模态大模型与专家对眼底和 OCT 图像进行质量把关。基于此构建的 LogicEye$^{Data}$包含 804,461 张配对结构化病理报告的影像,覆盖 38 种疾病及 29 个亚型。LogicEye$^{Bench}$引入类别约束损失以抑制诊断幻觉,为眼科可解释视觉语言建模奠定基础,代码已开源。

11月16日周一
  1. arXiv · 机器人与计算机视觉39

    AnaDiffusion:解剖学组合潜在扩散模型实现可控 3D 脑 MRI 生成

    AnaDiffusion 提出一种将生成过程分解为独立解剖区域并进行部件组装与全局优化的框架,解决了现有模型忽视局部结构的问题。在 ADNI 测试集上,该模型在所有评估区域均取得最低的 FID 分数,且在局部编辑任务中实现了比分割条件基线更高的目标转移率(MS-SSIM)。此预印本工作无需推理时密集分割图即可实现可控部件编辑,代码与权重尚未开放。

  2. arXiv · 机器人与计算机视觉44

    Directional Confusions Reveal Divergent Inductive Biases Through Rate-Distortion Geometry in Human and Machine Vision

    人类与现代视觉模型在分类准确率相近时,其错误方向存在系统性差异,揭示了仅靠准确率无法察觉的归纳偏置。研究通过自然图像分类任务下 12 种扰动类型匹配的人机响应,量化混淆矩阵不对称性并关联信息 - 误差权衡几何特征(斜率 beta、曲率 kappa 及效率 AUC)。结果显示人类呈现广泛但微弱的不对称,而深度模型则表现为稀疏且强烈的方向性坍缩。

  3. arXiv · 机器人与计算机视觉45

    Tracing 3D Anatomy in 2D Strokes:投影派生掩膜能否替代三维分割以识别颈椎骨折?

    针对颈椎骨折诊断难题,该研究提出利用 YOLOv8 定位与 DenseNet121-Unet 分割生成的二维掩膜反投影替代全量三维分割。在 RSNA 2022 数据集上,该方法获得的椎体级和患者级 AUPRC 分别为 75.64% 和 92.00%,性能提升无统计学显著性且优于部分基线。结果表明,基于二维投影的掩膜近似是颈椎骨折识别中可行的三维分割替代方案。

  4. arXiv · 机器人与计算机视觉12

    Firn 冰层图像分类的拓扑特征通用性与可解释性评估

    该研究评估了拓扑数据分析(TDA)在 firn 冰层图像分类中的性能,旨在解决传统卷积神经网络因训练数据有限而过度拟合方向相关特征的缺陷。实验对比了子水平集与距离变换两类拓扑特征及持久曲线,发现单一方法无法在所有类别中占据主导,需在准确率、通用性与可解释性之间权衡。论文为 arXiv 预印本版本 v2,代码与权重未提及开放许可。

  5. arXiv · 机器人与计算机视觉42

    Grid-based Submap Joining:高效优化全局占用图与局部子帧的算法

    该研究提出基于网格的子图拼接方法,将二维非特征 SLAM 问题转化为非线性最小二乘形式以同时优化全局地图和局部子帧。利用雅可比矩阵增量独立于全局占用值的特性,作者设计了仅姿态更新的 Gauss-Newton 算法,显著降低了大规模环境下的计算成本。仿真及公开激光雷达数据集的评估证实,该方法在效率、精度及解决超大规模场景能力上均优于最先进方法。

  6. arXiv · 机器人与计算机视觉23

    基于姿态的神经服装模型实现动画角色实时褶皱生成

    该方法利用变分自编码器构建潜空间,结合低维姿态参数与身体表面位移引导网络预测,引入局部梯度直方图损失缓解过平滑问题。在准静态生产级资产上评估显示,系统能实时生成锐利真实的褶皱、平滑的大尺度垂坠及时间连贯性,显著改善艺术家交互摆姿工作流。论文已接受至 SCA 2026 会议,代码与数据许可状态待原文补充。

  7. 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。

  8. arXiv · 机器人与计算机视觉78

    Vision-as-a-Tool:一种将视觉作为工具的视觉 harness 框架

    该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。

    推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。

  9. arXiv · 机器人与计算机视觉62

    BAL:潜空间双向自回归学习人类动作表示

    该论文提出 BAL 框架,通过潜空间中的双向自回归预测(前向与后向)来捕捉人体动作的自然时序结构,以替代依赖人工假设的现有方法。实验在大规模数据集上验证了其在动作描述、预测和插值任务上的有效性,优于多数基线。材料为 NeurIPS 2026 接收的预印本,未报告真实机器人部署结果。

  10. arXiv · 机器人与计算机视觉74

    基于检测框条件的假设检验用于分布外目标检测

    该论文提出一种名为 PLUM 的无需训练的检测分数,通过池化检测框内的骨干网络层特征并计算其与已知类别的距离,实现对分布外目标的可靠识别。在 PASCAL-VOC 和 BDD100K 基准上,该方法在不依赖外部模型的情况下取得了最高的 AUROC 指标(分别为 91.5/94.5 和 95.1/97.5)。材料为预印本版本,代码与论文链接已提供。

  11. arXiv · 机器人与计算机视觉13

    蓝船自主水面艇实现有害藻华原位监测与预测建模

    该系统集成 BlueBoat 自主水面艇、深度控制绞车及多参数水质传感器,在路易斯安那州庞恰特雷恩湖和假河开展实地部署。通过自动航点任务采集叶绿素等指标并评估机器学习分类器,验证了模块化平台重复收集多模态数据的可行性,为未来自主监测系统奠定基础。

  12. arXiv · 机器人与计算机视觉58

    水下图像质量指标是否与人眼感知一致?基于人工选择、简单编辑与生成漂移的基准测试

    该论文评估了 73 种手工设计、学习型、视觉 - 语言及通用图像质量指标在水下场景中对齐人类偏好的程度,发现没有任何一种指标能始终匹配人类判断。研究通过四项基准(四组已发表意见评分集与一项新配对比较研究)测试指标一致性,并验证了简单编辑和对抗扰动是否会导致指标分数虚高、生成噪声累积时分数下降不足等问题。

  13. arXiv · 机器人与计算机视觉45

    MaskSCD:遥感图像语义变化检测中的双时相掩码分类方法

    MaskSCD 将语义变化检测重构为双时相标签对图像的掩码分类任务,通过共享掩码与双时相特征融合确保变化图与语义图一致。该方法在 SECOND、Landsat-SCD 和 Hi-UCD 三个数据集上均取得最佳分离 Kappa 及 F1 分数,平均分离 Kappa 比最强竞品高出约 5 分且消除了近 30% 的矛盾变化像素。

  14. arXiv · 机器人与计算机视觉72

    DeepBA:一种基于图神经网络的深度光束法平差方法

    论文 DeepBA 提出一种图神经网络架构,用于从任意数量视图的二维匹配中恢复相机位姿、内参和场景结构。该方法将传统光束法平差的非线性最小二乘求解过程转化为可学习的迭代优化,支持冷启动且无需逐场景归一化。模型包含 2.04M 参数,在重建质量和位姿指标上优于先前的学习型 SfM 方法,并在视图数量增加时计算效率超越经典方法。

  15. arXiv · 机器人与计算机视觉72

    Lens:无需训练的卫星影像跨图块物体与场景语义搜索方法

    本文提出了 Lens 系统,一种无需针对特定类别训练检测器的语义搜索方案。该方法利用冻结的自监督视觉 Transformer(DINOv3)提取特征,通过投影消除位置偏差并中心化,结合余弦相似度进行实时检索。系统支持跨数千图块的实时范围搜索与场景级检索,并在 DFC2020 测试集上实现了优于基线的性能,单次点击响应时间为 6 至 10 毫秒。

  16. arXiv · 机器人与计算机视觉82

    SCAR:通过候选重排序连接粗粒度检索与细粒度定位

    该论文针对自然语言点云定位任务中检索顺序决定最终输出坐标的问题,提出 SCAR 方法。该方法将每个单元 - 细粒度坐标对视为定位假设,利用骨干网络实际细粒度点的空间支持进行证据读出,并结合中心支持、语义存在度等构建 23 维表示训练共享评分器。

    推荐理由:提出 SCAR 方法,通过空间一致性重排序解决自然语言点云定位中检索顺序决定最终输出的问题。

  17. 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。

  18. arXiv · 机器人与计算机视觉78

    ALoMa:超越局部区域的仿射对应关系估计

    该论文提出 ALoMa 方法,利用 LoMa 关键点描述符在图像及图像对层面进行仿射对应关系(AC)估计,通过联合学习完整的 4-DoF 变换矩阵替代单独估计分量。实验表明该方法在多视图几何下游任务中表现一致优于现有方案。材料为预印本论文,代码已开源。

    推荐理由:提出 ALoMa 方法,联合学习仿射变换矩阵以增强多视图几何求解的鲁棒性。

  19. arXiv · 机器人与计算机视觉48

    Qwen3.5-27B 与 Gemma-4-31B-it 作为空间先验的导航能力评估

    研究利用 CubiCasa5K 和 ScanNet 真实布局,评估 Qwen3.5-27B 和 Gemma-4-31B-it 能否提供物体位置的空间分布先验。结果显示模型虽能关联物体与房间类型,但在物体靠墙性及生成布局几何一致性上不及基于真实布局的先验。结论支持将 LLM 用于约束坐标书写及后续几何校验,而非直接替代真实布局作为放置先验来源。

  20. arXiv · 机器人与计算机视觉48

    PoliMop:面向移动机器人的三维空间闭环策略运动规划方法

    PoliMop 提出一种利用物理仿真挖掘控制策略技能的运动规划器,通过结合预规划质点路径引导采样,将规划时间缩短最多 63%。该方法在四足、人形及轮式机器人上无需修改底层算法即可实现即插即用,并能自动识别如搭建桥梁等预设环境改造以扩展可达空间。相关代码与视频已公开,论文为 arXiv 预印本状态。

  21. 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。

  22. arXiv · 机器人与计算机视觉58

    RSSA:一种鲁棒的语义与空间对齐器用于协作感知

    针对V2X协作感知中基于简单空间形变导致语义错位及对位置噪声敏感的问题,本文提出插件式模块RSSA。该模块通过语义变换块校正语义不一致,利用概率空间采样进行空间形变以增强鲁棒性,并引入相对变换增强策略辅助训练。实验表明,该方法在清洁与含噪位置配置下均大幅优于最先进方法。论文已获NeurIPS 2026接收。

  23. arXiv · 机器人与计算机视觉30

    MacroGS:任意尺度光场超分辨率的宏像素共享高斯基元方法

    MacroGS 提出一种前馈解码器,通过为每个宏像素预测单一共享高斯集而非每视图独立生成,解决了传统方法冗余编码场景结构且基元数量随视图数线性增长的问题。该方法利用视差依赖替换和角度条件外观实现跨视图复用,在无需几何监督下预测的视差与底层场景几何强相关。实验显示其集成于多种光场编码器时提升重建质量,速度较最先进隐式解码器快约 2-10 倍、较逐视图高斯基线快 10-18 倍。

  24. arXiv · 机器人与计算机视觉21

    Vessel2Brain:基于血管掩码的 3D 脑图像生成边缘感知多尺度流匹配框架

    Vessel2Brain 提出一种边缘感知的多尺度条件流匹配框架,仅凭稀疏血管标签图即可合成逼真的全量 3D 脑部 MRI 体积。该方法通过辅助速度预测与边界强调目标,在两个公开配对数据集上实现了优于最先进生成模型的构建精度、结构一致性与分布真实性。研究代码及权重尚未开放,论文状态为 arXiv 预印本(arXiv:2611.17919)。