跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉82

    CueClash:前沿视觉语言模型对近画面平面三维关系的判断存在偏差

    论文 CueClash 通过构建渲染场景揭示视觉语言模型(VLM)在从图像推断三维关系时存在的线索冲突与深度压缩缺陷。实验显示,Claude Opus 5.5、GPT-5.5 和 Gemini 3.6 Flash 等模型在低推理努力下存在显著准确率差距,且其生成的俯视场景地图往往保留图像的深度缩短特性而非真实布局。研究还发现模型在处理 CV-Bench 照片中的可靠二维线索误导时也会失效。

    推荐理由:该研究揭示了前沿 VLM 在从图像推断三维关系时存在的线索冲突与深度压缩缺陷,并量化了不同模型的表现差异。

  2. arXiv · 机器人与计算机视觉78

    HandRSI:用于手部姿态估计的递归自改进框架

    针对以眼为中心的手部 3D 姿态估计器存在的边界漏检、遮挡误判和抖动问题,作者提出了 HandRSI 递归自改进框架。该框架通过编码代理迭代优化推理工具包,仅在综合指标提升且无显著退化的情况下接受变更,并利用选择性蒸馏监督无真值帧中的手部存在与时序一致性。

    推荐理由:报告了递归自改进框架在边界漏检、遮挡和抖动上的效果,代码与评估器公开。

  3. arXiv · 机器人与计算机视觉45

    Centroid Spectral Coupling:自监督学习中的隐式对齐与表征多样性研究

    该方法提出单项目标函数,通过脊基谱机制在 CIFAR-10、CIFAR-100 及 Imagenette 数据集上实现最高线性 Top-1 准确率。实验揭示增加参数κ虽增强视图对齐但降低有效秩的权衡关系,且无需显式对比负样本或加权惩罚项即可达成最优几何分解与有限损失保证。

  4. arXiv · 机器人与计算机视觉5

    Invertible Neural Network-based Registration (INNReg) 实现无监督多模态医学图像配准

    INNReg 通过可逆神经网络与动态深度卷积局部注意力机制,在 MRI T1/T2 及 MRI/CT 数据集上实现了无监督多模态医学图像配准。该方法利用基于归一化互信息的屏障损失函数约束注册网络,有效保障了图像翻译后的几何一致性。相关代码已公开,研究发表于 arXiv:2611.22152 [cs.CV]。

  5. arXiv · 机器人与计算机视觉59

    EgoHandWAM:探究手部动作在自中心世界动作建模中的作用

    论文 EgoHandWAM 探究了第一人称相机视角下手部运动对预测未来视觉特征的贡献。研究基于 751,065 个 EgoDex 窗口训练,冻结 DINOv2 编码器,结果显示仅凭历史轨迹信息对视觉特征预测的增益有限(平滑 L1 误差降低 1.32%),而结合未来位移掩码能显著减少误差(降低 3.93%)。

  6. arXiv · 机器人与计算机视觉58

    CEVA:基于帧级重组的短视频假新闻互补证据验证方法

    针对短视频多模态交织导致真假难辨的问题,作者提出了 CEVA 框架,其核心是双分支互补重组模块,将视频帧按显式对齐与候选互补上下文分离,再进行跨模态融合。实验表明该方法在 FakeSV 和 FakeTT 数据集上表现最佳,且能提升不同检测器的性能。

  7. arXiv · 机器人与计算机视觉57

    DailyBrick:语言引导的积木组装指令合成

    该论文介绍 DailyBrick 系统,这是一个多阶段代理系统,能够根据用户请求生成 LEGO 模型及其逐块组装指令,支持人类搭建和机器人执行。系统通过版本化构建 SDK 将语义子部件决策编译为规范操作,并利用外部 Meta-Reviewer 代理回放、检查生成包以验证模型与过程,识别失败并路由至修复或技能更新。

  8. arXiv · 机器人与计算机视觉49

    Text-Guided Modality Correction for Open-Vocabulary Object Detection 提出 TMCNet 网络

    TMCNet 通过文本引导的模态编码、跨模态对齐及渐进式修正解码,解决开放词汇目标检测中语义模糊与特征融合不足的问题。该方法在 COCO-OVD 和 LVIS-OVD 两个公开数据集上验证了利用简单文本查询指导检测的有效性,并成功扩展至分割任务以证明其泛化能力。

  9. arXiv · 机器人与计算机视觉42

    FrameSeg3D:通过学习局部帧分割高分辨率 3D 扫描中的小部件

    FrameSeg3D 提出一种新框架,先预测每个部件的局部中心与朝向,再在高分辨率视图下分割,解决了传统方法因缩放或视角导致的细节丢失问题。该方法在手部扫描指甲任务上平均 Dice 达 0.970,在 Teeth3DS+ 测试集单牙 IoU 为 96.5%,边界 IoU 达 70.5%。模型仅需少量标注即可泛化至不同部件类型,适用于计算机视觉与图形学领域的高精度分割需求。

  10. arXiv · 机器人与计算机视觉23

    平面 X 型双足机器人低速极限环行走研究

    该论文提出一种质心位于髋关节的平面半圆形足 X 型双足机器人,并设计控制系统实现平地稳定极限环步态。数学证明显示摆动腿碰撞前后角速度不变且控制输入积分归零,数值仿真验证了理论有效性及收敛速度与机械能恢复特性。文章已发表于 IEEE ICARM 2023,当前版本修正了图表标签等排版信息。

  11. arXiv · 机器人与计算机视觉42

    RetiDual-Select:视网膜 OCT 图像质量偏移下的可靠性感知专家 - 通用路由方法

    RetiDual-Select 结合 RETFound 与 MedSigLIP,通过校准的产品专家融合、小门控替代及冻结伤害守卫实现自适应路由。在 Kermany-4 数据集上,该方法于 2% 误报率下将选择性准确率提升至 99.89%,并在严重对比度降低条件下使增益扩大约九倍。研究仅基于合成扰动评估,未证实对自然采集或扫描仪偏移的鲁棒性,已提交 IEEE 待刊。

  12. arXiv · 机器人与计算机视觉35

    超轻量级修图网络如何诊断并修正肤色色偏

    研究揭示合成自监督训练会导致超轻量修图网络在真实输入上产生绿色肤色色偏,即便全帧 PSNR/SSIM 指标未变。提出的逐像素、肤色掩膜不对称绿过量损失在无新增参数下将色偏从 70 张人像中的 52 例降至仅 1 例,且在 FFHQ 数据集上将错误率从 68.1% 大幅降低至 2.2%。该方法最终导出为 35 KB 的 TFLite 模型,相关论文已获 ACCV 2026 接收。

  13. arXiv · 机器人与计算机视觉58

    CueSplat:面向边缘设备的动态高斯泼溅稀疏形变调度学习

    针对动态场景渲染中形变网络评估计算量大的问题,上海交通大学团队提出 CueSplat 后训练框架。该方法利用局部时序规律预测高斯属性,通过轻量级路由器在离线校准的预算内选择需精确更新的索引,并复用邻近帧的选择结果以降低开销;同时引入漂移信号调度全形变帧以控制误差。

  14. arXiv · 机器人与计算机视觉43

    CRA:面向安全关键视觉导航的连续风险评估框架

    针对传统安全控制依赖二元区域划分的局限,该研究提出基于 RGB 与 LiDAR 观测的连续风险评估框架,融合动能、势能等四因子生成风险分数。方法将估计值集成至泊松安全函数并引入拉普拉斯引导场作为滤波器,实现在开放世界机器人导航中的在线监测与干预。团队在仿真餐厅场景中验证了该方法的有效性。

  15. arXiv · 机器人与计算机视觉83

    ReLAP:基于 JEPA 空间的循环视频预测进行潜在动作预训练

    论文介绍 ReLAP 框架,该框架在冻结的 JEPA 表示空间内耦合局部逆动力学学习与循环多步预测。共享逆动力学模型从相邻观测推断紧凑连续潜在动作,而潜在世界模型递归预测未来 JEPA 特征以鼓励时间连贯的动态。

    推荐理由:该工作提出在冻结 JEPA 空间内结合局部逆动力学与循环多步预测的潜在动作预训练框架,并在 LIBERO 基准上取得 SOTA 表现。

  16. arXiv · 机器人与计算机视觉45

    Direct Head 模型实现屋顶光伏容量直接回归,在法国 7590 个安装点上误差降低 8.7% 至 20.7%,无需依赖面积密度乘积。

    Direct Head 是一种分割引导架构,通过从光伏区域特征和面积描述符直接回归非负容量,解耦了传统方法中容量预测与掩码面积的耦合关系。该模型在法国 7,590 个屋顶安装点的独立测试中,相比参数匹配的基准模型将平均绝对误差分别降低了 8.7% 和 12.5%,对称平均绝对百分比误差降低 14.0% 和 20.7%。

  17. arXiv · 机器人与计算机视觉56

    SE(3)-LIVOM:自适应多激光雷达 - 惯性 - 视觉里程计与建图

    论文介绍了 SE(3)-LIVOM,该系统是 IROS 2026 COMFORT Challenge 的总冠军,能在倒塌建筑等复杂场景下实时运行。系统前端扩展了多激光雷达和相机支持,自适应降采样将每帧处理时间控制在 35 ms 以内;后端通过平面束调整和增量位姿图修正漂移。在六个测试场景中,单一配置的平均绝对轨迹误差(ATE)达到 1.40 cm。代码已开源。

  18. arXiv · 机器人与计算机视觉82

    BATMoS:面向高效视频扩散模型的预算感知引导分配方法

    论文 BATMoS 提出一种无需额外训练路由器的引导分配方案,通过基于幅值的时间规则将新鲜引导与缓存引导结合,在 CogVideoX-2B 上以 20% 更少的分支评估达到接近全量引导的生成质量。该方法可与特征复用组合,进一步降低有效计算分支数,为视频扩散模型推理提供了实用的预算优化机制。

    推荐理由:BATMoS 提出基于时间步的引导策略复用机制,在固定推理预算下提升视频生成质量并减少计算分支评估。

  19. arXiv · 机器人与计算机视觉78

    DreamFAR:一种支持实时与长视界交互的多样化物体世界模型

    论文提出了 DreamFAR 世界模型,其动力学模型完全基于大规模机器人遥操作数据从头训练,未使用互联网视频预训练。该架构专为机器人原生数据设计,体积显著小于高性能视频生成模型,在商业 GPU 上运行速度达 10 FPS。实验表明,DreamFAR 在预测长视界未来及理解接触与因果关系方面优于现有模型,并展示了策略评估与混合数据协同训练等应用潜力。

    推荐理由:该工作提出无需互联网预训练的机器人原生世界模型,在长时序接触预测上优于现有方法。

  20. arXiv · 机器人与计算机视觉59

    超越外观:森林视觉地点识别的实际失效分析

    针对森林环境中植被重复及光照季节变化导致的视觉地点识别难题,本文以 MegaLoc 为外观基线,在 WildCross 基准上评估了时序、语言、结构及几何上下文对序列匹配与重排序的增益。结果显示,同向重访时分数空间召回率提升显著,但描述符空间表现下降,其他上下文表示未能提供一致改进,揭示了当前非外观表征在复杂自然场景中的局限性。

  21. arXiv · 机器人与计算机视觉48

    Deciding Without Pointing:决策模型能否定位其检测到的异常研究案例

    Clef-flash(基于 Qwen3.5-9B 骨干)在工业检测基准的零样本检测中,MVTec AD 类别级图像 AUROC 达 0.924,但决策头路由注意力产生的每图像素 AUROC 仅为 0.391。研究指出移除问题文本上下文会导致表现低于随机猜测,且无法匹配专用少样本定位器。该预印本是米兰理工大学硕士论文技术部分,代码与注册信息在提交会议前由作者私有托管。

  22. arXiv · 机器人与计算机视觉72

    PathoDraw:基于合成先验的脑 MRI 零样本病理检测模型

    该论文提出了 PathoDraw 生成模型,旨在利用未整理的临床脑 MRI 档案数据进行分析。模型通过合成病变分布并学习健康解剖结构的符号强度偏差,实现了无需真实病理数据训练的零样本异常检测。实验在公开卒中、肿瘤及白质高信号数据集上验证了其在不同对比度和分辨率下的有效性,同时支持超分辨率重建与配准任务。代码已开源。

  23. arXiv · 机器人与计算机视觉58

    生物特征所需持续特征数量的定律:关联误识率与特征计数及持续性

    该论文推导了连接生物特征误识率(EER)与独立标准化高斯特征数量及测试重测相关性的数学定律,并扩展至跨比较持久性变化场景。研究在眼动、键盘动态、心电图和面部嵌入等 101 种条件下验证了公式的拟合度,提出了关于特征添加收益的设计规则。材料为预印本版本,未提及同行评审状态或具体部署结果。

  24. arXiv · 机器人与计算机视觉78

    SCAN:面向神经疾病分类的站点感知协作隐私保护视觉语言模型适配方法

    针对全球神经影像数据因隐私规则无法集中化的问题,本文提出 SCAN 框架,允许新站点在不共享患者扫描数据或重新训练的情况下,对 3D 医学视觉语言模型进行本地化适配。

    推荐理由:提出无需共享影像或重训的站点感知协作框架,在保护隐私前提下实现多中心神经影像模型适配。

  25. arXiv · 机器人与计算机视觉42

    WCID 数据集发布:基准测试深度学习模型在无障碍自动驾驶车辆中的轮椅配置分类能力

    为提升自动驾驶对轮椅用户的包容性,研究团队发布了包含 467 张人脸模糊图像的轮椅配置图像数据集(WCID),涵盖手动/电动、子类型及遮挡等 10 类标注。该数据集提供验证集与测试集划分,用于评估卷积神经网络及冻结视觉语言探测器的跨数据集泛化能力与高斯模糊下的鲁棒性。代码、权重及数据已公开,旨在填补现有数据集仅标记存在与否的空白,推动无障碍车辆设计适配多样化轮椅配置。

  26. arXiv · 机器人与计算机视觉78

    小视频语言模型的 grounded reasoning 引用是否被使用:反事实测试

    该研究针对小视频语言模型(2-3B)提出一种无需标注的干预测试方法,通过遮蔽模型自身引用的区域或实体来检验答案依赖性。实验显示,在 CLEVRER 任务上引用遮蔽导致的答案翻转率是随机遮蔽同尺寸区域的 2.2 倍,而在 NExT-QA 上差异较小,揭示了常规 grounding 检查无法捕捉到的引用与答案脱钩问题。

    推荐理由:提出无需标注的引用干预测试方法,揭示小视频语言模型在 CLEVRER 等任务上存在引用与答案依赖脱钩现象。

  27. arXiv · 机器人与计算机视觉66

    HubEgo-100K 发布:面向具身智能的大规模真实工作场景第一人称视频数据集

    HubEgo-100K v1.0 数据集包含 10,124 小时的高清第一人称视频及同步惯性测量单元数据,由全球贡献者录制。该数据集涵盖多种工作环境与任务类型,旨在解决机器人策略泛化性差的问题。材料提供了数据格式、隐私措施及 datasheet,后续版本将增加基准测试并扩展至 10 万小时。

  28. arXiv · 机器人与计算机视觉82

    Wrong Input, Wrong Threshold:重新评估对抗性面部隐私

    该论文发现现有面部隐私保护方法的评测结果存在缺陷:输入端直接喂入整图或检测框而非对齐裁剪,导致防御效果被高估;阈值设定沿用旧标准,在整图上产生偏差。作者通过引入可微分对齐算子并修正评分方式,在不重新生成图像的情况下,将转移攻击的规避保护降低了 56%,预算分配攻击降低 7%。实验显示,修正后的方法在三个未见识别器上性能提升显著,且改变了 L-infinity 转移攻击的排名顺序。

    推荐理由:文章指出既有面部隐私评测因输入与阈值设定错误而高估了防护效果,并给出可复用的修正方法与实验数据。

  29. arXiv · 机器人与计算机视觉72

    ALOHA Lightning:学习快速且精准的操作

    ALOHA Lightning(Flash ALOHA)是一个用于学习快速且精准机器人操作的新系统。该系统利用运动学示教在可反向驱动的双手平台上直观收集接近人类速度的演示数据,并通过测试时动作平滑与视觉数据分布对齐技术实现流畅的高速执行。针对每个任务仅需 50 次演示,即可让机器人在接近人类速度的情况下自主完成抛接球、折叠短裤、插入电池和擦桌子等双手操作任务,成功率超过 80%。

  30. arXiv · 机器人与计算机视觉42

    REEL:基于 fMRI 数据线性解码与重排序的脑引导视频生成选择方法

    REEL 框架通过线性语义解码器、预训练视频生成器及三种神经编码流,在 CC2017 数据集上将三位参与者的平均 Video 50-way 准确率从 0.2359 提升至 0.2434。该方法同样在 BMD 数据集的十位参与者中实现准确率提升(从 0.3653 至 0.3920),为视频脑解码提供了比复杂流水线更简洁的替代策略。

  31. arXiv · 机器人与计算机视觉78

    FlowRRT:基于蒸馏 MPPI 策略的单足复杂地形敏捷跳跃运动规划

    论文提出了 FlowRRT,这是一种针对离散地形单足跳跃的激动力学规划器。该方法将多起点 MPPI 专家离线收集的可行动作集通过条件流匹配蒸馏为生成采样器,以解决传统方法在狭窄不连通动作空间中的局限性。

    推荐理由:提出将 MPPI 专家蒸馏为生成采样器的 FlowRRT,在单足跳跃任务上实现更短规划时间与更高成功率。