跳到正文
11月3日周二
  1. arXiv · 机器人与计算机视觉72

    RoboSnap:基于单图生成高保真物理仿真场景的框架与 DROID-Sim 数据集

    该论文提出 RoboSnap 框架,旨在将真实世界场景快速转化为具备物理稳定性和视觉保真度的交互式仿真环境。其核心采用分层设计,对碰撞敏感的交互区域进行精细化处理以确保机器人操作稳定,同时利用 3D Gaussian Splatting 技术保留背景外观以支持新视角下的视觉一致性。

  2. arXiv · 机器人与计算机视觉5

    LiFT 框架实现高效体素合成,速度比全体积扩散基线快 390 倍

    LiFT 框架将三维医学图像合成分解为切片生成与跨切片轨迹学习,在 BraTS 2023 和 SynthRAD2023 数据集上实现了高画质且保持解剖一致性。该方案主要采用二维合成架构,速度比全体积扩散基线快 390 倍,显著提升了通过平面连贯性。研究证明了轻量级跨切片轨迹学习是高效高分辨率三维医学合成的有效途径。

  3. arXiv · 机器人与计算机视觉62

    基于少样本扩散模型的缺陷合成加速新产品视觉质检引入

    针对工业视觉质检在新产品引入(NPI)初期缺乏标注缺陷数据的难题,本文提出了一种端到端的高保真生成框架。该方法通过解耦缺陷形态与背景外观,结合掩码文本反转、噪声混合条件生成及梯度感知后处理技术,实现了域内增强与跨域迁移。

  4. arXiv · 机器人与计算机视觉82

    CoEnv:面向多臂操作的真实到仿真数字孪生代码驱动探索研究

    论文提出了 CoEnv(Code-driven Exploration)框架与 CoEx 方法,旨在解决通用编码代理缺乏安全练习场的问题。该方法通过 CoEnv 将多视角 RGBD 数据重建为物理仿真的数字孪生环境,使智能体能在可执行的数字孪生中编写、调试并优化完整的多臂协作程序。

    推荐理由:提出 CoEnv 框架,利用代码驱动代理在数字孪生中探索多臂协作程序,验证后转移至硬件,显著提升了无人类演示任务的成功率。

  5. arXiv · 机器人与计算机视觉75

    LangMap:首个支持四层层级目标的开放词汇导航基准

    针对现有导航基准依赖大模型生成且存在歧义的目标描述问题,本文提出了 LangMap 基准和 HieraNav 任务。该工作基于 HM3D 构建,首次通过人工验证为室内三维扫描数据添加了涵盖场景、房间、区域和实例四层语义的标注,覆盖 414 个类别及超 18K 任务。

  6. arXiv · 机器人与计算机视觉58

    ReWorld:面向具身视频生成的多维奖励建模框架

    当前具身视频生成模型多侧重视觉质量而忽视物理保真度与动态一致性。本文提出 ReWorld 框架,利用强化学习对齐视频生成以匹配物理真实感、任务完成能力、具身合理性与视觉质量。研究构建了约 23.5 万条的视频偏好数据集,训练了分层奖励模型以捕捉多维人类偏好,并提出了基于高效 PPO 风格算法的后训练流程。实验表明该方法在物理保真度、逻辑连贯性、具身性及视觉质量上均优于先前方法。

  7. arXiv · 机器人与计算机视觉12

    OpenSR-SRGAN:多光谱地球观测数据的灵活超分辨率框架

    OpenSR-SRGAN 是一个模块化、配置驱动的框架,支持用户通过 YAML 配置文件在任意传感器波段设置下训练和评估生成器 - 判别器架构。该工具无需修改模型代码即可暴露损失函数、归一化等组件,简化了跨遥感数据集的超分辨率流程复现与部署。其张量基模型组件经适当预处理后也可适配其他配对成像数据。

  8. arXiv · 机器人与计算机视觉72

    基于基础模型辅助的域自适应低光照多任务感知方法

    针对严重域偏移和嵌入式计算约束下的低光照感知需求,本文提出 FAMDA 框架,将分割与深度基础模型集成到自训练中生成高质量伪标签,蒸馏至轻量级学生网络。研究在手持原型机上验证了该方法在标准合成到现实基准及实地采集数据集上的性能,实现了比直接推理更低内存占用和延迟的实用化路径。

  9. arXiv · 机器人与计算机视觉58

    4D高斯光线追踪:用于基于物理的相机效果数据生成的新方法

    针对视频扩散模型难以可靠遵循视场角、光圈等物理参数的问题,本文提出4D高斯光线追踪方法。该方法将多视图针孔视频重建为4D高斯并重新渲染以生成符合指定参数的物理相机效果。在CamVFX-4D基准测试中,相比MSTH方法,PSNR提升3.4 dB且渲染速度快6倍。研究展示了微调视频生成模型及扩展至单目输入等下游应用潜力。

  10. arXiv · 机器人与计算机视觉65

    Tactile MNIST:主动触觉感知基准套件发布

    论文介绍了 Tactile MNIST Benchmark Suite,这是一个开源且兼容 Gymnasium 的基准,旨在填补主动触觉感知领域的标准化空白。该套件包含由 CycleGAN 渲染的合成数据集和来自 3D 打印数字的真实触觉样本,支持分类、定位、姿态估计及体积估算等任务,并提供了从简单玩具环境到复杂视觉触觉传感器任务的多样化仿真场景。

  11. arXiv · 机器人与计算机视觉42

    HIVE-Diff:基于单帧 LDR 与事件的高帧率 HDR 视频重建模型

    HIVE-Diff 是一种事件条件化视频扩散框架,通过事件引导的时间生成与 HDR 内容补全,从单个低动态范围参考帧和事件流中重构 N 个高动态范围视频帧。该方法利用合成数据预训练并结合教师 - 学生蒸馏适应真实域,在 WACV 2027 应用赛道获接收,代码已开源。实验证明其在自主驾驶等需快速运动与极端光照场景下具备强重建质量与鲁棒性。

  12. arXiv · 机器人与计算机视觉18

    MASSIMAL 数据集发布:挪威海岸带栖息地遥感与地面真值观测

    MASSIMAL 数据集包含挪威沿岸 4 个区域共约 1000 张高光谱图像及 RGB、多光谱影像,旨在开发浅水沿海栖息地(如海带林)的新遥感方法。数据涵盖 300 个波段、3.5cm 地面采样距离,含 221 张标注图像及水下视频与声呐真值,支持生态系统服务评估。该数据集已提交至 Scientific Data 期刊待审,并开源了基于辐射度图像的反射率生成处理管线。

  13. arXiv · 机器人与计算机视觉42

    Taurus:LLM-in-the-Loop CT 标注成本减半且匹配编码智能体效果

    Taurus 通过自动化流程将 CT 主动脉标注成本降至每例 1.22 美元,仅为 Claude Opus 5.5 的 47%,同时达到同等表面平滑度与主要指标。该工具利用固定规则修正自动标注错误并引入多选项纠错机制,使专家时间从绘图转向审核。研究基于六套公开数据集(939 个卷)的盲测验证,证明自动化框架比单纯依赖大模型更能提升效率。

  14. arXiv · 机器人与计算机视觉72

    Isekai3D SDG:用于生成多样化合成游戏视觉数据的平台发布

    作者发布了 Isekai3D Synthetic Data Generation (SDG) 平台,旨在为视觉与世界模型研究提供多样化的合成游戏视觉数据。该平台结合可复用资产与 Unreal Engine 插件,采用两阶段工作流:首先进行世界仿真以记录状态、动作和相机轨迹;随后回放录制内容以生成渲染视频、图像及深度图等输出。

  15. arXiv · 机器人与计算机视觉58

    ASCoR:面向遥感领域的非对称语义 - 空间学习通用化方法

    该论文提出 ASCoR 框架,旨在解决遥感语义分割中仅在源域监督下对未见域的泛化问题。该方法基于 SAM3 构建非对称架构,通过文本条件分支提供类别引导,利用探测一次动态自适应 LoRA 限制源域特异性,并引入轻量级可靠性路由器整合多尺度空间表征。实验在 ISPRS、LoveDA 和 OpenEarthMap 基准上验证,实现了新的平均 IoU 记录,代码已开源。

  16. arXiv · 机器人与计算机视觉48

    TRAILS:一种用于自动室内移动研究的轨迹生成框架

    TRAILS 是一个自动化框架,可生成包含环境布局、路径及时间参数化运动剖面的完整虚拟导航场景。该工具结合基于约束的程序化环境生成器与优化三次贝塞尔曲线技术,在仅需少量直观用户定义参数的情况下,自动产出满足预设几何与运动学约束的多样化室内场景。代码已公开于相关 URL,适用于遥操作与人机实验研究。

  17. arXiv · 机器人与计算机视觉53

    KAUSTics-Net:基于扩散模型的水下无人机图像复原方法

    针对浅水环境成像受折射、焦散和波长依赖衰减干扰且缺乏配对数据的问题,研究团队构建了 KAUSTics 半合成数据集及 KAUSTics-Net 像素级条件扩散框架。该方法在自建数据集上实现了高 PSNR 与 SSIM 指标,并在独立 Sea-Undistort 数据集及真实无人机图像实验中验证了特征保持能力,强调了评估重建保真度与下游遥感实用性的必要性。

  18. arXiv · 机器人与计算机视觉60

    VL-Dedup:面向图像 - 文本数据的分级多模态实体解析方法

    论文提出 VL-Dedup 方法,将图像 - 文本去重定义为分级多模态实体解析任务,旨在解决同一图像的多种描述、不同图像复用同一描述以及图文不匹配等四种情况。该方法先将同视觉实体的记录聚类并限制簇大小,再利用 VLM 和 CLIPScore 在簇内决定保留哪些描述并标记异常。

  19. arXiv · 机器人与计算机视觉58

    Balancing Representations by Identifying and Generating Under-represented Data

    该论文提出 BRIDGE 方法,解决自监督学习中源数据长尾导致的表示稀疏问题。该方法利用冻结的图像生成模型为欠采样区域生成忠实变体,无需标签即可扩展预训练数据集。实验显示,在五个长尾、网络抓取和合成数据体制下,BRIDGE 在线性探测和 kNN 平均上优于对比方法,并能提升 ViT-S 下的对比学习和自蒸馏目标效果。

  20. arXiv · 机器人与计算机视觉48

    人工势场奖励增强实现部分观测下的尺寸鲁棒避障

    针对障碍物几何未观测场景,研究者在模拟 Franka Emika Panda 抓取任务中引入水平人工势场奖励项。该方法在半径 0.03m 至 0.055m 范围内将安全成功率维持在 88% 以上,最小间隙达 47.9mm,且消除训练碰撞时间提前至少八倍。该优势在三强化学习求解器及全观测条件下均显著成立,路径长度仅增加约 19%。

  21. arXiv · 机器人与计算机视觉28

    ProtoFusion:协议引导提示词优化用于红外与可见光图像融合

    ProtoFusion 提出一种将图像融合视为受协议约束的生成框架,通过环境状态卡、接地原则和风格画像结构化表达融合意图。该方法引入闭环学习机制迭代优化协议,并结合结构信念构建修正源不一致性,在标准基准测试中提升了定量性能并产出视觉连贯结果。

  22. arXiv · 机器人与计算机视觉45

    CHERI 月球微型漫游车分离与部署系统的设计与实验验证

    CHERI 月球微型漫游车采用铝制底板、非爆炸释放机构及四弹簧阵列实现分离,经拓扑优化将固有频率提升至 84 Hz 以满足 70 Hz 要求。最终构型通过正弦振动、随机振动及冲击测试,光学运动捕捉验证了着陆器清除效果并确认俯仰角速度为关键可控参数。

  23. arXiv · 机器人与计算机视觉78

    History Forcing:面向长视界视频世界模型的蒸馏历史依赖续写方法

    论文提出 History Forcing 统一在线策略蒸馏框架,旨在解决少步自回归视频扩散模型在长序列生成中的一致性难题。该方法利用教师模型在有/无历史信息下的预测残差来解耦监督信号,将历史信息约束融入学生模型的分数或速度预测目标中。

    推荐理由:提出 History Forcing 蒸馏框架,利用历史信息约束长序列生成,在 1.3B 参数规模下实现 VBench 质量分 85.07。

  24. arXiv · 机器人与计算机视觉56

    基于子空间的 3D 表面检测合成到现实迁移研究

    该论文研究了在无目标标注的 3D 表面检测任务中,子空间表示如何促进从合成缺陷数据到真实数据的迁移。作者利用最近子空间分类器、单类模板子空间和广义差异子空间等工具,在 MVTec 3D-AD 数据集上发现图像级检测处于随机水平且阈值无法保持,但在 Real3D-AD 对象上,基于注册模板的单类子空间在无基准训练下达到了较高的点 AUROC。研究结果表明,参考及其注册的重要性超过了子空间本身。

  25. arXiv · 机器人与计算机视觉83

    OctreeSplat:一种层级八叉树引导的前馈高斯泼溅方法

    该研究提出了 OctreeSplat 方法,这是一种层级八叉树引导的前馈高斯泼溅技术,旨在解决固定分辨率限制局部复杂度分配的问题。该方法从冻结的视觉基础模型中提取多视图特征和几何先验,构建层级八叉树并预测稠密化分数,从而根据局部复杂度在空间上变化密度地分配高斯原语。

    推荐理由:提出层级八叉树引导的前馈高斯泼溅方法,利用冻结视觉基础模型提取特征并预测稠密化分数,在多个基准上实现高质量重建。

  26. arXiv · 机器人与计算机视觉68

    SeMo3D:通过选择性建模统一 3D 生成、编辑与补全

    论文 SeMo3D 提出选择性建模范式,将 3D 生成、编辑和补全统一为在选定区域合成内容而保持其余部分不变的任务。该方法无需配对数据即可训练,利用区域选择性去噪和多条件扩散 Transformer(Omni3DiT)架构融合图像、文本和点云引导。实验表明其在三个基准测试中超越最先进方法,具备多模态可控性并在编辑与补全任务上保持强一致性和准确性。

  27. arXiv · 机器人与计算机视觉48

    评估合成皮肤病变图像用于分类器训练:一种安全感知算法

    针对罕见皮肤病变标注数据稀缺问题,研究提出一种安全感知算法,通过锦标赛筛选扩散模型(EDM2)生成的 275,472 张图像。该算法在 ISIC-2018 测试集上使 Swin-B 分类器的 Macro-F2 较 FID 基线提升 +0.0136 至 +0.0164,但所有精选数据集的安全性仍低于随机采样。代码与数据已公开于 Zenodo,为合成数据训练提供可复现的安全评估流程。

  28. arXiv · 机器人与计算机视觉78

    IMUdrape:基于物理仿真的衣物挂载虚拟 IMU 数据文本生成方法

    该论文提出了 IMUdrape 方法,旨在解决衣物挂载传感器因布料滑动、扭转和摆动而记录到额外运动信号的问题。该方法通过文本描述活动以合成运动,从照片重建目标服装的缝纫图样,并在真实传感器的部署位置放置虚拟 IMU,利用无接触穿透求解器进行物理仿真,从而生成成对的服装与身体信号。

    推荐理由:针对衣物挂载传感器因布料形变导致数据稀缺的问题,该方法通过物理仿真生成虚拟 IMU 数据,在真实数据集上显著提升了动作识别与姿态估计性能。

  29. arXiv · 机器人与计算机视觉78

    GEAR:面向 VR 旅行的场景条件化服装检索生成编辑框架

    该论文提出了 GEAR(Generative Editing for Asset Retrieval)框架,旨在解决虚拟环境中用户着装需与周围场景和谐共存的挑战。

    推荐理由:提出 GEAR 框架,通过生成中间查询桥接场景与服装资产跨域差距,在虚拟旅行场景中实现实时检索与试穿。

  30. arXiv · 机器人与计算机视觉48

    E$^2$Forecast 在嵌入空间进行地表变化预测

    E$^2$Forecast 采用双分支 Transformer 架构,通过高斯与修正流分支在嵌入空间直接预测未来状态。该方法将 Sentinel-1/2 基准上的余弦距离从 0.20 降至 0.10,并将 z-score 标准差由 2.63 降低至 1.22。此外,模型在无标签情况下实现异常变化检测,F$_1$分数从 41.58 提升至 48.70,且代码已公开。

  31. arXiv · 机器人与计算机视觉23

    条件扩散模型生成 T2 加权前列腺 MRI 用于临床显著癌症分类

    西班牙团队开发的条件生成模型扩展 MAISI-v2,在 1,303 名患者数据上微调,将 FID 从 13.28 降至 2.04±0.06。合成增强使五种模拟场景下的 AUC 提升 0.027 至 0.088(p=0.016--0.043),但跨机构增益不显著。该研究为数据稀缺的前列腺 MRI 预测提供合成数据解决方案,代码与权重待开放许可确认。

  32. arXiv · 机器人与计算机视觉78

    Biological Congruence:跨表征的显微镜生成评估

    该研究引入生物一致性作为评估科学生成模型的原则,通过文本条件扩散框架联合生成显微镜图像和实例掩码。研究发现密度和融合度被一致保留,但形态学存在分歧,且强图像 - 掩码一致性可与较弱的条件控制共存。材料为预印本论文,未报告真实机器人部署结果或具体产品发布。

    推荐理由:提出生物一致性评估原则,揭示生成显微镜图像在形态与条件控制上的特征依赖行为。

  33. arXiv · 机器人与计算机视觉75

    OpenNWM:一种基于隐式动作预训练的通用导航世界模型

    该论文提出了 OpenNWM 导航世界模型,旨在通过预测未来观测来支持规划,并解决因缺乏动作标注数据导致的泛化受限问题。研究引入了 NavAnywhere 数据集,包含来自 15 个异构来源的 1750 万条无动作导航视频,涵盖地面机器人、人类和无人机在五种场景类型中的运动模式。

  34. arXiv · 机器人与计算机视觉78

    RIFT:一种基于残差感知的单步生成式视频压缩框架

    针对预训练流匹配模型难以适配编解码器退化轨迹的问题,论文提出 RIFT 框架以解决压缩依赖的方向失配。该框架引入残差几何诱导器(RGI),利用解码器可见的编码线索将预训练流预测转化为内容自适应的恢复更新,并整合时间步条件、全频段残差强度估计及方向增益调制。在三个公开视频压缩基准上的实验表明,该方法优于现有的生成式视频压缩方法。代码已开源。

    推荐理由:提出 RIFT 框架,利用解码器可见的编码线索自适应修正流预测方向与幅度,在三个公开基准上优于现有生成式视频压缩方法。

  35. arXiv · 机器人与计算机视觉72

    GSExplorer:基于持久化 3D Gaussian 世界的交互式世界生成

    论文提出 GSExplorer,这是一个围绕持久化 3D Gaussian 世界状态构建的生成 - 重建框架。该方法利用当前 3DGS 场景为条件驱动的视频生成器提供多模态渲染条件,并通过独立的相对射线编码分支注入相机几何信息;生成的视频反馈给基于 SLAM 的重建后端,通过不一致性过滤防止冲突内容破坏场景,并利用跨块束调整优化空间对齐。

  36. arXiv · 机器人与计算机视觉58

    Hi-CoLA:基于高置信度下界近似的强化学习用于灵活路线公交运营控制

    该论文研究灵活路线公交(FRT)系统的实时运营控制安全问题,提出 Hi-CoLA 框架以解决强化学习策略缺乏统计性能保证的问题。该方法结合重要性采样、集中不等式与可微代理网络,高效估计高置信度性能下界并通过策略梯度优化。在芝加哥某实际路线的 SUMO 仿真案例中,Hi-CoLA 在平均和尾部风险性能上均优于最先进的离线及安全强化学习方法。材料为预印本,尚未通过同行评审。