跳到正文
11月17日周二
  1. arXiv · 机器人与计算机视觉38

    Portrait Fitness 偏见审计:揭示 VLMs 中的隐性人口统计学偏差

    研究利用包含 9,000 张虚构肖像的 BALPORTRAITS 数据集,在广告选角框架下评估了 16 种视觉语言模型(VLM)的职业、品牌及金融产品关联偏见。结果显示多数成对群体差异具有统计显著性,证明单一场景或属性审计不足以全面检测隐性面部关联偏差。该工作已获 WACV 2027 接收,旨在建立更严格的控制协议以评估此类隐含偏见。

  2. arXiv · 机器人与计算机视觉78

    VideoNexus:一种无需训练的长视频感知框架

    针对长视频理解中感知与推理上下文负担过重的问题,本文提出 VideoNexus 框架,将详细视频感知从证据驱动的规划与推理中解耦。该框架由规划器控制检查位置、分辨率及采样密度,感知子智能体在独立上下文中处理原生音视频并返回紧凑的时间锚定证据。

    推荐理由:该框架通过分离感知与规划,在降低推理上下文负担的同时提升了长视频理解准确率。

  3. arXiv · 机器人与计算机视觉72

    WeVisForensics:面向全模态 AI 生成视频的自进化代理检测框架

    论文介绍 WeVisForensics,这是一个由主调查代理协调多个自进化法医子代理的框架,用于检测视觉和音频线索中的伪造痕迹。该方法采用双时间尺度策略优化,结合新构建的 ForenCue-30K 数据集进行监督与强化学习训练。实验显示该框架在跨域基准测试中平均检测准确率达 95.2%,比最强基线高出 9.0%。材料为 arXiv 预印本,未提及同行评审状态或具体部署情况。

  4. arXiv · 机器人与计算机视觉28

    Fix, Don't Retake:物理仿真训练修正牙科全景片定位误差

    研究提出利用基于物理的模拟器生成配对图像,对比 U-Net、pix2pix 等五种方法以修正牙科全景片中的患者定位错误。结果显示所有方法均提升了图像相似度并降低了几何误差,其中 U-Net 及两种感知误差模型表现优于 pix2pix 和条件扩散模型。该工作已提交 ISBI 会议评审,旨在减少因定位失误导致的重复检查。

  5. arXiv · 机器人与计算机视觉48

    AnachroBench:评估大视觉语言模型历史一致性的新基准

    AnachroBench 提出针对特定时代与国家的视觉场景历史一致性控制判别基准,填补现有评测空白。该基准包含来自八个国家、跨越 19 世纪末至 20 世纪初的 1,600 张图像对,每对由原始历史图与无缝插入现代物体的错位版本组成。研究揭示了模型在“插入物体感知”与“时代 - 国家一致性判断”之间存在显著差距,为评估此类行为提供了定向工具。

  6. arXiv · 机器人与计算机视觉4

    PLECTA:基于二值掩码的密集纤维网络重叠感知实例分割方法

    PLECTA 提出一种确定性算法,仅利用标记纤维中心线的二值图像即可在交叉点和信号间隙处精准分割独立纤维。该方法将决策建模为带未配对惩罚的最大权重部分匹配问题,无需训练数据或手动标注。在合成场景及独立生成的测试中,PLECTA 在所有密度下均比三种现有替代方案更准确地解析纤维身份。

  7. arXiv · 机器人与计算机视觉73

    QuantileGS:一种用于3D高斯泼溅新视角合成的基于分位数的渲染误差置信区间方法

    针对3D高斯泼溅(3DGS)在新视角合成中缺乏真实图像导致无法直接测量渲染误差的问题,本文提出 QuantileGS 框架。该方法通过冻结模型计算 RGB 均方绝对误差,学习预测误差的分位数场,并利用保留集进行尺度归一化 conformal 校准。

  8. arXiv · 机器人与计算机视觉43

    基于网络摄像头的实时眼动追踪系统性能增强研究

    该系统结合 ETH-XGaze 与九点校准及 RTMPose 特征修正,单用户实验在 12 个屏幕目标上平均误差为 204.24 像素。相比 xgaze-js 和 gaze_tracker,误差分别降低 35.83% 和 57.69%,且所有目标均产出有效估计。鉴于仅涉及一名参与者,后续需扩大样本与姿态范围验证可行性。

  9. arXiv · 机器人与计算机视觉78

    RAGE:基于流场的图像编辑中的残差自适应门控方法

    针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。

    推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。

  10. arXiv · 机器人与计算机视觉58

    DRaGAN:面向汽车雷达感知的多雷达点云动态图注意力编码网络

    论文提出 DRaGAN,一种针对多雷达点云的动态图注意力网络,旨在解决稀疏点和传感器相对各向异性导致的 LiDAR 编码器次优问题。该方法引入基于传感器的角度和距离傅里叶编码以捕捉固定孔径特性,沿视线方向设置门控短长程枢纽节点以实现高效局部全局消息传递,并通过注意力引导的动态重连剪枝弱边并限制潜在连接至两跳邻域。

  11. arXiv · 机器人与计算机视觉35

    DLhasa-L2S 数据集与拉孜河多光谱超分辨率模型研究

    DLhasa-L2S 填补了拉孜河多光谱超分辨率分析空白,是首个针对河流分析的配对数据集。基于前向 - 反向插值与展开网络模型在真实 RGB 分量上 PSNR/SSIM 最优且推理快速,NDWI 水体分割性能无显著差异。对比 SwinIR、RDN 基线通过统计检验验证有效性,代码数据待注册后开放。

  12. arXiv · 机器人与计算机视觉58

    Region-VAD:通过区域选择实现视频异常定位与检测

    Region-VAD 提出了一种新的视频异常检测方法,该方法首先从冻结的基础模型特征中搜索变化最显著的矩形区域,仅基于该区域内的 token 进行异常评分,从而在无需框标注的情况下实现了 SOTA 级别的异常定位效果。论文在 UCF-Crime 和 MSAD 等五个数据集上验证了其在保持检测性能的同时显著提升了定位能力。

  13. arXiv · 机器人与计算机视觉72

    Explain The Unexplainable:一种针对不可解释的视频异常检测模型的审计框架

    论文提出了 Explain The Unexplainable (ETU) 框架,旨在解决弱监督视频异常检测(VAD)模型预测缺乏可解释性的问题。该方法通过反事实干预冻结的 VAD 模型特征空间,将视频特征映射到代理、动作和结果的离散依赖图中,并利用图条件扩散生成器进行特征再生与掩码操作。

  14. arXiv · 机器人与计算机视觉74

    VAE Rhythm:用于 AI 生成视频检测的时间解码痕迹分析

    针对可见伪迹不可靠的问题,该方法利用生成模型将连续帧分组解码导致的周期性误差(即 VAE Rhythm)作为检测信号。通过相位扫描无需训练即可发现该痕迹,并在 31 个生成器的 39 种变体中验证有效。研究将其用作零样本评分、现有检测器插件及训练数据引擎,提出的 CaDet 模型在多个基准上表现最佳且具备无生成视频训练的鲁棒性。

  15. arXiv · 机器人与计算机视觉78

    多标签图像分类的源无关域适应:框架、基线与基准

    针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。

    推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。

  16. arXiv · 机器人与计算机视觉38

    Beyond Family Labels:一种用于鸟类三维形状恢复的谱系奥恩斯坦 - 乌伦贝克先验

    针对仅少数物种拥有三维标注数据的难题,该方法提出基于 AVES 参数化网格模型的谱系奥恩斯坦 - 乌伦贝克先验,将二元家族对比损失扩展为连续生成形式。在未见物种的 CowBird 基准和 CtrlAVES3D 数据集上,其性能优于 AniMer+,同时在已见物种 CUB 上表现相当。论文状态为 NeurIPS 2026 口头报告(arXiv:2611.21102),代码与权重尚未开放。

  17. arXiv · 机器人与计算机视觉42

    MORE:免训练多主体图像合成新范式

    MORE 提出一种针对 FLUX 的免训练两阶段流水线,通过一次合并与早期路由解决多 LoRA 池化合成脆弱问题。在 K=10 和 K=20 条件下,该方法将双主体保留率分别提升至 94.2% 和 78.3%,显著优于 FreeFuse 等基线,且 ImageReward 达 1.32。即便自动推断布局,双主体保留率仍保持在 70.0% 和 55.0%。

  18. arXiv · 机器人与计算机视觉18

    数据集蒸馏在手写文本识别中的实证研究:首个针对行级 HTR 任务的 DD 方法评估指南

    这是已知首个将数据集蒸馏(DD)应用于行级手写文本识别(HTR)的研究,通过聚类字符 n-gram 定义伪类别并优化真实起始像素生成合成图像。在 IAM、George Washington、READ,2016 及 LAM 四个数据集上,无论预算为 1% 至 10%,随机选取的行均优于中位数行,且进一步优化反而降低识别率。

  19. arXiv · 机器人与计算机视觉48

    ScoutCache:通过条件读出与选择性缓存实现高效少步自回归视频扩散

    ScoutCache 是一种无需修改预训练模型参数的免训练框架,联合优化去噪、历史 KV 读取及缓存构建。该方法在 Self-Forcing 和 LongLive 数据集上分别实现了最高 2.28 倍和 1.86 倍的推理加速,同时利用 VBench 和 MovieGen 评估证实生成质量持续提升且无参数改动。

  20. arXiv · 机器人与计算机视觉36

    Sparse Attention for Visual Generation:面向视觉生成的稀疏注意力算法与系统协同设计综述

    针对高分辨率图像视频生成中稠密自注意力计算成本高的瓶颈,该研究提出通过保留关键查询 - 键交互并省略次要部分来降低算力开销。文章基于"4+1+3"分析框架,从数据组织、执行和数据流三个系统维度,综述了静态与动态稀疏方法的算法设计及硬件实现策略。此外,文中总结了通用评估指标,指出了开放挑战并为研究人员提供了算法与系统联合设计的参考指南。

  21. arXiv · 机器人与计算机视觉4

    MinerU 与 NDLOCR-Lite 在日文技术文档 PDF 转 Markdown 中的数字评分初步评估

    针对日文技术文档转换中因符号干扰导致数字评分失准的问题,研究对比了 MinerU、NDLOCR-Lite OCR 基线及确定性后处理管线。移除注释符号后两者 F1 分数持平(0.575 vs 0.594),且后处理管线未能改善关键指标。建议去除符号并对照源文件检查关键图表,该研究目前为技术报告。

  22. arXiv · 机器人与计算机视觉58

    ReAccess:通过高效测试时记忆实现一次查看并保持专注

    论文提出 ReAccess 轻量级框架,旨在解决视觉语言模型(VLM)难以有效利用已编码关键视觉证据的问题。该框架在单次视觉预填充阶段构建紧凑的关联记忆,支持渐进式证据检索以引导注意力查询和隐藏表示,从而在不进行重复图像编码或显式推理痕迹的情况下实现有效的视觉定位。实验表明,该方法在通用视觉理解和细粒度感知方面均取得一致提升,且推理速度显著快于现有的高计算量方法。

  23. arXiv · 机器人与计算机视觉19

    Palmprint Decomposer:通过合成学习与实例级细化实现可解释且可编辑的手掌纹分解

    Palmprint Decomposer 框架将手掌纹表示为独立可编辑的因子,利用合成数据监督训练与实例级优化抑制纹理泄露。七数据集实验显示重构高保真度,提取的结构图验证性能与原图相当,在更好分离因子的同时保留了更多判别性纹理信息。

  24. arXiv · 机器人与计算机视觉73

    GJBench:当空间被打破时,图像生成器能否维持场景完整?

    论文提出 GJBench 基准,要求图像生成模型绘制被打散、旋转且分离的拼图式场景,以区分模型是真正理解场景整体还是仅依赖相邻连接。评估显示所有测试模型均无法在碎片化条件下保持场景连贯:要么数量错误,要么轮廓不匹配导致无法拼接,且参考图对解决这些问题帮助有限。该工作揭示了图像生成器在处理空间破碎场景时的根本局限。

  25. arXiv · 机器人与计算机视觉47

    SciWorldBench:视频世界模型是否真正理解科学实验?

    SciWorldBench 基准通过成对科学实验评估十款图文转视频(TI2V)模型,发现其生成的配对视频常呈现相同结果而非依据条件变化产生不同结局。该预印本论文指出当前视频世界模型难以可靠应用底层科学原理,并将公开数据集与开源评测代码。

  26. arXiv · 机器人与计算机视觉73

    多速率流匹配用于点云上采样

    针对现有流匹配点云上采样器在全局统一时间分辨率下难以兼顾不同形状局部重建需求的局限,本文提出多速率流匹配框架。该方法在推理时冻结学习到的速度场,将离散预算松弛为连续变量,利用输入衍生的几何保真度目标在线优化积分步数,最终投影回离散预算进行求解器 rollout。实验表明,相比仅依赖步长分布的基准,基于局部区域自适应分配的分配策略能显著提升重建质量。

  27. arXiv · 机器人与计算机视觉38

    MVSTF:基于 LiDAR 的多视角时空融合移动目标分割网络发布

    MVSTF 提出端到端多分支网络,利用时序点云生成多视图图像与特征差异,并行提取时空及维度特征以解决动态环境下的边界模糊与遮挡难题。该方法在 SemanticKITTI 和 KITTI-Road 基准上实现最先进结果,并在隐藏测试集表现优异,代码已开源。

  28. arXiv · 机器人与计算机视觉57

    LiDSeg:一种用于恶劣天气条件下高效语义分割的重建引导框架

    该论文提出了 LiDSeg 框架,旨在解决恶劣天气下鲁棒性语义分割问题。通过联合优化轻量级引导编码器与分割分支,在推理阶段仅保留提取天气鲁棒特征的编码器并丢弃重建解码器,利用门控融合模块保持清晰天气精度并提升抗恶劣天气能力。

  29. arXiv · 机器人与计算机视觉73

    何时昂贵的方法值得?基于内容的经典拜耳去马赛克分析

    针对拜耳去马赛克中方向性插值法计算成本高但收益不确定的问题,该研究在 80 张基准图像上验证了质量增益与图像饱和度的强相关性(r=-0.86),并构建了无需深度学习的可解释决策树。该方法能根据图像描述符推荐最佳廉价算法,在留一验证中比始终选择最常用方法的基线提升 20.0 个百分点,且所有步骤均可检查。

  30. arXiv · 机器人与计算机视觉45

    CLIP 视觉语言模型实现 Phase-OTDR 事件分类

    研究利用 CLIP 图像编码器与 Tip-Adapter-F 缓存,通过少样本学习实现相位敏感光时域反射仪(Phase-OTDR)的事件识别。在控制数据泄露的协议下,ViT-L-14 架构配合每类 128 个支持样本的配置,在独立测试集上达到 96.81%±0.42% 的准确率与 96.79%±0.42% 的宏平均 F1 分数。相关代码及图像数据集已公开于 GitHub,且性能对提示词表述不敏感。

  31. arXiv · 机器人与计算机视觉43

    FDIR 框架通过改进的 Fréchet Loss 实现图像恢复的高效单步训练

    FDIR 框架利用可计算的 Fréchet 距离在冻结特征空间匹配分布,结合局部补丁与实例自适应统计优化 LoRA 参数。实验显示该方法在简化生成式图像恢复训练的同时,实现了强感知质量的图像恢复效果。该工作包含 20 页论文、14 张图和 7 个表格,代码与权重暂未提及开源许可。

  32. arXiv · 机器人与计算机视觉53

    通过匹配矩实现无对应关系相机位姿估计

    该论文提出了一种名为 MomentPnP 的无学习相机位姿估计方法,旨在解决盲视角 n 点(PnP)问题。该方法利用前四个阶次的十四种排列不变图像矩,在无需已知对应关系的情况下初始化相机位姿,并通过期望最大化算法优化位姿与对应权重。实验表明,该方法在三个基准测试集上,无论是否存在异常值,都能将中位数旋转误差降低 5-170 倍,且在 ETH3D 密集扫描中随点集增长精度提升。

  33. arXiv · 机器人与计算机视觉58

    PhaseCLIP:面向少样本遥感分类的相位感知频域视觉语言模型适配

    PhaseCLIP 提出一种相位感知的频域适配方法,将相位能力模块与特征门控模块插入冻结的 CLIP 视觉编码器,仅训练 1.30% 的参数。该方法在五个公开遥感数据集上对比八个基线,平均准确率达 84.28%,并在 30 个数据 - 样本组合中的 23 个表现最佳,相位贡献了整体 1.93 个百分点的增益。

  34. arXiv · 机器人与计算机视觉8

    ThermoSight:通过物理引导神经重建从外观到内部热流体场

    ThermoSight 框架利用可微光谱模型,仅凭有限校准火焰图像联合重构三维温度与烟气体积分数场,无需场级真值即可解决解耦难题。合成消融实验显示,波长分辨衰减将高温区温度 RMSE 从 234 K 降至 112 K,且 RGB PSNR 保持 65.23 dB 至 65.24 dB 几乎不变。该成果证明物理引导神经场能恢复视觉上无法直接观测的内部可解释物理量。