跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉4

    DroneGround:利用合成数据与接地视觉语言模型实现无人机载荷开放词汇表征

    DroneGround 框架通过 Unreal Engine 5 和 Cosys-AirSim 生成合成数据集,结合 YOLO26s 检测器与 LoRA 微调的 PaliGemma 模型,将无人机载荷 F1 分数从 82.5% 提升至 96.3%,未见类别识别率达 80.4%。该方案有效缓解仿真到现实分布偏移问题,显著优于传统闭集检测方法。数据集与代码将在收到请求后发布。

  2. arXiv · 机器人与计算机视觉45

    Flow Matching 模型实现 Sentinel-2 影像 4 倍超分辨率:CONUS 区域生成 1.58 万亿像素产品且分类准确率达 89.11%

    该研究引入流匹配模型,在单步采样下优于扩散与 Real-ESRGAN 实现 Sentinel-2 影像 4 倍超分辨率。基于 CONUS 区域生成的 2.5 米四波段产品涵盖超 1.58 万亿像素, Chesapeake Bay 流域土地覆盖分类整体准确率达 89.11%。该成果为地理空间应用提供了高效的高分辨率影像生成方案。

  3. arXiv · 机器人与计算机视觉72

    Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations

    该论文提出一种完全基于合成数据的系统,用于训练通用的手物跟踪控制器,无需人类演示。核心贡献包括 HOG 高效数据生成器和 HOT 跟踪器,后者通过强化学习和交互模仿学习实现从仿真到物理的迁移。方法支持多种物体形状和手部形态,并能在不同仿真器间迁移。评估显示该系统能让灵巧手处理包含物体重排和敏捷内部转向的挑战性长序列任务,旨在解决灵巧操作的数据瓶颈问题。

  4. arXiv · 机器人与计算机视觉45

    WoRD:基于扩散模型的在线目标识别方法

    WoRD 利用学习到的轨迹先验,通过变分推断从部分观测中恢复智能体意图。该方法在机器人、行人及车辆仿真设置下均能保持多模态信念校准,克服了传统滤波器与分类器在模糊轨迹前缀上的失效问题。论文已被 NeurIPS 2026 接收,代码与权重开放许可状态待确认。

  5. arXiv · 机器人与计算机视觉48

    CodeReel:通过精确帧复用与阻塞感知调度加速代码生成视频智能体

    CodeReel 是一种无需训练的代理执行层,利用精确帧复用和阻塞感知调度将代码生成视频的等待时间较 Rebuild 基准降低 36.3%,较 Sequential 流程降低 57.9%。该方法在五个模型与两个框架上验证有效,使 Claude Code 和 Codex CLI 的构建中位等待时间分别降至原水平的 0.62 倍和 0.67 倍。

  6. arXiv · 机器人与计算机视觉23

    高维空间物理耦合算子实现三维湍流超分辨率

    针对硬件限制导致的低分辨率湍流数据,该研究提出一种架构无关的高维空间物理耦合算子,将标准卷积扩展至联合时空维度以显式捕捉变量间局部交互。实验表明该方法在极度稀疏条件下具备强重建性能与零样本泛化能力,为三维湍流建模提供了物理感知的归纳偏置。

  7. arXiv · 机器人与计算机视觉82

    CaFe:一种因果忠实条件交通场景生成方法

    针对语言引导的交通仿真中存在的意图泄露问题,本文提出了 CaFe 模型。作者构建了包含 531,099 个场景的 WOMD-PACT 数据集,并开发了一种配对干预测试方法来量化泄露程度。CaFe 采用双流扩散强制机制,在闭环微调下将智能体间的交互限制为公共信念,成功消除了可测量的意图泄露,同时保持了与 WOSAC 相当的现实度(0.763)。

    推荐理由:该研究提出 CaFe 仿真器,通过限制交互于公共信念消除了指令泄露问题,同时保持了高现实度。

  8. arXiv · 机器人与计算机视觉72

    CADMAGEDDON:基于本地推理的高保真 CAD 重建开源代理

    针对专有零件不愿外泄及小团队算力受限的问题,研究提出 CADMAGEDDON,这是一个可在单显卡或当前代笔记本本地运行的开源智能体。该方法将复杂任务拆解为关于构建与修正的简单视觉决策链,利用几何工具支持精确构造,使智能体专注于视觉推理。

  9. arXiv · 机器人与计算机视觉35

    场景表示对基于场景的优化认证影响研究:无损重分组提升可用性

    该研究揭示在保持样本与可行域不变的情况下,无损场景重分组使等分配支持子集证书的认证可用性从 480 次尝试中的 318 次提升至 471 次。结合无退化 Wait-and-Judge 理论,该方法在不减少见证基数或改变数值提案的前提下实现了更强的直接认证。实验表明,表观上的样本效率增益源于证书核算而非额外信息或决策风险降低。

  10. arXiv · 机器人与计算机视觉64

    Any2Building:通过共享空间查询统一点云与图像进行建筑重建

    该论文提出 Any2Building 模型,旨在从部分点云、俯视图或两者结合中重建 LoD2 精度建筑。核心采用基于占据的共享空间查询表示法,在公共三维网格内对齐几何与视觉线索,并通过体素条件表面生成及低多边形重网格化管线输出紧凑模型。

  11. arXiv · 机器人与计算机视觉45

    UnrealEvent:基于虚幻引擎 5.5 的事件相机合成数据集生成与标注工具

    UnrealEvent 是一款运行于 Unreal Engine 5.5 的合成数据集生成管线,通过 V2E 事件帧生成器与 EasySynth 语义渲染将场景序列转化为配对事件表示及 YOLO 格式标注。该工具在 eTraM 基准上评估显示 YOLOv8 检测器具备强域内性能但存在显著的仿真到现实差距,尤其是行人目标;微调少量真实数据可提升实域表现,凸显资产多样性与传感器校准的重要性。

  12. arXiv · 机器人与计算机视觉63

    RFW-S:具备独立仿真验证的日常可变形物体数据集

    论文介绍 RFW-S 数据集,包含 83,365 个经过独立仿真验证的变形物体资产,覆盖 485 类日常物品及五种结构家族。作者开发了结合参考引导生成、结构感知物理建模与 LLM 参数校准的自动化管线,并通过独立于校准过程的交互行为评估确保物理可靠性。

  13. arXiv · 机器人与计算机视觉48

    无标注合成水下垃圾检测数据生成方法对比:DALL-E 提升四领域性能

    针对水下目标检测因浑浊、光照及传感器差异导致的数据稀缺问题,研究提出无需人工标注的自动化零标注流水线。该流程在 SeaClear 数据集上比较了复制粘贴、Stable Diffusion 修复及 DALL-E 三种生成策略,结果显示 DALL-E 方法在五个领域中提升了四个领域的检测性能,相对基线最高增益达 96%。

  14. arXiv · 机器人与计算机视觉43

    SWIR-cGAN:利用 CBERS 和 AMAZONIA-1 VNIR 影像合成短波红外波段

    该研究提出一种带注意力增强的 U-net 生成器与多损失目标的条件对抗网络(cGAN),旨在解决跨卫星泛化难题。模型在 CBERS 及 AMAZONIA-1 数据上训练,针对 SWIR-2 波段实现 SSIM 0.917、PSNR 33.35 dB,显著优于基线。代码与权重已公开于指定 URL,验证了从 VNIR 合成短波红外影像的可行性。

  15. arXiv · 机器人与计算机视觉68

    Arboreus:一种支持地形与卫星信息的北方针叶林现实感仿真器

    本文提出了 Arboreus,这是一个用于北方针叶林环境的逼真森林仿真器,旨在支持机器人自主算法的统计验证。该方法利用北欧生长研究参数化生成桦树、云杉和松树等主导树种,并结合 Copernicus 卫星数据集指导树木分布密度与种类,同时利用瑞典地籍局的地形数据生成真实感地面。

  16. arXiv · 机器人与计算机视觉85

    Evolve in Panorama, Render in View:用于视频世界模型的全景状态演化方法

    针对现有视频世界模型在视角变化时冻结场景或丢失物体的问题,本文提出 PanoEvo 架构,利用全景扩散模型的潜在空间进行全局状态演化,并通过透视渲染器生成高质量视图。

    推荐理由:提出 PanoEvo 架构解决全景视频世界模型的视角演化问题,在 WRBench 和 STEVO-Bench 上取得最佳分数。

  17. arXiv · 机器人与计算机视觉42

    SlopeGuard:通过径向光谱斜度引导实现可泛化的 AI 生成图像检测

    SlopeGuard 结合光谱斜度与语义特征,在 AIGCDetectBench、GenImage 和 AIGIBench 基准上分别达到 97.5%、97.8% 和 85.1% 的平均准确率。该方法在模糊、裁剪及噪声干扰下保持竞争力,解决了现有频率方法过度拟合生成器特定伪影的问题。研究论文已提交至 arXiv (arXiv:2611.22727),代码与权重开放许可情况待进一步确认。

  18. arXiv · 机器人与计算机视觉53

    超越相机:面向未来 RGB、热成像与 LiDAR 预测的恶劣天气驾驶世界模型

    该论文提出一种三模态驾驶世界模型,旨在联合预测 RGB、热成像和 LiDAR 三种传感器的下一帧数据,以应对恶劣天气挑战。研究基于 DSERT-RoLL 数据集中的真实恶劣天气序列进行后训练,将 LiDAR 表示为与 RGB 相机对齐的深度视频,并通过模型的视频分词器优化稠密化与编码策略。

  19. arXiv · 机器人与计算机视觉66

    SaySee:一种无需训练于生成图的 AI 图像检测新方法

    针对现有 AI 生成图检测器依赖生成样本导致泛化差、对非真实性特征敏感的问题,论文提出 SaySee 这一免训练检测方法。该方法通过成对描述构建生成方向并投影评分,同时利用真实图像校正格式与内容引起的偏移。在涵盖标准基准及最新生成器的 24 个评测集上,SaySee 平均 AUC 达 98.2%,优于现有最佳方法 4.2 个百分点。代码将开源。

  20. arXiv · 机器人与计算机视觉48

    MentalGrid 基准与 SpatialWalker 模型:揭示并增强 MLLM 的空间动态模拟能力

    MentalGrid 基准评估显示现有多模态大语言模型在无需视觉反馈的动态空间模拟任务中存在感知局限与推理不足。为此提出的三阶段课程学习框架利用 16k 专用样本训练出 SpatialWalker,其平均性能较基线提升 33.8%,超越 Gemini-3-Flash 等专有模型。该模型在跨域基准上保持 4.9% 的平均增益,证实空间模拟是构建广泛空间智能的关键基石。

  21. arXiv · 机器人与计算机视觉56

    FailureGen:基于世界模型的机器人故障数据规模化生成方法

    该论文提出 FailureGen 方法,通过微调动作条件化的 Cosmos 世界模型,将记录的真实失败执行轨迹迁移到成功宿主上下文中,生成带有时间事件标注的合成视频以扩充故障场景数据。初步实验显示,结合合成数据的检测器平均精度为 0.51,优于仅用真实数据的 0.41,且能检测到更多故障区间。材料为预印本论文,未报告真实机器人部署结果或具体开源仓库。

  22. arXiv · 机器人与计算机视觉82

    InertialVideo World Models:引入惯性先验的视频世界模型

    论文介绍 InertialWorld 模型,该模型在自回归生成中利用惯性状态演化机制,避免每步重复重建导致的误差累积。核心组件 Inertial Memory 包含欧拉网格与拉格朗日载体,结合动作条件运动预测下一帧并融合新旧内容。实验涵盖机器人操作、3D 游戏仿真和开放世界导航,性能对标现有基线。代码链接见 arXiv 页面。

    推荐理由:提出将惯性作为先验的 InertialWorld,通过欧拉网格与拉格朗日载体结合,解决视频预测中的误差累积问题。

  23. arXiv · 机器人与计算机视觉85

    SARVIA:一种快速适配合成孔径雷达基础模型的方法

    针对合成孔径雷达(SAR)基础模型依赖昂贵预训练的问题,本文提出 SARVIA 方法,利用现代多模态大语言模型(MLLMs)已有的视觉编码器作为下游初始化。该方法通过自监督视觉问答任务对 MLLM 进行自适应后预训练,仅需 600 步和 2 GPU 小时即可在六个 SAR 检测与分割基准上超越专用基础模型。研究将重点从重复的昂贵预训练转向可复用的专业化过程,并开放了数据集与代码。

    推荐理由:提出 SARVIA 方法,利用现有 MLLM 视觉编码器通过自监督微调实现合成孔径雷达任务的高效适配。

  24. arXiv · 机器人与计算机视觉35

    Joint-ID:基于 Transformer 的水下图像增强与深度估计模型

    Joint-ID 是一种基于 Transformer 的神经网络,通过联合学习实现水下原始图像的感知质量增强与深度信息获取。该方法在合成及标准数据集上评估有效,并能在高浊度真实水下环境中进行特征匹配与显著性检测以辅助视觉引导机器人。论文由 IEEE Sensors Journal 于 2024 年发表,代码与权重暂未公开,仅允许个人使用。

  25. 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。

  26. 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。

  27. 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。

11月17日周二
  1. arXiv · 机器人与计算机视觉82

    PRG-Fusion:基于重建证据编排生成先验以合成驾驶视角视频

    针对驾驶场景下视图切换导致的空间退化与生成不一致问题,论文提出 PRG-Fusion 框架,利用稀疏 LiDAR 投影建立几何控制并学习稠密 3DGS 渲染的外观控制。该方法根据重建证据将像素划分为保持、修复和生成三类区域,分别执行外观保留、结构修正和内容补全,在 Waymo 数据集上实现了具有优异视觉质量与几何保真度的新轨迹视频合成。

    推荐理由:提出 PRG-Fusion 框架,利用重建证据在可靠区域保持内容、受损区域修复结构、无支撑区域生成新视图,实现高几何保真度的驾驶轨迹视频合成。

  2. arXiv · 机器人与计算机视觉48

    DeCO:细粒度数据集蒸馏中的判别性证据组合方法

    DeCO 将细粒度数据集蒸馏定义为预算约束下的判别性证据保留,利用预训练 TransFG 教师模型的注意力展开识别信息区域并构建类级证据库。在 CUB-200-2011、FGVC-Aircraft 和 Stanford Cars 数据集上,该方法在不同 IPC 预算下均优于代表性核心集与蒸馏基线。该研究作为 NeurIPS 2026 研讨会预印本公开于 arXiv,代码与权重未提及开放许可。

  3. arXiv · 机器人与计算机视觉58

    超越晴朗天空:面向现实世界无人机检测的合成季节与天气变化数据

    针对真实世界无人机检测中恶劣天气和季节性外观变化难以采集的问题,作者提出了 SynDroneVision-Weather (SDV-W) 数据集。该数据集包含 55,187 张高分辨率城市环境图像,通过游戏引擎渲染覆盖三种季节配置及雨、雪、雾等多种天气条件。