跳到正文
11月18日周三
  1. arXiv · 机器人与计算机视觉15

    物理 AI:手持对焦堆叠与无接触镜面系统实现蝶类标本高保真新视角合成

    针对 pinned 蝴蝶标本难以数字化的小尺寸、脆弱性及腹面拍摄难题,该研究提出无需三脚架的手持对焦堆叠与非接触首表面镜系统。结合免分割的镜面感知 3D Gaussian Splatting 扩展,该方法在九种多样标本上验证了全方向查看的光真实感重建效果。

  2. arXiv · 机器人与计算机视觉66

    重新思考表征自编码器中的重构 - 生成差距

    该论文指出将浅层编码器层融合进表征自编码器(RAE)虽能锐化像素重构但会损害扩散生成,传统归因于潜在内容本身,实则源于编码器 - 解码器界面的几何失配。作者提出冻结基础编码器以保留丰富视觉信息,同时正则化解码器以平抑其对潜在变化的敏感性,并将扩散坐标与冻结解码器的度量在相同干净重构处对齐。

  3. arXiv · 机器人与计算机视觉72

    具身操作数据金字塔:综述

    这篇论文将具身智能的数据生态系统组织为包含真实机器人、UMI 风格、第一/第三人称视角、仿真及通用视觉语言数据的五层金字塔。作者分析了不同数据源在可扩展性与机器人对齐之间的张力,并评估了其在质量、多样性、复用性和物理保真度方面的特征。

  4. arXiv · 机器人与计算机视觉82

    HEART:基于 Kent 表示遍历的超球面对齐方法

    该论文针对文本条件扩散模型难以控制生成内容的难题,发现嵌入空间呈超球面而非欧几里得结构。作者提出 HEART 框架,直接在超球面上进行 Kent 分布感知的测地线变换,实现无需微调、反演或优化的主体替换与属性控制,且适用于多种架构。材料为 arXiv 预印本,未提及同行评审状态。

    推荐理由:提出无需微调的 HEART 框架,利用超球面几何与 Kent 分布实现扩散模型的精确编辑。

  5. arXiv · 机器人与计算机视觉82

    MillBill:一种具备几何反馈的加工代理

    MillBill 是一种将加工决策与几何执行及验证分离的智能体系统。给定边界表示零件、毛坯和材料信息,本地托管的中大型开放模型负责提出操作和切削参数;几何约束生成器则生成刀具路径、模拟材料去除并返回反馈以优化计划。系统考虑了刀库的物理可达性而非仅可见性。基于 Qwen3.8-27B 的评估显示,MillBill 在指定公差内的目标表面积比例上优于前沿模型方法。代码与论文已公开。

    推荐理由:该工作提出将加工决策与几何执行分离的代理架构,在仿真环境下验证了其对复杂零件加工的优越性。

  6. arXiv · 机器人与计算机视觉68

    Fly as Instructed:面向无人机视觉语言导航的世界 - 动作策略优化研究

    该论文针对现有世界模型主要关注动作预测而缺乏可靠指令遵循、任务进度追踪及安全避障的局限,提出一种融合三种互补机制的世界 - 动作学习框架。具体包括:具备针对性后训练的语言条件化动作接口以响应指令运动;循环指令消耗预测以跟踪任务进度并确定终止时机;以及高斯场景后训练通过轨迹模仿和可微几何反馈增强障碍规避能力。

  7. arXiv · 机器人与计算机视觉80

    LOCUS:一种用于自回归图像生成的因果支持窗口属性控制方法

    针对统一自回归图像生成器难以同时满足多重属性约束的问题,研究提出因果支持轮廓概念,发现结构属性对早期窄窗口响应更强而外观属性对后期宽窗口更敏感。据此开发的 LOCUS 方法能诊断失败属性并路由优化至对应窗口,在冻结生成器的情况下将 Janus-Pro 的 GenEval++ 整体准确率从24.6%提升至46.8%,多属性标签任务从19.5%提升至40.5%,且修复成功率与收敛轮次均优于前缀优化。

    推荐理由:提出因果支持窗口诊断方法,在冻结生成器前提下将多属性控制准确率从24.6%提升至46.8%,显著优于前缀优化。

  8. arXiv · 机器人与计算机视觉82

    随机多样性窗口:诊断机器人扩散采样中的噪声影响

    该论文针对机器人控制中扩散模型的随机性作用研究不足的问题,引入每步反事实诊断以测试采样噪声对最终输出的影响。研究发现不同配置下噪声诱导的偏差在下游可能放大、收缩或衰减,据此定义“随机多样性窗口”并应用针对性干预策略。实验显示,利用低影响区域替换 DDPM 步骤为 DDIM 跳步,可将网络评估减少最多 40-60%,时钟时间减少最多 85%,且在保持可行性、成本和多样性方面未发现一致变化。

    推荐理由:提出随机多样性窗口诊断方法,揭示去噪过程中噪声影响的时间敏感性,并通过采样干预实现推理加速。

  9. arXiv · 机器人与计算机视觉82

    何时该放大:视觉语言模型在多像素级小物体上的表现极限及优化规则

    在线视觉语言模型常因服务端缩小或拒收大图而遗漏小细节。本研究通过 601 个真实照片中的小物体问答与印刷码眼检,量化了七款主流模型在默认设置下的细节保留能力,发现分块处理可显著提升准确率并减少拒绝,自适应缩放策略能以更低算力匹配甚至超越分块效果。作者还分析了不同模型的失败模式差异,提出了五条关于智能体何时该缩放的规则,并开源了眼检工具、所有模型回答及代码。

    推荐理由:论文量化了大尺寸图像中微小细节的丢失问题,提出分块与自适应缩放策略以恢复精度并降低拒绝率。

  10. arXiv · 机器人与计算机视觉38

    OmniTongue:首个中医舌诊多模态大模型基准评测

    OmniTongue 是首个针对中医舌诊的细粒度视觉问答基准,整合了 1351 张专家验证图像与 21616 条指令对。该基准涵盖 16 个临床维度、区域特异性标注及 66 个精细标签,旨在评估多模态大模型在中医领域的真实理解能力而非统计捷径。现有模型在该基准上表现不佳,暴露出缺乏领域优势与过度依赖统计技巧的局限。

  11. arXiv · 机器人与计算机视觉84

    Disagree to Prune:通过小 VLM 的异议重分配视觉 Token

    论文提出了 PRUDENT 方法,用于加速大型视觉语言模型(VLM)。该方法利用一个小 VLM 对剪枝后结果的异议信号,将节省下来的计算资源重新分配给那些小 VLM 认为不可靠的问题进行二次回答。在 18 个基准测试中,PRUDENT 在相同的平均视觉 Token 预算下优于八种现有的剪枝方法,且在预算更紧张时优势更大。代码和数据已公开。

    推荐理由:提出 PRUDENT 方法,利用小 VLM 对剪枝结果的异议来重新分配视觉 Token,在多个基准上优于现有方法。

  12. arXiv · 机器人与计算机视觉82

    MAVE:从电影镜头重建可编辑的三维块状布局

    针对手动从参考视频中重建动画三维块状布局成本高、限制创作者使用及配对训练数据生产的问题,该工作提出 MAVE 框架与 MAVEBench 基准。MAVE 结合度量观察、代理建模和基于证据的验证,在共享度量坐标系中恢复相机、人物运动及几何证据,由代理构建受约束的可编辑环境,并通过程序化检查报告不一致性以指导优化。

    推荐理由:该工作提出 MAVE 框架与基准,从电影镜头重建可编辑三维场景,为视频生成提供结构化条件。

  13. arXiv · 机器人与计算机视觉43

    Sample-Aligned Decoders for Latent Generative Models 提出后训练框架 SAD,以零推理成本微调冻结生成器解码器

    Sample-Aligned Decoders (SAD) 通过样本对齐与编码器锚点保留技术,解决潜在生成模型在测试时未见真实潜变量的分布差异问题。该方法在不增加推理开销的前提下,将 REPA-E 的 FID-50K 指标从 1.15 提升至 0.98,并兼容判别器引导及文生图任务。代码与模型已开源,适用于 ImageNet 等主流生成架构。

  14. arXiv · 机器人与计算机视觉7

    MedImgAnnotator:医疗影像批量标注与预处理工具

    MedImgAnnotator 是一款集成编辑、掩码匹配及插件管理的半自动批量标注工具,将主动标注时间从开源工具的 206.5±32.87 秒降至 59 秒。该工具已在 MICCAI 2026 CARE Challenge 肝分割优胜者处用于处理 6412 个 MRI 容积数据,且经 12 名用户评估显著提升了易用性。目前提供可执行文件与 Python 脚本版本供下载。

  15. 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。

  16. arXiv · 机器人与计算机视觉66

    CoSphere-SLAM:基于球面闭环的多智能体全景高斯泼溅 SLAM

    论文提出了 CoSphere-SLAM,这是首个针对全景相机的多智能体高斯泼溅 SLAM 框架。该方法利用快速傅里叶相关在任意方向对齐球面特征以解决对称房间误匹配问题,并通过全局 Sim(3) 共识剔除假闭环;同时采用方向性全局优化修正尺度漂移并分离光流与深度量级,最后通过全向高斯融合联合优化位姿与地图。实验表明其在室内及跨会话多智能体基准测试中达到了最先进的轨迹精度和渲染质量。

11月17日周二
  1. 量子位72

    蚂蚁灵波首届具身大模型挑战赛决赛落幕:TARS 队手搓数据夺冠,EVA 与 SST 分获二三等奖

    蚂蚁灵波举办首届具身大模型挑战赛决赛,15 支队伍在 48 小时内完成数据采集、模型调优及真机部署。冠军团队 TARS(平均年龄 25 岁)选择从零手搓新数据并夺冠;华中科技大学 EVA 队通过递归自我改进方案获二等奖;天津大学 SST 队利用倒放视频标注技术获二等奖。比赛揭示了硬件适配与跨任务泛化的工程挑战,蚂蚁灵波现场发布开发者生态计划以支持模型落地。

  2. arXiv · 机器人与计算机视觉72

    先表示后加权:冻结 3D 基础模型融合中的语义保留研究

    本文研究了冻结多源 3D 语义融合中直接取 Top-1 标签导致信息丢失的问题,提出通过保留 Top-k 候选来改善性能。在 ScanNet200 数据集上,Top-20 策略的调和平均 IoU 达到 35.49,优于 Top-1(28.47)和全量保留(34.87)。研究还发现几何池化算子下全量保留表现最佳。该工作为冻结基础模型的融合推理提供了新的信息论视角与实验证据。

  3. arXiv · 机器人与计算机视觉65

    SAM 3 在遥感领域的零样本概念分割评估:文本与视觉提示对比分析

    论文对 Segment Anything Model 3 (SAM 3) 进行了多任务实证评估,涵盖场景分类、目标检测和实例分割,且无需微调。研究发现仅使用文本提示效果较差,加入视觉提示能显著提升准确率;结合两者时效果依任务而异。在通用域开放词汇检测与分割基准上,SAM 3 的纯文本性能优于多个对比模型,但无视觉提示时的准确率仍受限,未来工作需探索参数高效微调方向。

  4. arXiv · 机器人与计算机视觉62

    SEGA:基于频谱能量引导注意力的扩散 Transformer 分辨率外推方法

    针对扩散 Transformer 在生成超训练范围分辨率时性能下降的问题,本文提出 SEGA 方法。该方法无需额外训练,通过在去噪步骤中根据潜变量的空间频率结构动态调整 Rotary Position Embeddings 各组件的注意力缩放比例,从而改善高分辨率合成中的结构一致性与细节保真度。实验表明,SEGA 在多种目标分辨率下均能提升生成质量,优于现有免训练基线。

  5. arXiv · 机器人与计算机视觉43

    SynVA:血管生成与动脉瘤编辑的模块化工具包

    SynVA 是一款结合流匹配方法与学习方法的血管网格及解剖一致动脉瘤合成工具包,仅基于生理原理和统计先验即可生成大规模数据集。该工具发布包含 50,000 个全标注网格样本的数据集,预训练可提升真实数据上的点云分割与形态参数估计效果。代码将在论文被接收后开源。

  6. arXiv · 机器人与计算机视觉78

    LoC-IN:基于神经渲染先验LiDAR地图的相机实时定位

    该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。

    推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。

  7. arXiv · 机器人与计算机视觉59

    AnomalyLMM:面向文本驱动的人体异常搜索的无训练框架

    针对文本查询与细微视觉线索对齐难、长尾分布及大模型微调成本高的问题,提出无需训练的粗到细框架 AnomalyLMM。该方法先利用通用检索模型初排,再通过填空式重排序机制引导多模态模型关注特定区域并生成异常描述,最后计算语义对齐进行重排序。在 PAB 和 UCC 数据集上,Recall@1 分别提升 1.93% 和 1.79%,且具备高度可解释性。代码将公开。

  8. arXiv · 机器人与计算机视觉78

    UNITE:基于共享锚点一比特分解的具身 VLM 专家整合框架

    论文提出 UNITE 框架,通过共享锚点一比特分解技术将多个具身视觉语言模型(VLM)专家整合为紧凑的混合专家模型。该方法在保持各专家前馈块路由能力的同时,仅用不到 0.6M 参数完成微调,显著降低存储占用。实验显示该模型在导航与三维场景理解基准上优于单一专家及多种静态合并方法,且相对于未压缩 MoE 几乎无损。

    推荐理由:提出 UNITE 框架,通过共享锚点一比特分解将多个具身 VLM 专家整合为紧凑混合专家模型,在保持存储效率的同时提升导航与场景理解能力。

  9. arXiv · 机器人与计算机视觉82

    LogT:利用图像进行逻辑思考以支持视觉搜索

    论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。

    推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。

  10. arXiv · 机器人与计算机视觉74

    Video-as-Experience:通过音视频理解学习电脑操作

    现有方法多将视频转为截图轨迹,未直接利用丰富信息。本文提出 VEX 框架,基于 watch-act-rewatch 范式从教程视频中提取指导并自我验证。实例化模型 video-SALMONN-VEX 在 OSWorld 上任务成功率相对提升 22%,其生成的指导使 Gemini-3.5-flash 性能相对提升 10%。

  11. arXiv · 机器人与计算机视觉48

    ECOD:经验校准的在线策略蒸馏提升多轮智能体长程任务成功率

    ECOD 通过在校准教师与学生在匹配条件下的成功概率后验,将监督分配至任务、轨迹及回合层级,仅对失败学生轨迹施加直接监督。该方法在 ALFWorld 和 WebShop 基准上,配合 Qwen2.5-1.5B-Instruct 与 Qwen2.5-7B-Instruct 模型,使未见任务成功率相对提升最高达 4.06%,平均配对相对增益分别为 6.20% 和 7.05%。

  12. arXiv · 机器人与计算机视觉58

    平衡双权重分解用于高效多模态大语言模型

    针对权重分解方法因矩阵替换引入开销导致延迟降低困难的挑战,本文提出平衡双权重分解(BTWF)方法。该方法在共享基元设置下利用孪生层结构减少推理时间,并通过因子分量平衡与块贡献平衡优化性能。实验表明,BTWF 在六个模型九个基准测试中相比最先进方法提升 2-6%,无需昂贵的微调即可实现效率与性能的平衡。

  13. arXiv · 机器人与计算机视觉83

    Polygraph:基于位姿图的大规模多会话轨迹优化方法

    论文提出了 Polygraph 系统,解决机器人和车辆多次穿越同一环境时的轨迹全局一致性问题。该方法在线处理会话,按关键帧和空间聚类逐步优化,不构建 3D 地图。

    推荐理由:Polygraph 提出在线多会话轨迹优化方案,无需构建 3D 地图即可实现跨设备、跨场景的位姿图融合。

  14. 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%。