跳到正文

技术方向

数据与合成数据 最新动态

真实和遥操作数据、数据集开放、合成数据及训练工具;区分下载开放与再使用授权。

482 条精选近 30 天 361 条共收录 3,060 条

更新

精选归档 · 第 10 页

11月3日周二第 181–200 条
  1. 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。

  2. arXiv · 机器人与计算机视觉82

    Probe-Guided Gradient Balancing for Multimodal Learning

    针对联合训练的多模态网络常因强模态主导而忽视弱模态的问题,本文提出 Probe-Guided Gradient Boosting (PGGB) 方法。该方法为各模态附加轻量级线性分类器以独立估计表征质量,利用由此产生的利用率差距信号,在保持强模态强度的同时自适应增强弱模态梯度。实验表明 PGGB 在高度不平衡的多模态数据集上优于最先进方法,且代码已开源。

    推荐理由:提出 Probe-Guided Gradient Boosting 方法,通过独立评估模态表征质量来自适应增强弱势模态梯度,解决多模态网络中强模态主导问题。

  3. arXiv · 机器人与计算机视觉78

    PixelBench:LLM 能否逐像素理解并生成图像?

    该研究报告了 PixelBench 基准,评估大语言模型在无专用图像解码器的情况下直接通过词汇表生成 RGB 像素的能力。研究发现强模型在文本到像素任务中能直接生成可识别图像,且像素理解能力与生成性能高度相关。作者还提出了像素重建微调(PRT)方法,通过混合指令数据提升模型在视觉基准上的表现,表明显式像素重建可作为有效的辅助监督信号。

    推荐理由:该报告提出 PixelBench 基准与 PRT 微调方法,证明大模型无需专用解码器即可直接生成像素图像。

  4. 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。

  5. 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。

  6. arXiv · 机器人与计算机视觉82

    对象检索并非无上下文:一种用于检测背景去除的反事实诊断方法

    本文针对对象中心检索管线中‘掩码背景后特征即代表物体’的假设提出质疑。作者引入 Keyhole Aperture Probe (KAP) 这一反事实诊断工具,利用现有泛分割数据集的真实掩码固定目标区域并仅变化外部像素,量化骨干网络的上下文依赖度。

    推荐理由:提出反事实诊断方法 KAP,揭示对象描述符仍依赖背景,并开源轻量适配器以在移除上下文时保持稳定性。

  7. 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。

  8. arXiv · 机器人与计算机视觉83

    Z-Cache:通过自反思加速扩散 Transformer

    针对扩散 Transformer 计算成本高且特征缓存会损害生成质量的问题,论文提出 Z-Cache 方法。该方法观察到全步计算后误差锐减的规律,设计为先预测未来缓存步骤的特征并执行全步计算,再基于前后计算结果回退修正预测,从而在维持高质量生成的同时实现加速(如 FLUX-dev 文生图任务达 6.22X)。代码已开源。

    推荐理由:提出 Z-Cache 方法,通过自反思机制修正特征缓存误差,在保持生成质量的同时显著加速扩散模型推理。

  9. 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。

  10. arXiv · 机器人与计算机视觉78

    Vocabulary Aligned Explanations for Computer Vision Models

    该论文提出了 FLUENT(Framework for Localized, Uncertainty-Aware Explanations in Normative Terminology)框架,旨在通过领域特定概念、视觉证据和专家知识来解释计算机视觉模型的图像分类结果。

    推荐理由:提出 FLUENT 框架,将领域规则与模型预测结合生成可解释的视觉证据。

  11. arXiv · 机器人与计算机视觉78

    旧数据非谬:用于交互式视频世界模型的有效时间记忆

    该研究针对交互式视频世界模型在撤销动作后无法正确读取当前状态的问题,提出了一种名为 ReDate 的方法。该方法利用智能体行动日志中的有效时间戳对检索到的帧进行标记,使冻结的生成器能区分新旧视图而无需重新训练。

    推荐理由:提出基于有效时间戳的 ReDate 方法,无需训练即可解决交互式视频世界模型在撤销操作后的状态读取错误问题。

  12. arXiv · 机器人与计算机视觉78

    Learning from an Imitable Teacher: Competition Solution for the MetaFine Challenge

    该论文介绍了 Team Friday 在 MetaFine Open Competition(CoRL 2026)中的二名解决方案。团队未微调大模型,而是为每个任务训练了独立的 19M 参数策略与指令分类器,数据由模拟器中的特权脚本化教师生成。

    推荐理由:报告提出通过设计可模仿的虚拟教师来纠正学生策略,在 MetaFine 挑战赛中实现分数翻倍。

  13. arXiv · 机器人与计算机视觉78

    行为图:用于解读机器人部署数据的无监督图结构

    针对机器人部署产生海量高维数据难以分析的痛点,本文提出行为图方法,通过识别相似行为模式、连接时序并关联结果,将策略 rollout 压缩为可解释的有向图。用户研究显示该方法比视频更易分析且能预测任务进度。

    推荐理由:提出行为图方法压缩机器人部署数据,用户测试显示其比视频更易分析且能预测任务进度。

  14. arXiv · 机器人与计算机视觉78

    生成的平面图止步何处:基于构建基准的校准样本级检查

    针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。

    推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。

  15. arXiv · 机器人与计算机视觉78

    CausalPrune:面向高效大视觉语言模型的 Counterfactual Causal Token Pruning

    针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。

    推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。

  16. arXiv · 机器人与计算机视觉85

    Covariance-aware Scoring:一种面向视觉语言模型测试时适应的几何修正方法

    论文提出 CARe 方法,通过引入由目标特征二阶矩诱导的马氏距离几何来替代传统的余弦相似度评分,解决各向异性特征分布下高方差方向主导评分的问题。理论证明在共享协方差的 Gaussian 模型下,该方法与贝叶斯最优线性判别一致,且在特征各向异性显著时增益最大。实验显示 CARe 在标准及细粒度分布偏移基准上均优于基线余弦评分,且效果随特征各向异性增强而提升。

    推荐理由:针对测试时适应中各向异性特征分布的局限,提出基于协方差的几何修正方法 CARe 以替代余弦相似度评分。

11月2日周一
  1. arXiv · 机器人与计算机视觉82

    Gaussian Splatting-based Volumetric Video Compression with Sparse 4D Anchors

    论文提出 SAGA 方法,利用稀疏锚点辅助高斯泼溅表示实现动态场景的体素视频压缩。该方法采用分层稀疏锚点构建时空骨架,通过核插值生成精细特征并共享参数,结合正交性感知槽位更新策略捕捉长程依赖以优化熵编码。在 Neu3D 测试集上,相比 GIFStream、TED-4DGS 和 OMG4,其基于 PSNR 的 BD-rate 分别降低了 90.88%、64.30% 和 65.14%。

    推荐理由:提出基于稀疏锚点的体素视频压缩新架构,在 Neu3D 数据集上显著降低比特率。

  2. arXiv · 机器人与计算机视觉83

    Adaptive-WAM:一种基于视频扩散中间特征的自适应早退规划方法

    论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。

    推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。

  3. arXiv · 机器人与计算机视觉82

    AdaGS:面向无位姿稀疏视角 3D 高斯重建的置信度门控扩散适应方法

    针对稀疏视角户外场景下高斯泼溅(Gaussian splatting)重建的挑战,本文提出 AdaGS 框架以解决扩散引导重建中易将伪影误判为真实结构的缺陷。该方法引入感知伪影的双阶段适配器,在扩散修复前抑制漂浮物视觉线索;采用双向置信度融合机制,仅当生成区域获得跨视角几何证据支持时才接受其结果;同时利用高斯稳定化策略衰减多视图不一致的高斯分布,防止后续优化中反复触发幻觉。

    推荐理由:针对稀疏视角无位姿重建中扩散模型易产生幻觉的问题,提出基于置信度门控的自适应框架以抑制伪影并提升渲染保真度。