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 12 页

10月30日周五第 221–240 条
  1. arXiv · 机器人与计算机视觉76

    SIFR:面向域泛化的语义分割光谱不变融合与细化方法

    针对域泛化语义分割任务中难以兼顾抑制域敏感干扰与保留细粒度空间线索的挑战,本文提出 SIFR 框架。该方法利用频域建模统一调节异构先验交互与密集解码器细化,通过光谱引导的不变融合过滤域敏感响应并保留互补信息,同时引入基于低频统计归一化的解码器细化模块以稳定多尺度特征。在合成到真实、真实到真实及恶劣天气等多个基准上的实验表明,SIFR 显著优于现有最先进方法。

    推荐理由:提出基于频域的双流框架 SIFR,在无需目标域数据条件下提升语义分割的泛化性与精度。

  2. arXiv · 机器人与计算机视觉82

    What Survives Label Downsampling? Exact Region Survival for Coarse Segmentation Targets

    Zhiyuan Zhang 等人提出了 MatchDown 方法,用于替代传统步长采样、最近邻重采样或多数投票的标签下采样步骤。该方法通过区域与网格单元的最小成本匹配构建粗粒度目标,确保保留尽可能多的区域并证明不可避损的下界。

    推荐理由:提出 MatchDown 方法,通过最小成本匹配构建粗粒度分割目标,在 COCO 等数据集上显著减少区域丢失并提升实例计数精度。

  3. arXiv · 机器人与计算机视觉82

    GROME:将因子化记忆引入视频世界模型

    针对视频世界模型在长视界一致性上的挑战,本文提出了 GROME 框架。该框架通过静态 - 动态因子化解耦历史证据、局部记忆检索消除几何漂移以及无需训练的内存注入机制,在不修改冻结主干网络的前提下显著提升了场景持久性与动态实体保真度。实验表明,GROME 能兼容外部观测作为即插即用记忆,支持灵活的视频续写与场景探索。

    推荐理由:提出无需额外训练的因子化记忆框架,解决视频世界模型在长视界场景下的几何漂移与动态实体保真度问题。

  4. arXiv · 机器人与计算机视觉85

    WorldFlow:通过大规模预训练实现视频与 3D 运动联合预测

    针对现有视频世界模型隐含 3D 动力学、动作表述绑定特定机器人配置以及 3D 运动预测仅使用流监督信号等局限,该工作提出 WorldFlow,这是一个生成式世界模型,能够联合预测未来视频和基于查询的 3D 轨迹。

    推荐理由:该工作提出统一架构联合预测视频与三维轨迹,在仿真及真实数据上均取得最佳位移误差。

  5. Hugging Face Daily Papers78

    EditAgent:重新思考代理式图像编辑

    针对现有代理式图像编辑器在步骤失败时重试工具单一、人工评分不可靠的问题,本文提出 EditAgent 框架。该框架将每个步骤路由至通用编辑器与专用方法,并为候选结果附加验证记录,利用现成视觉语言模型(VLM)进行列表级并行评测。实验显示,该方法在专家标注基准上显著优于微调奖励模型,且能以不超过一半的调用次数完成决策。

    推荐理由:该文提出 EditAgent,通过路由策略与验证记录解决通用编辑器失败率高及评测不可靠问题。

  6. 量子位78

    PSI自研AI科研系统Emmy解决5道量子难题并开源代码

    刚成立不久的物理超级智能(PSI)公司宣布,其自研AI科研系统Emmy在量子信息理论的5个开放问题上取得进展,其中3题为本世纪初收录的难题。论文、Lean形式化证明及验证代码已上传至GitHub供学人审查。该系统采用“生成 - 验证”分离架构,利用大模型拆解假设并通过Lean编译器进行严格数学逻辑筛查,旨在实现科学发现的规模化生产。

    推荐理由:PSI公司宣布其自研AI科研系统Emmy在量子信息领域取得突破,并公开了Lean形式化证明与验证代码供审查。

10月29日周四
  1. Autoware · Releases82

    Autoware 2.0 发布:引入扩散规划器与生成 - 选择架构

    Autoware 2.0 正式发布,在原有规则基线栈旁新增 AI 规划器选项,采用生成 - 选择架构让用户通过 launch 参数选择 Diffusion Planner。基础模型与数据集已迁移至 Hugging Face,并引入 Autoware Index 管理外部仓库及 Autoware Reference Design 提供可复现的部署配置。

    推荐理由:Autoware 2.0 新增扩散规划器与生成 - 选择架构,并将基础模型迁移至 Hugging Face。

10月28日周三
  1. arXiv · 机器人与计算机视觉78

    Token-to-Token Alignment of Text Embeddings for Semantic Blending

    针对生成式模型中提示词序列缺乏一致结构导致图像平滑过渡困难的问题,论文提出 Token-to-Token Alignment 框架。该方法包含两个阶段:首先将不同提示词重述为共享的结构化形式以建立语义对应关系,其次基于语义相似性对齐 token 嵌入表示。

    推荐理由:提出 Token-to-Token Alignment 框架,通过结构化重述与嵌入对齐解决提示词语义错位问题。

  2. arXiv · 机器人与计算机视觉82

    AmaraSpatial-10K:面向空间计算与具身智能的时空对齐 3D 数据集

    AmaraSpatial-10K 是一个包含 10,071 个合成 3D 资产的数据集,所有资产均经过标准化处理以支持直接摄入。每个资产提供符合物理尺度的.glb 文件、分离的 PBR 贴图、凸碰撞包络、配对参考图像及多句文本元数据。

    推荐理由:该数据集提供标准化 3D 资产与独立评测套件,显著改善检索召回率并提升仿真稳定性。

  3. arXiv · 机器人与计算机视觉78

    GTASA:用于视频模型时空分析、评估与训练的真值标注数据集发布

    论文提出 GEST-Engine 开源系统,可确定性执行事件图并渲染同步多角色场景视频,同时记录包括三维实体状态、相机状态、成对空间关系及实例分割在内的完整真值。

    推荐理由:该工作利用游戏引擎生成带完整时空真值标注的视频数据集,填补了视频模型在实体间关系理解上的空白。

  4. arXiv · 机器人与计算机视觉78

    Ctrl-A:一种基于控制理论的自适应在线数据增强机器学习方法

    本文介绍 Ctrl-A(ControlAugment),一种用于图像视觉任务的自动化数据增强算法。该方法引入控制理论原则,在模型训练过程中根据操作响应曲线动态、独立地调整增强强度分布,从而消除对个体增强强度的初始化需求,并减少使用损害模型性能的增强操作。

    推荐理由:提出基于控制理论的自适应在线数据增强算法,通过闭环机制动态调整增强强度以消除手动工程需求。

  5. arXiv · 机器人与计算机视觉82

    DEIMv2:融合 DINOv3 特征的实时目标检测模型

    该研究提出了 DEIMv2 系列目标检测模型,通过结合 DINOv3 特征与空间调优适配器(STA),在涵盖从 X 到 Atto 的八种模型规模上实现了性能与成本的优化。其中最大模型仅用 5030 万参数即达到 57.8 AP,而 S 版本成为首个参数量低于 1000 万且超越 50 AP 里程碑的模型。

    推荐理由:该工作将 DINOv3 特征引入检测框架,在保持参数高效的同时实现了性能突破。

  6. arXiv · 机器人与计算机视觉82

    V-LUMEN:面向视觉语言模型的视觉查找记忆

    论文提出 V-LUMEN,一种用于视觉语言模型(VLM)的视觉查找记忆机制。该方法利用冻结码本将连续视觉特征离散化,通过空间聚合哈希构建感知空间的记忆键,并利用文本条件的相关性信号进行调制;所有寻址均为非参数化操作,检索到的嵌入向量通过门控残差路径融合到骨干网络中。

    推荐理由:V-LUMEN 通过冻结码本将连续视觉特征离散化,在保持计算量恒定的前提下为 VLM 提供可扩展的外部记忆容量。

  7. arXiv · 机器人与计算机视觉82

    OmniBrain-0:一种用于具身智能的统一代理模型

    论文介绍 OmniBrain-0,这是一个轻量级统一具身代理模型,旨在协调操作与导航任务。该模型采用共享高层决策架构,结合任务理解、规划及反馈驱动恢复机制。研究提出渐进式训练框架,整合具身预训练、领域专用代理蒸馏及多教师在线策略蒸馏(MOPD),并将 Rubric-Guided Recursive Self-Improvement 数据飞轮引入以持续优化专家模型。

    推荐理由:报告提出 OmniBrain-0 统一代理架构,通过渐进式训练与递归自我改进机制整合多模态能力。

  8. arXiv · 机器人与计算机视觉78

    固定世界模型下的干预共形不确定性校准方法

    该研究解决部署策略变更使世界模型不确定性失效的问题,在保持物理转移机制和预测器不变的前提下,通过估计状态占据与动作倾向比率实现加权共形校准。实验基于开源 DINO 特征世界模型与 Franka 机械臂轨迹,在强控状态下行动态覆盖率从普通方法的 55.0% 提升至 91.0%,且学习到的代理分布与目标律的总变差距离小于 0.9%。

    推荐理由:针对部署策略变更导致的世界模型不确定性失效问题,提出基于加权共形校准的方法以适配目标分布。

  9. arXiv · 机器人与计算机视觉83

    离散 Token 能否无损表征视觉信号?——基于因子化向量量化的多模态模型研究

    该论文挑战了‘离散视觉 Token 必然导致语义损失’的假设,提出因子化向量量化方法以缓解代码本饱和问题。在工业级多模态数据上训练的模型,在多指标平均性能上超越 UniAR 和 Emu3-Chat,并在细粒度 OCR 任务上与 Qwen3-VL 等连续表示模型竞争。材料提供了关键原则与实践配方,支持离散视觉表征作为大规模原生多模态基础模型的潜力。代码与模型已开源。

    推荐理由:提出因子化向量量化方法,在离散表示下实现与连续表示相当的多模态理解性能。

  10. arXiv · 机器人与计算机视觉82

    Zooming without Zooming v2:从细节观察到证据连接的通用多模态感知研究

    该论文提出 EvidenceConnect 数据合成框架,通过利用单张图像内相关区域的局部放大视图生成需要比较、聚合或链式推理的视觉问题,并保留独立 VLM 一致的答案及通过区域消融测试的问题。基于此数据训练的 ZwZ2 模型在细粒度感知、空间感知、具身空间推理、多模态长上下文理解及通用视觉推理等任务上均取得提升。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源仓库链接。

    推荐理由:提出 EvidenceConnect 框架,利用单图局部放大视图合成数据以训练连接证据能力,提升多模态感知与空间推理。

  11. arXiv · 机器人与计算机视觉82

    基于下一 token 想象的视觉自回归生成方法

    针对视觉自回归生成受限于训练数据分布的问题,本文提出 Next Token Imagination(NTI)方法,允许模型在满足特定约束条件下探索未见过的合理视觉实现。实验表明该方法能显著提升生成图像保真度,接近最先进扩散和自回归模型效果,同时具备更小模型规模和更低训练成本。

    推荐理由:提出 Next Token Imagination 方法,在 ImageNet 上以较小模型和更低成本实现生成图像保真度提升。

  12. arXiv · 机器人与计算机视觉82

    RynnWorld-Latent:一种基于通用潜在动作的跨具身世界模型

    论文提出了 RynnWorld-Latent,这是一个利用 3D-grounded latent actions 作为共享条件接口的跨具身视频世界模型。该模型在预训练阶段联合使用了人类交互视频、机器人演示和仿真 rollout,无需统一的原生动作空间。

    推荐理由:该工作提出基于通用潜在动作的跨具身世界模型,支持在人类视频与机器人演示上联合预训练,并验证了其在真实机器人上的策略成功率提升。

  13. arXiv · 机器人与计算机视觉82

    WithinVAE:一种无需预训练编码器的紧凑视觉自动编码器

    该论文提出了 WithinVAE,这是一种紧凑的变分视觉自动编码器,通过序列瓶颈、基于指数移动平均副本的 DINO/iBOT 风格自蒸馏以及位置相关令牌掩码实现四倍压缩比。

    推荐理由:提出无需预训练编码器即可在自蒸馏中习得语义结构的紧凑变分自动编码器,实现四倍压缩比并提升重建指标。