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 18 页

10月20日周二第 341–360 条
  1. arXiv · 机器人与计算机视觉82

    Visual Text Compression as Measure Transport:基于测度传输的视觉文本压缩方法

    论文将视觉文本压缩(VTC)建模为测度传输问题,提出无需下游标签的路由准则与聚焦重编码机制,在 Qwen3-4B 上显著降低 token 消耗并提升任务得分。材料仅给出 arXiv 预印本链接,未报告真实机器人部署结果或同行评审状态。

    推荐理由:该文将视觉文本压缩建模为测度传输问题,提出无需下游标签的路由准则与聚焦重编码机制,在 Qwen3-4B 上显著降低 token 消耗并提升任务得分。

  2. arXiv · 机器人与计算机视觉82

    OccSim:首个无需 HD 地图与日志布局的千米级长视界占用世界模型仿真器

    该论文提出 OccSim,这是首个不依赖预记录驾驶日志或 HD 地图等空间先验的 3D 占用世界模型驱动仿真器。系统仅需初始帧和自车动作序列即可稳定生成超过 3000 个连续帧(较此前最先进方法提升 80 倍),并融合成跨度超 9 公里的地图,定性测试甚至可滚动至 11 万帧以上。

    推荐理由:该工作提出首个无需 HD 地图或日志布局的 3D 占用世界模型仿真器,生成长度提升 80 倍并支持超千米范围合成数据。

  3. arXiv · 机器人与计算机视觉82

    TestDG:面向持续测试时适应的测试时域泛化方法

    该论文研究了持续测试时适应(CTTA)任务,即模型在测试阶段不断适应未见过的新域同时保留先前知识。现有方法多仅关注当前域而忽视对未来域的泛化能力。为此,作者提出了 TestDG 框架,旨在测试过程中在线学习对当前及历史测试域均不变的特征,并提出新的模型架构、适应策略以及原型选择更新机制以管理历史信息。

    推荐理由:提出 TestDG 框架,在测试时学习域不变特征以应对未来未知领域,在三个公开基准上达到最先进水平。

  4. arXiv · 机器人与计算机视觉78

    DS-Net:一种用于端云协同推理的动态分割网络

    针对现有端云协同方法在多分割点切换时存储开销大、延迟高的问题,本文提出了 DS-Net 动态分割网络。该方法设计了动态切换框架以支持单模型内的灵活分割点选择,并引入分层补偿机制来缓解特征分布偏移与信息丢失。

    推荐理由:提出动态分割网络架构,在降低存储开销的同时实现毫秒级切换与精度提升。

  5. arXiv · 机器人与计算机视觉78

    CALIPER:基于可验证奖励的空间推理自适应信用分配方法

    针对图像空间推理训练中瓶颈阶段动态变化的难题,论文提出 CALIPER 自适应过程奖励框架及 SpatialTrace 轨迹语料库。该方法通过组内岭回归估计各阶段参考覆盖率与答案正确性的关联,利用其作为效用代理逐步更新奖励权重;同时引入闭环机制监控估计器可靠性以指导回滚、多样化 rollout 及早停。

    推荐理由:提出 CALIPER 自适应过程奖励框架,利用 SpatialTrace 解决图像空间推理训练瓶颈动态变化问题。

  6. arXiv · 机器人与计算机视觉82

    One Fact, Many Places:长文档中的冗余证据破坏单一黄金标准评估

    该研究指出在长视觉文档中,事实常以图表重述或摘要复现等形式多次出现,导致基于单一黄金位置的评估失效。作者标注了 MMLongBench-Doc 和 MMDocRAG 基准中的 420 个问题及其独立证据位置,发现跨模态复制普遍存在且会显著低估检索召回率与引用准确性。研究提供了冗余感知指标与数据,以修正现有评测偏差。

    推荐理由:作者标注了长文档中跨模态冗余证据,揭示单金标准低估召回与引用准确率,并开源相关指标。

  7. arXiv · 机器人与计算机视觉78

    AeroIntent:一种用于无人机任务意图识别的同步多模态基准

    针对现有数据集在评估无人机任务级意图方面的不足,该工作发布了 AeroIntent 仿真基准,包含由 22 条轨迹程序生成的 990 个雷达、RGB、红外和深度观测序列。基于此基准提出的 AeroMIR 推理器在严格的轨迹不重叠协议下,平均准确率达 71.56%,优于最强基线 7.79 个点。该基准与模型为多模态无人机意图识别提供了可复现的基础。

    推荐理由:该工作发布了一个包含多模态序列的无人机任务意图识别基准,并提出了融合雷达轨迹与视觉证据的结构化推理器。

  8. arXiv · 机器人与计算机视觉78

    UniJev:在多模态系统一中分离准确率与校准的决策模型

    该论文介绍 UniJev 框架,通过共享头在文本、图像和视频上进行联合监督训练。研究发现监督决策模型能提升所有模态的准确率,而现有强化学习校准算法对视觉校准效果不一致且改变不大。

    推荐理由:提出 UniJev 框架与 Cora 方法,在联合训练中分离准确率校准并降低图像视频 ECE。

  9. arXiv · 机器人与计算机视觉78

    SpaRV:基于稀疏辐射体的可扩展几何一致 LiDAR-视觉建图与渲染

    论文提出 SpaRV(Sparse Radiance Voxels),一种通过可微射线步进渲染的稀疏辐射体地图方法,旨在解决机器人仿真、导航和检测中对照片级真实且几何准确的地图需求。

    推荐理由:提出 SpaRV 方法,利用稀疏辐射体与可微射线步进实现 LiDAR 与图像联合映射渲染,解决大场景几何一致性与显存限制问题。

  10. arXiv · 机器人与计算机视觉82

    CorrCLIPv2:利用无标签图像进行开放词汇语义分割

    论文提出了名为 CorrCLIPv2 的统一免训练对象中心框架,旨在解决对比语言 - 图像预训练(CLIP)在开放词汇分割任务中受噪声类间补丁交互影响的问题。该方法通过解耦类间交互、利用自监督模型的空间相干特征计算注意力分数以减轻掩码不准确性,并设计细化机制同时增强空间细节与语义表示。

    推荐理由:该工作提出无需训练的 CorrCLIPv2 框架,利用无标签图像构建记忆库并集成多 CLIP 模型,在多个基准上实现开放词汇分割的新最先进水平。

  11. arXiv · 机器人与计算机视觉82

    CorrFlow:一种自修正的流匹配框架

    该论文介绍 CorrFlow,一个通过轻量级修正器复用流匹配中间信息的自修正框架。在直化流插值下,该方法利用基模型预测误差与速度残差的关系,学习预测残差修正并加到采样更新前,无需额外评估基模型。理论分析表明特征复用优于原始输入仿射预测器,且修正训练比继续训练基模型更能降低风险。实验显示在类条件图像生成、文生视频和图生视频中均提升了视觉质量与物理一致性。

    推荐理由:提出 CorrFlow 框架,利用轻量级修正器复用流匹配中间表示以改善生成质量与物理一致性。

  12. arXiv · 机器人与计算机视觉82

    知识分流:一种用于可分解图像生成模型预训练的新范式

    针对大规模预训练模型中可迁移知识与任务特定知识纠缠的问题,本文提出知识分流(KDiv)范式。该方法在预训练前将随机初始化权重分解为秩一的知识单元,并组织成学习基因和尾部模块;通过连续的条件感知路由机制,在预训练过程中将跨条件的共享知识聚合到学习基因,而将条件依赖的变化导向尾部模块。实验表明,该模型在类、文本及图像条件下的生成任务中,能以与低秩适配方法相当的参数预算实现最强的平均下游性能。

    推荐理由:提出知识分流预训练范式,通过结构化权重分解实现生成先验与条件知识的解耦复用。

  13. arXiv · 机器人与计算机视觉78

    CRISP:一种用于低光视频增强的递归框架

    CRISP 是一种用于低光视频增强的递归框架,通过两帧架构利用时序上下文信息,并在训练中采用渐进式光照课程逐步提升亮度与色彩校正难度。该框架可选地融合冻结的 DINOv3 语义特征以辅助结构重建,无需微调基础模型。在 DID 和 BVI-RLV 数据集上的实验表明,CRISP 在多项指标上优于对比方法且保持了计算效率。

    推荐理由:该工作提出利用渐进式光照课程与冻结语义特征提升低光视频增强效果,为相关算法设计提供新参考。

  14. arXiv · 机器人与计算机视觉78

    单步决策分数实现可调节阈值的快速医疗多模态大模型分类

    针对多模态大语言模型(MLLMs)回答二元临床问题时阈值固定且隐式的问题,本文提出一种方法:通过单次前向传播对 yes/no 概率进行重归一化以生成连续决策分数,从而无需重新训练即可根据临床需求调整阈值。

    推荐理由:该方法通过单次前向传播归一化概率,实现无需重训即可调整决策阈值,在多个医学影像数据集上提升了分类性能与推理速度。

  15. arXiv · 机器人与计算机视觉78

    预训练特征作为教师而非状态:用于视觉规划的紧凑潜在世界模型

    论文提出了 Anchor-WM 方法,利用预训练的 DINO 特征作为教师来学习紧凑的潜在状态,而非直接将其作为世界模型的状态空间。该方法通过动作条件化的动力学学习和仅用于蒸馏的训练头,在保留视觉信息的同时避免表示坍塌。

    推荐理由:提出用预训练特征指导学习紧凑潜在状态,在四个环境中实现最佳成功率并显著加速规划。

  16. arXiv · 机器人与计算机视觉76

    自监督投影头捕获物体共现统计规律

    该论文提出自监督学习 pretext task 隐含建模物体共现统计的假设。研究通过三个分割数据集验证发现:视觉骨干网络捕捉物体类别,而投影头专门编码类别间的共现关系,且在对齐人类相似度判断上优于骨干网络。控制预训练期间的共现模式可显著加速类别级表征的涌现。该工作揭示了自监督学习的一个隐藏原则,为设计更有效的 pretext task 提供了新路径。

    推荐理由:研究发现自监督预训练的投影头隐含编码物体共现统计,能加速类别表征涌现并优于骨干网络对齐人类判断。

  17. arXiv · 机器人与计算机视觉78

    ContraSafe-VL:面向视觉语言模型的对比式安全偏好数据集发布

    作者发布了 ContraSafe-VL 数据集,旨在解决视觉语言模型在多模态安全对齐中视觉上下文监督不足的问题。该数据集为固定文本查询构建了对应的成对视觉情境以区分不同安全标签,并提供基于无害性与有用性的响应偏好对。实验表明,使用该数据集训练能提升跨模态安全识别能力并改善安全与过度拒绝之间的权衡,同时保留通用多模态能力。

    推荐理由:该数据集针对多模态安全对齐中视觉上下文监督不足的痛点,通过构建成对视觉情境与响应偏好对,直接指导模型平衡安全性与过度拒绝。

  18. Hugging Face Daily Papers78

    TokenWorth:资源约束下的记忆价值学习方法

    针对终身智能体在生成、交互和内存预算紧张时的失效问题,论文提出 TokenWorth 轻量级在线框架,通过稀疏执行反馈学习查询依赖的记忆价值,并应用于检索与有界管理。实验显示该方法在三类环境及本地/API部署中均取得最高任务成功率且输出 token 最少。代码已开源。

    推荐理由:提出 TokenWorth 框架,在资源受限下学习记忆价值以优化终身适应。

  19. Hugging Face Daily Papers85

    Fréchet Forcing:基于短片段训练长视界流式世界模型

    论文提出 Fréchet Forcing 方法,用于微调世界模型以解决长序列生成中的漂移问题。该方法在无需教师模型或在线评论器的情况下,利用流匹配损失、上下文保真度和现实匹配三个约束,使模型在机器人操作和相机控制探索任务中能在超过 4,000 帧的长序列内保持稳定性并遵循动作指令。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。

    推荐理由:提出无需教师模型的 Fréchet Forcing 方法,通过流匹配与统计约束解决长序列生成漂移问题。