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 4 页

11月13日周五第 61–80 条
  1. arXiv · 机器人与计算机视觉78

    DuoJEPA:未对齐自监督嵌入空间间的跨模态翻译方法

    该论文提出 DuoJEPA 框架,通过在每个模态编码器后附加变换层实现跨模态翻译,而无需直接比较两个嵌入空间的损失函数。实验表明,在 CheXpert Plus 数据集上该方法实现了 86.6 的零样本 AUC 和 78.5 的检索分数;在 Sentinel-2 与 Sentinel-1 遥感影像对上,冻结编码器下的跨模态检索成功率介于 77% 至 79%。

    推荐理由:提出无需直接对齐嵌入空间的跨模态翻译架构,在医学影像与遥感数据上验证了零样本检索性能。

  2. arXiv · 机器人与计算机视觉82

    Open Vision Banana:一种用于生成式视觉感知的完全开放配方

    论文提出了 Open Vision Banana (OVB),这是一种将预训练图像生成器转化为统一多任务感知系统的完全开放且可复现的配方。研究分析了颜色编码、提示设计等关键设计选择对泛化性的影响,并指出这些选择存在交互效应。

    推荐理由:作者提出完全开放的生成式视觉感知配方,公开数据集处理与训练代码,复现并超越了闭源基座模型的性能。

  3. arXiv · 机器人与计算机视觉82

    TraceKV:一种用于推理视觉语言模型的策略保持低秩 KV Cache 压缩方法

    针对大上下文和长推理痕迹带来的 KV Cache 需求,现有低秩压缩方法易导致预测策略漂移。本文提出 TraceKV,通过统一在策校准、敏感性感知 SVD 及全局秩分配,显著降低推理过程中的策略 KL 发散。

    推荐理由:提出 TraceKV 框架,在无需微调下实现 KV Cache 压缩与策略保留,兼顾推理精度与显存效率。

  4. arXiv · 机器人与计算机视觉78

    ReTime-Compose:让驱动世界模型移动场景而非仅移动相机

    Yuqiao Feng 和 Xiaoyu Ao 在 arXiv 上发布研究论文,指出当前广泛使用的控制指标仅检查相机是否跟随指令,而忽略了场景响应不足的问题。作者发现现有模型生成的场景变化最多仅为真实视频的三分之一,且无法区分执行与忽略的速度指令。

    推荐理由:作者指出主流驱动世界模型仅移动相机而未同步场景,提出无需训练的 ReTime-Compose 方法以几何方式注入计划。

  5. arXiv · 机器人与计算机视觉78

    EM-ViT:通过视差细化与机器人自运动在线适配单目深度估计

    针对单目深度估计(MDE)基础模型在新场景泛化性不足的问题,本文提出 EM-ViT 方法。该方法受立体相机参数化启发,将深度预测分解为密集视差细化以恢复相对结构,以及有效基线标量预测以确定度量尺度。

    推荐理由:提出 EM-ViT 模型,利用稀疏 LiDAR 和机器人自运动在线适配单目深度估计,在 KITTI 等数据集上验证了优于现有基础模型的泛化能力。

  6. arXiv · 机器人与计算机视觉78

    基于熵的视图选择存在盲区:对 VLM 测试时适应的审计

    该论文审计了视觉语言模型在测试时适应中的视图选择机制,发现依赖预测熵的方法无法有效识别正确视图,仅能恢复约五分之一由理想方法获得的准确率。研究提出利用裁剪保留比例作为新信号,在 15 个基准数据集中优于现有最强评分函数。该工作已获 NeurIPS 2026 研讨会接收。

    推荐理由:研究发现熵值无法区分正确与错误视图,利用裁剪保留比例作为新信号可显著提升测试时适应的准确率。

11月11日周三
  1. arXiv · 机器人与计算机视觉78

    RANSAC Scoring Done Right:一种消除尺度依赖的 RANSAC 评分新方法

    论文提出了一种改进的 RANSAC 评分方法,通过边际化尺度参数而非固定阈值来区分内点与外点,从而消除了对噪声水平估计的依赖。该方法仅需一个超参数(均匀分布的外点半宽),且可通过单次排序和线性扫描最大化得分。该工作为 NeurIPS 2026 录用论文,适用于需要适应不同标注程度数据集的场景。

    推荐理由:提出了一种新的 RANSAC 评分方法,通过边际化尺度参数消除了对阈值和噪声水平的依赖,仅需一个超参数即可适应不同标注程度的数据集。

  2. arXiv · 机器人与计算机视觉83

    MC^2:用于快速椭圆偏微分方程求解的蒙特卡洛校正方法

    论文提出 MC^2,一种结合神经网络与蒙特卡洛方法的混合求解器,通过单次前向传播对低预算蒙特卡洛解进行结构化校正以恢复高保真解。该方法在匹配精度的情况下比传统 Walk-on-Spheres 快约 218 倍,推理时间较最先进扩散方法减少约 171 倍且精度更高。

    推荐理由:提出 MC^2 混合求解器,在保持精度的同时将椭圆偏微分方程求解速度提升约 218 倍,并开源 PDEZoo 基准。

  3. arXiv · 机器人与计算机视觉78

    Stylus:基于扩散流形测地线导航的无训练面部风格化方法

    arXiv 论文介绍 Stylus,一种无需额外训练的面部风格化框架。该方法将风格迁移视为在预训练扩散模型潜在流形上的测地线导航,通过降低离散测地能量实现内容 - 风格的平滑融合与空间自适应风格注入。实验表明,Stylus 在保持身份和内容的同时实现了较强的风格化强度。

    推荐理由:提出无需训练的框架,将面部风格迁移建模为扩散模型潜在流形上的测地线导航。

  4. arXiv · 机器人与计算机视觉83

    EVAThink:基于证据充分性引导的视频理解自适应思考训练

    针对视频理解中采样帧是否提供足够证据的问题,作者提出了 EVAThink 框架以增强模型的自适应思考能力。该方法首先通过可恢复的证据差距挖掘构建稠密与稀疏视图对,筛选出稀疏视图需显式推理的样本进行监督;随后利用证据引导的两阶段强化学习优化回答模式偏好并提升首 token 效率。

    推荐理由:提出证据充分性引导训练方法,仅需少量样本即可提升视频理解模型在固定帧数下的回答模式选择与推理效率。

  5. arXiv · 机器人与计算机视觉78

    DroneSegEdit:通过语言接地验证适配预训练生成编辑器用于无人机分割

    论文针对预训练图像生成器在语言引导的无人机(UAV)分割中存在的‘渲染与表达目标选择’不匹配问题,提出 DroneSegEdit 框架。该方法结合 RGB 提议渲染与语言接地的提议约束验证机制,利用冻结的多模态大模型骨干网络读取分层状态以推导空间证据,从而在不引入前景外区域的情况下选择支持的主体。

    推荐理由:该工作提出 DroneSegEdit,利用语言接地验证解决无人机分割中的实例匹配问题,在 RIS-LAD 数据集上刷新 SOTA。

  6. arXiv · 机器人与计算机视觉78

    通过语义代理实现仅文本的遥感场景分类研究

    本文提出 SeProRS 框架,将传统的视觉中心遥感场景分类重构为仅基于文本的任务:利用视觉语言模型生成图像对应的‘语义代理’文本描述,再经文本嵌入模型进行分类。研究在三个主流数据集上验证了该方法能保留显著判别信息,同时揭示了纯文本理解的局限性。论文建立了可复现的基准并分析了提示策略与生成器的影响,旨在探索高效模态缩减的理解方向,而非替代现有图像方法。

    推荐理由:提出仅用文本语义代理进行遥感场景分类的新范式,建立统一基准并量化纯文本理解的可行性边界。

  7. arXiv · 机器人与计算机视觉78

    FastWild-GS:通过紧凑的单图外观适应实现分钟级野外高斯泼溅

    论文 FastWild-GS 针对互联网照片曝光、光照及瞬态物体差异导致单套高斯颜色无法解释所有图像的问题,提出利用 128 维 Photo Appearance Token 和每通道变换参数描述每张图像。

    推荐理由:提出 FastWild-GS,利用 Photo Appearance Token 将野外场景高斯泼溅训练时间从小时级缩短至分钟级。

  8. arXiv · 机器人与计算机视觉78

    通过几何 Token 编码实现文生图连续角度控制

    该文针对文生图扩散模型无法精确控制时钟显示时间或圆形物体特定比例的问题,提出了一种基于几何 Token 编码的框架。该方法将角度参数化为周期性正弦余弦特征并注入提示词,引入随机定位松弛(SLR)技术以在无需推理端定位输入的情况下实现空间对齐,同时针对时钟任务设计了防手位互换的目标函数。实验显示,该方法在时钟生成任务上6度内准确率提升至63-78%,圆形物体分割准确率达89.5%,显著优于基线模型。

    推荐理由:提出几何 Token 编码与随机定位松弛方法,将文本生成时钟的时针分针角度控制准确率从不足1%提升至63-78%,并验证了在圆形物体分割任务上的泛化能力。

11月10日周二
  1. arXiv · 机器人与计算机视觉82

    3D 点溅射用于毫米波雷达新视角合成

    论文提出了首个针对毫米波雷达的新视角合成(NVS)可微分点溅射渲染器 3DPS。该方法直接源于雷达方程的标准立体角形式,为每个定向 3D 点构建基于 ITU-R P.2040 介电常数和板层反射的材料模型,并通过预计算的点扩散函数将复数相量溅射到距离单元中。

    推荐理由:提出首个基于点溅射的毫米波雷达新视角合成渲染器,在保持复数域物理保真度的同时大幅缩短训练时间。

  2. arXiv · 机器人与计算机视觉85

    LAION-BVD:一个包含 1350 万小时的开源多模态视频数据集

    论文发布了 LAION-BVD(LAION - Big Video Dataset),这是一个从 CommonCrawl 收集并下载了 8000 万个视频、总时长达 1350 万小时的大规模开放视频数据集。

    推荐理由:该数据集提供 1350 万小时视频及合成音视频字幕,为多模态预训练提供了大规模开放资源。

  3. arXiv · 机器人与计算机视觉78

    FogDrive:一种用于分级雾况下感知任务的多模态合成驾驶数据集

    论文提出 FogDrive 数据集,基于 CARLA 生成约 660 个场景(共 13.3 万帧),每个场景包含清晰参考及三种校准后的雾密度版本。数据涵盖相机、深度、语义分割、LiDAR、语义 LiDAR 和雷达等多模态传感器响应。

    推荐理由:该数据集提供分级雾况下的多模态仿真场景,支持在已知能见度下训练感知模型并验证去雾策略的有效性。

  4. arXiv · 机器人与计算机视觉82

    MineXplore:面向无 GPS 地下环境的强化学习探索开源基准

    论文提出了 MineXplore,这是一个基于 MuJoCo 的开源导航基准,数据源自智利铜矿实地测绘。环境重构了 104,423 平方米的隧道网络,包含八边形截面、LiDAR 来源的锯齿状几何、三种地形摩擦区及周期性照明。

    推荐理由:该基准提供基于真实矿场几何的地下导航环境,支持 GPU 加速学习流程,并验证了策略在 GNSS 拒止条件下的稳定性。