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 5 页

11月10日周二第 81–100 条
  1. arXiv · 机器人与计算机视觉78

    BIAS-ID:分析 AI 生成图像检测器中变换偏见的框架

    针对 AI 生成图像检测器在真实数据上性能下降的问题,本文提出 BIAS-ID 透明化框架用于分析和量化检测器中的变换偏差。研究区分了偏差与鲁棒性缺失,并通过六个检测器和两个数据集的评估发现,部分最先进方法受常见处理相关偏见影响显著。作者提供了易于使用的库和代码以复现结果。

    推荐理由:提出 BIAS-ID 框架以量化检测器中的变换偏差,揭示现有方法受数据处理偏见影响严重。

  2. arXiv · 机器人与计算机视觉78

    基于语义正则化的弱监督分割:神经符号视角下的 SAM 微调与新模型训练

    本文提出一种神经符号方法,将可微模糊逻辑与深度分割模型集成,把弱标注和领域先验统一为连续逻辑约束以微调 Segment Anything Model (SAM)。

    推荐理由:将可微模糊逻辑与 SAM 结合,用弱监督约束生成高质量伪标签并训练无提示分割模型。

  3. arXiv · 机器人与计算机视觉82

    CROWD:一个包含全球城市行车记录仪连续驾驶片段的公开数据集

    作者发布 CROWD 数据集,收录来自 YouTube 的 10.7 万段未编辑城市行车记录仪片段,覆盖 238 个国家和地区、超 3.6 万小时视频。数据排除事故与剪辑内容,仅保留常规驾驶场景,并附带时间、车型及 80 类目标检测与多目标跟踪的预标注 CSV 文件,支持跨域鲁棒性与交互分析研究。

    推荐理由:该数据集提供全球城市行车记录仪片段及预标注目标,支持跨域鲁棒性研究与无视频重分发下的可复现基准分析。

  4. arXiv · 机器人与计算机视觉85

    MolmoB0T:大规模仿真赋能零样本操作

    论文挑战“仿真无法直接迁移至现实”的共识,证明在足够大规模的合成训练数据下,无需真实数据采集或微调即可实现静态与移动操作的零样本泛化。作者开源了 MolmoBot-Engine 生成管线及包含 170 万专家轨迹的 MolmoBot-Data 数据集,并基于此训练了三类策略模型。

    推荐理由:提出仅靠大规模合成数据即可实现零样本现实世界操作,并开源了生成管线与百万级轨迹数据集。

  5. arXiv · 机器人与计算机视觉78

    Logit-Conditioned Diffusion Decoding for Frozen Discrete-Token VLMs

    论文提出 DCDD 框架,旨在解决预训练离散 Token 视觉语言模型(VLM)因 VQ-VAE 解码阶段导致的视觉保真度瓶颈。该方法无需重训基础模型,而是利用模型采样前计算出的 Logit 分布作为条件来驱动扩散解码器。

    推荐理由:该工作提出 DCDD 框架,在不重训预训练离散 Token VLM 的前提下利用采样前 Logit 分布提升生成图像保真度。

  6. arXiv · 机器人与计算机视觉82

    面向多模态大模型重构的推测解码方法

    该论文提出了 Multimodal Speculative Decoding (MSD) 框架,旨在解决多模态大语言模型(MLLMs)自回归解码延迟高的问题。针对文本和视觉 token 特性差异,该方法在草稿模型中解耦了两者处理并应用特定策略,同时采用先强化语言建模再逐步引入视觉感知的两阶段训练方案。

    推荐理由:提出针对多模态大模型的推测解码框架,通过解耦文本与视觉 token 处理及两阶段训练策略,在保持生成质量的同时实现显著推理加速。

  7. arXiv · 机器人与计算机视觉82

    TEA-Prompt:基于单一共享提示词的无回放持续学习方法

    论文提出 TEA-Prompt 方法,旨在解决基于提示词的持续学习中旧知识遗忘问题。该方法通过引入令牌评估模块和注意力行为锚定损失,在不存储旧图像的情况下约束提示词在特定类别查询区域的注意力输出,从而允许参数自由更新同时保持对过去类别的功能。

    推荐理由:提出 TEA-Prompt 方法,通过锚定注意力行为实现无回放持续学习,在 CIFAR-100 等数据集上显著降低遗忘。

  8. arXiv · 机器人与计算机视觉78

    单步世界模型需要多少候选?基于冻结 DINO 令牌的最近邻训练研究

    该论文测试了单步随机码本匹配(nearest-of-m)在冻结 DINOv2/v3 令牌上的表现,发现 m=16 即可覆盖枚举的未来且延迟约为扩散方法的 1/30。研究证实该方法在模式不确定性下优于多步流匹配和能量分数生成器,但指出其在连续高维输出上存在欠分散性限制,且准确的风险分析并未提升规划成功率。

    推荐理由:该文在冻结 DINOv2/v3 令牌上验证了单步随机码本匹配方法,发现 m=16 即可覆盖枚举未来且保持低延迟,同时揭示了该方法在连续高维输出上的欠分散性限制。

  9. arXiv · 机器人与计算机视觉78

    草图监督分割的失效机制:一项基于审计的标注鲁棒性基准

    针对草图监督分割在固定标注集评估下对语义和几何缺陷鲁棒性不足的问题,作者引入六种受控扰动算子(包括类别腐蚀、空间偏移、方向扰动等)并构建可复现基准。实验显示,在最强设置下,类别腐蚀使 mIoU 从 70.08 骤降至 1.46,而语义锚点腐蚀造成最大性能退化。该基准旨在诊断标注鲁棒性而非仅依赖干净集准确率,代码已开源。

    推荐理由:该工作通过审计驱动建立了草图标注鲁棒性基准,量化了语义与几何扰动对分割性能的影响。

  10. arXiv · 机器人与计算机视觉85

    PhysOPSD:以代码为特权实现物理可信的视频生成

    针对现有视频生成模型在物理动态上表现脆弱的难题,本文提出 PhysOPSD 方法,引入可执行代码作为特权物理上下文,将真实场景转化为可验证的仿真程序。该方法通过双级物理特权和受控物理变化,在仅用 3K 样本的情况下显著优于监督微调与强化学习基线,同时保持视频生成质量。

    推荐理由:提出用可执行代码作为特权上下文,以少量样本提升视频生成的物理合理性。

  11. arXiv · 机器人与计算机视觉78

    ReVMap:基于连通性感知的局部地图融合矢量全局建图方法

    针对大规模矢量高清地图标注成本高及现有方法忽视预测不确定性的问题,本文提出 ReVMap 框架。该方法利用点级定位不确定性将全局先验融入局部预测以提升鲁棒性,并预测局部到全局的连通性以进行可靠性感知的选择性更新。在 nuScenes 和 Argoverse 2 基准上的实验表明,ReVMap 在局部地图预测与全局地图构建方面均达到最先进水平。

    推荐理由:提出 ReVMap 框架,通过不确定性引导先验与连通性感知融合解决矢量 HD 地图构建中的误差传播问题。

  12. arXiv · 机器人与计算机视觉78

    DisasterVLG:面向灾难场景理解的视觉语言定位与证据推理基准

    作者发布 DisasterVL 数据集与基准,包含约 120 万张来自 142 个国家的灾害图像及 2500 万条结构化标注,涵盖场景描述、事件地点评估、空间关系及视觉问答。

    推荐理由:该工作提出灾难场景理解基准与模型,为具身智能在极端环境下的感知推理提供新数据支撑。

  13. arXiv · 机器人与计算机视觉78

    RBA:一种用于 OCTA 血管分割的参数高效交互式读出基适配器

    该研究针对 SEEM 模型在光学相干断层扫描血管造影(OCTA)中分割细血管效果不佳的问题,提出了一种名为 RBA 的读出基适配器。该方法通过生成图像特定的基础图并配合秩为 1 的 LoRA 编码器分支,在不改变原始特征读取分辨率的前提下提升了动脉与静脉的区分能力。

    推荐理由:针对 SEEM 模型在 OCTA 血管分割中读出线粒体分辨率不足的问题,提出仅增加 0.47M 参数的 RBA 适配器,在薄血管分割上优于 LoRA 等参数高效方法。

  14. arXiv · 机器人与计算机视觉78

    MDA 框架:无监督行人重识别的多架构域自适应方法

    针对无监督行人重识别面临的域差距及现有方法不支持多网络架构的问题,本文提出 Mamba 增强的多架构域自适应(MDA)框架。该框架在两个层面构建能力:首先设计包含 Mamba 组件的复合算子以增强域自适应;其次基于此算子构建支持 CNN 和 Transformer 多种骨干网络的通用框架。

    推荐理由:提出 Mamba 增强的多架构域自适应框架,在 CNN 与 Transformer 骨干上均提升 Re-ID 性能。

  15. arXiv · 机器人与计算机视觉78

    何时信任适配:用于可迁移视觉语言提示的上下文融合

    针对视觉语言模型在新类别或领域上的适配问题,该方法通过保留冻结与提示后的四分支预测,结合局部置信度与集合频率偏差进行仲裁。在 ImageNet 上训练后,其在十个跨数据集基准的平均准确率达 69.96%,刷新 ImageNet-S 记录至 52.21%,并在基类到新类的迁移任务中达到 79.77% 的新类别准确率。代码已公开。

    推荐理由:提出上下文自适应融合方法,在跨数据集基准上超越现有提示微调技术并刷新 ImageNet-S 记录。

  16. arXiv · 机器人与计算机视觉82

    AmodalBox:基于图像生成资产的自动化 3D 边界框标注框架

    针对稀疏驾驶场景中 LiDAR 点云仅覆盖物体小部分的挑战,本文提出 AmodalBox 框架,利用图像生成的 3D 资产作为非遮挡几何先验。该方法通过建立输入图像与渲染视图的对应关系,将标准非遮挡几何与部分观测的世界空间 LiDAR 点云对齐。

    推荐理由:该方法利用图像生成资产作为几何先验解决部分遮挡问题,在 nuScenes 和 Waymo 数据集上显著提升了检测性能。

  17. arXiv · 机器人与计算机视觉81

    RoadState:一种增强领域先验的视觉语言系统用于工业级车道级地图更新

    论文介绍 RoadState,这是百度地图更新管线中已部署的视觉语言系统,将连续道路场景观测转化为结构化车道级语义。其核心模型 RoadState-VLM 采用自回归状态估计架构,结合几何思维链(Geo-CoT)利用语义依赖有向无环图作为领域先验,提升跨维度的语义一致性与推理保真度。

    推荐理由:RoadState-VLM 通过几何思维链与领域先验提升车道级语义理解准确率,已在百度地图更新管线中部署并降低成本。

  18. arXiv · 机器人与计算机视觉85

    Latent-WAM++:面向端到端自动驾驶的世界与动作表征塑造

    论文提出 Latent-WAM++,一种面向端到端自动驾驶的以表征为中心的世界动作模型(WAM)。该方法通过场景 - 自车未来预测、SIGReg 分布稳定化及冻结几何先验构建世界表征;利用改进的 MeanFlow 速度空间目标直接预测多模态轨迹提议并实现一步采样;同时对齐视觉语义衍生的停止梯度目标以优化预输出动作特征。

    推荐理由:该工作提出 Latent-WAM++,通过重塑中间表征监督与冻结几何先验,在 NAVSIM v2 实现 SOTA 性能并将端到端规划器训练成本降低 88.1%。

  19. arXiv · 机器人与计算机视觉82

    从反思到协同进化:具备本地化验证记忆的自演化智能体

    论文提出 Anchor 框架,旨在解决大语言模型智能体在长周期交互中记忆冗余或强化不当行为的问题。该方法通过定位关键轨迹步骤、提取候选记忆,并在相同上下文下对比保留与不保留该源决策的效果,评估其对分布的偏移量及角色对齐度。

    推荐理由:提出 Anchor 方法,通过局部验证记忆源决策来筛选有效经验,在 ALFWorld 和 WebShop 任务上提升成功率并减少 Token 消耗。