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 9 页

11月4日周三第 161–180 条
  1. arXiv · 机器人与计算机视觉78

    通过权重空间编程改进图像复原扩散模型:技术猜想与递归改进循环

    该论文提出一种无需梯度、成对数据或微调的权重空间编程(WSP)方法,旨在利用大语言模型直接编辑扩散模型的参数以改善图像复原质量。作者构建了包含去模糊、超分辨率等任务的精确回归场景,并提出了三项技术猜想:LLM 能在有限前向传播预算内定位质量缺陷层;对特定权重方向的小规模编辑可提升 PSNR 和感知质量;递归循环能累积增益形成最小化自提升(RSI)闭环。

    推荐理由:提出利用大模型在权重空间直接编辑扩散模型以改进图像复原质量的猜想,并设计了诊断 - 编辑 - 评估的递归自提升循环框架。

  2. arXiv · 机器人与计算机视觉82

    ReconDreamer#:面向动态驾驶场景的重建与生成的自进化闭环协同方法

    针对动态驾驶场景中生成数据与现实观测差距大的问题,论文提出 ReconDreamer# 框架,实现重建与生成的自进化闭环协同及基于几何先验的自适应地面建模。在 Waymo、nuScenes 等基准测试中,该方法显著提升了三维表征能力:Waymo 数据集上横向偏移 6 米时,NTA-IoU 和 NTL-IoU 分别提升 8.8% 和 3.0%,FID 降低 15.1%。

    推荐理由:提出自进化闭环框架,通过生成与重建模型互促提升动态驾驶场景的三维表征能力。

  3. arXiv · 机器人与计算机视觉78

    点云分类的统计鲁棒性基准:我们仍需要旋转不变架构吗?

    该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。

    推荐理由:该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。

  4. arXiv · 机器人与计算机视觉78

    UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道论文:基于几何修正与分布对齐的仿真到现实路边激光雷达检测

    该论文描述了作者团队在 UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道的最终方案,该方案仅使用合成数据训练并在未见过的真实路边激光雷达上评估。

    推荐理由:作者提出针对路边 LiDAR 小目标检测的几何修正与分布对齐方法,并分享了可预测提交分数的实验方法论。

11月3日周二
  1. 盖世汽车 · 汽车资讯78

    百度Apollo World世界模型发布:让AI训练AI

    11月3日,百度在Apollo Day上首次披露面向物理AI的智能体驱动全模态世界模型Apollo World,并提出“2+3”判断标准。该模型具备因果性与交互性,强调物理准确性、持久性和实时性。

    推荐理由:百度Apollo首次披露面向物理AI的因果性、交互性驱动的世界模型,提出2+3判断标准并用于萝卜快跑全球化测试。

  2. arXiv · 机器人与计算机视觉78

    高斯混合端点的高斯舒罗丁格桥:投影间隙与路径空间障碍

    论文研究了布朗运动先验下高斯混合分布间的随机密度控制问题。由于直接求解无闭式解,作者引入升维路径空间构造,将轨迹增广源目标标签,分解为显式的分量间桥接问题及有限维熵耦合分配。

    推荐理由:该文提出高斯混合分布的升维路径空间构造,量化了投影间隙与路径空间障碍,为密度控制提供理论边界。

  3. arXiv · 机器人与计算机视觉82

    基于梯度强化学习的分布匹配蒸馏引导:GDMD 框架

    论文提出 GDMD 框架,通过优先优化蒸馏梯度而非原始像素输出来重新定义奖励机制,解决了传统扩散蒸馏在少步生成中牺牲质量的问题。实验显示,该方法使 4 步模型的质量超越多步教师,并在 GenEval 和人类偏好指标上显著优于现有 DMDR 结果。

    推荐理由:提出 GDMD 框架,利用梯度强化学习解决蒸馏与采样速度冲突,在少步生成任务上超越多步教师及现有 DMDR 方法。

  4. arXiv · 机器人与计算机视觉80

    ExeWorldBench:首个基于代码的可执行三维世界建模基准

    ExeWorldBench 是首个全面评估世界理解与可执行实现的基准,旨在衡量将物理原理转化为代码系统的能力。该基准包含机制可执行性、组合可执行性和意图驱动的可执行世界合成三项任务。实验显示当前前沿模型在构建具有物理交互行为的系统中存在显著局限。

    推荐理由:ExeWorldBench 填补了代码化可执行世界建模的评测空白,通过三项任务揭示前沿模型在物理因果理解与实现上的局限。

  5. arXiv · 机器人与计算机视觉82

    CoEnv:面向多臂操作的真实到仿真数字孪生代码驱动探索研究

    论文提出了 CoEnv(Code-driven Exploration)框架与 CoEx 方法,旨在解决通用编码代理缺乏安全练习场的问题。该方法通过 CoEnv 将多视角 RGBD 数据重建为物理仿真的数字孪生环境,使智能体能在可执行的数字孪生中编写、调试并优化完整的多臂协作程序。

    推荐理由:提出 CoEnv 框架,利用代码驱动代理在数字孪生中探索多臂协作程序,验证后转移至硬件,显著提升了无人类演示任务的成功率。

  6. arXiv · 机器人与计算机视觉78

    面向多源遥感数据的共享模式协作网络 SPCNet 研究

    针对多源遥感数据分类中难以联合建模长程依赖与异质模态共享空间模式的挑战,作者提出了共享模式协作网络(SPCNet)。该方法设计了引入共享大核算子与动态卷积分支的共享模式协作块以捕捉通用结构,并开发了区域自适应模态分配器进行特征融合。在 Houston2013、Augsburg 和 Houston2018 数据集上的实验表明其性能优于现有方法,代码将公开。

    推荐理由:提出共享模式协作网络解决多源遥感数据分类难题,代码将公开。

  7. arXiv · 机器人与计算机视觉78

    标量平滑性仅是贝索夫谱上的一个点:一种新的模型响应度量方法

    针对现有 Lipschitz 常数或 Hessian 曲率无法捕捉真实扰动下模型响应变化的问题,本文提出有限差分粗糙度谱(finite-difference roughness spectrum),将标量平滑性与方向性曲率统一在贝索夫理论框架下。

    推荐理由:提出有限差分粗糙度谱理论,在图像分类与量化分配中验证了其对噪声鲁棒性与混合精度分配的改进效果。

  8. arXiv · 机器人与计算机视觉82

    Uni-LaSpec:面向视觉语言模型的负载自适应推测解码方法

    论文提出了 Uni-LaSpec 框架,通过复用验证器注意力机制和接受度感知训练优化草稿质量,并利用边际成本准则动态分配验证结构以适应不同 GPU 负载。实验显示该方法在六种视觉语言模型上平均保留超过 98.6% 的接受率,吞吐量提升最高达 5.11 倍,并在多种负载场景下优于固定验证策略。

    推荐理由:该工作提出负载自适应推测解码框架,在六种大模型与十七项基准测试中验证了其在不同 GPU 负载下的效率提升。

  9. arXiv · 机器人与计算机视觉78

    基于地球嵌入的自适应土地单元:一种低成本的无监督建模方法

    该论文提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元(约 320 倍减少),无需标签即可拟合全境。相比规则网格,新单元在匹配土地用途标签和作物声明时仅需其五分之一到四分之一数量的单元格;相比直接对卫星图像聚类,达到相同纯度所需的单元数减半。

    推荐理由:该研究提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元,显著降低计算成本并支持全境建模。

  10. arXiv · 机器人与计算机视觉78

    作物映射评估下的采样偏差研究:一种基于加权预测赋能推断的校正方法

    政府机构常用作物图估算产量并制定政策,但验证标签常存在采样偏差(如只标注路边地块)。本文提出利用卫星嵌入估计权重的预测赋能推断(PPI)方法,结合未标记点预测与带权重标签误差进行修正。在五个欧洲区域实验中,该方法将最大评估误差从 0.18 降至 0.07;在肯尼亚无参考标签数据上,将路边数据集的宏观 F1 估计值从 0.93 校正至 0.61。代码已开源。

    推荐理由:针对作物图评估中的采样偏差问题,提出基于卫星嵌入的加权预测赋能推断方法,在五个欧洲区域将最大误差从 0.18 降至 0.07。

  11. arXiv · 机器人与计算机视觉78

    当优化遇见人类意图:以人为中心的扩散模型优化综述

    Renye Yan 和 Jikang Cheng 发表了一篇关于扩散模型优化的综述论文,指出当前优化主要依赖美学等可量化目标,往往无法准确对齐多维、动态的人类真实意图。文章系统分析了人类意图如何转化为优化目标并影响生成行为,讨论了自动化指标与用户主观判断之间的差距,旨在为面向人类偏好的个性化生成系统设计提供理论参考。

    推荐理由:文章系统分析了人类意图在扩散模型优化中的表达与对齐问题,指出了现有指标与真实用户判断的差距。

  12. arXiv · 机器人与计算机视觉78

    VideoEditor-MoE:利用混合专家架构扩展复杂视频编辑能力

    该预印本介绍了 VideoEditor-MoE,这是首个用于视频编辑的开源混合专家(MoE)框架。研究基于一个 50 亿参数的基座模型,将其扩展至 140 亿和 560 亿参数版本,每个 token 激活约 80 亿参数。

    推荐理由:该预印本提出了首个开源视频编辑 MoE 框架,验证了路由注意力机制在保持全局交互下的扩展性优势。

  13. arXiv · 机器人与计算机视觉78

    单图即够:基于自生成监督的测试时人类视频扩散个性化方法

    针对姿态驱动的人类视频扩散模型难以在大幅变姿时保持身份一致的问题,该研究提出一种无需主体视频、真实标签或地面真值的个性化方案。通过域调整的姿态条件生成器合成关键姿态下的伪真值帧,利用推理时的参考仅采样器引导候选帧以维持身份一致性,并基于静态片段训练每个主体的低秩适配器。

    推荐理由:该工作提出在测试时利用自生成监督实现单图个性化视频扩散,无需主体视频或标签即可提升身份保持与动作一致性。

  14. arXiv · 机器人与计算机视觉78

    解锁对比正则化在扩散 Transformer 训练中的潜力:CRAN 方法

    论文发现标准 InfoNCE 对比学习在扩散 Transformer 训练中因噪声捷径而收益有限,为此提出 Clean Representation-ANchored Contrastive (CRAN) 正则化方法。

    推荐理由:针对扩散 Transformer 训练中 InfoNCE 对比学习失效问题,提出 CRAN 正则化方法以抑制噪声捷径并提升模型效果。

  15. arXiv · 机器人与计算机视觉78

    History Forcing:面向长视界视频世界模型的蒸馏历史依赖续写方法

    论文提出 History Forcing 统一在线策略蒸馏框架,旨在解决少步自回归视频扩散模型在长序列生成中的一致性难题。该方法利用教师模型在有/无历史信息下的预测残差来解耦监督信号,将历史信息约束融入学生模型的分数或速度预测目标中。

    推荐理由:提出 History Forcing 蒸馏框架,利用历史信息约束长序列生成,在 1.3B 参数规模下实现 VBench 质量分 85.07。