跳到正文

内容形态

论文与研究 最新动态

四领域论文、技术报告与研究解释,明确预印本、投稿、接收和出版状态。

1,994 条精选近 30 天 1,302 条共收录 10,555 条

更新

精选归档 · 第 13 页

11月13日周五第 241–260 条
  1. arXiv · 机器人与计算机视觉78

    无需训练的个人化图像分割框架:解决多图实例召回瓶颈

    该论文针对个性化图像分割(PIS)在多图实例场景下的召回瓶颈问题,提出一种无需训练的模块化系统。该方法利用通用检测器生成高召回目标提案,结合基础模型特征进行匹配,并用 SAM 细化边界;同时提出了基于 Top-K Sinkhorn 的鲁棒距离度量方法。研究引入了新的多实例基准数据集,实验表明该系统在多个标准数据集上优于现有方法,且运行时更低、参数量更少,为真实世界应用提供了可部署的基线。

    推荐理由:针对现有个性化分割方法在多图实例场景下失效的问题,提出无需训练的模块化框架与多实例基准。

  2. arXiv · 机器人与计算机视觉78

    Elastra:一种用于弹性体交互的仿真框架

    针对机器人与床垫、蹦床等弹性表面交互导致的形变问题,作者提出 Elastra 仿真框架。该框架利用仅垂直移动的单元结合弹性连接与阻尼来模拟变形与恢复过程,并通过接触力驱动运动更新几何以计算后续受力。

    推荐理由:该框架通过垂直移动单元模拟弹性体变形,在床垫与蹦床场景下将机器人站立成功率提升显著。

  3. arXiv · 机器人与计算机视觉78

    Decide Before You Move:基于扩散生成的搜索参考实现半静态环境零样本开放词汇物体导航

    该研究提出了 PreNav 框架,旨在解决室内半静态环境中的开放词汇物体导航问题。系统利用大语言模型将目标与家具的共现关系转化为空间先验,再通过条件扩散模型生成有序的中心线及带状区域作为全局搜索参考,从而避免在每一步都调用昂贵的视觉 - 语言模型。

    推荐理由:PreNav 框架利用扩散模型生成全局搜索参考,在无需微调的情况下实现了半静态环境下的零样本开放词汇导航。

  4. arXiv · 机器人与计算机视觉78

    未来预测分数忽略了什么:关于世界模型的预测还是持续?

    预训练视频世界模型常依据未来预测分数进行选型,但该分数混合了编码器质量、近期相似性及预测器贡献。研究通过匹配对照组在 2.7 万家庭第一人称视频试验中分离三者,发现 V-JEPA 系列内部预测器贡献差异显著,且仅对动作条件化模型为负值。建议报告未来预测分数与其持久性基线的差距以增强可解释性,下游效用需另行评估。

    推荐理由:提出用匹配对照组分离预测分数与编码器效应,建议报告差距而非原始分数以评估世界模型真实性能。

  5. arXiv · 机器人与计算机视觉78

    SAVE:少即是多——代理式视频推理的简单框架优于复杂管线

    针对现有代理式视频推理框架评估标准不一、计算成本高且效果提升有限的问题,该研究提出了 SAVE(Simple Agentic Video Explorer)基线及扩展方法。

    推荐理由:该研究通过受控评估发现,在长视频场景下,简单的主动探索框架比复杂代理更有效且成本更低。

  6. arXiv · 机器人与计算机视觉78

    你的世界模型知道动作有后果吗?

    该文指出当前具身世界模型的指标多关注输出质量,却忽视了对反事实动作后果预测的保真度审计。作者提出利用敏感性分析检查模型对动作扰动的强制响应,以评估其预测能力,并强调硬件部署需建立新的评估框架来平衡状态误差与准确的敏感性预测。材料为 CoRL 2026 研讨会论文,未涉及具体产品发布或真实机器人部署结果。

    推荐理由:提出通过敏感性分析审计世界模型对反事实动作后果的预测保真度,为硬件部署前的评估提供新框架。

  7. 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。

  8. arXiv · 机器人与计算机视觉78

    RSLiveBench-UAV:一种用于空中空间智能的持续进化视觉语言基准

    该论文介绍了 RSLiveBench-UAV,这是一个基于真实无人机图像持续采集、采用几何辅助关联实体身份并延迟披露答案的视觉语言基准。研究在十个场景下评估了 30 个通用、遥感及具身模型,涵盖 17 项任务,发现所有测试的具身模型均优于选定的遥感对比器,但细粒度车辆识别仍具挑战且性能随高度和相机俯仰角变化。

    推荐理由:引入持续进化的无人机视觉语言基准,通过几何辅助关联实体与延迟披露答案来支持对空域智能模型的持续评估。

  9. arXiv · 机器人与计算机视觉82

    Reality Perception Gap:AI 操纵视频检测器是否准备好应对现实世界?

    该论文引入 Reality Perception Gap (RPG) 基准,包含 10,000 个经过跨平台重传压缩及带有相机光学伪影的视频,涵盖犯罪与战争等高风险内容。测试显示,在 1% 误报率下,现有 18 种检测器无一能捕获超过 15% 的伪造视频。研究通过正对照和重编码扫描发现,生成器与内容的偏移导致性能下降,而重传压缩则抹去了基于伪迹的检测所依赖的低级痕迹,表明被动检测可能已达极限。

    推荐理由:该研究揭示了现有 AI 视频检测器在真实部署环境下的失效机制,指出被动检测已达极限并建议结合多模态证据。

  10. arXiv · 机器人与计算机视觉78

    Sophon:一种用于检验视觉语言模型空间推理能力的程序化诊断工具

    本文介绍并开源了 Sophon,这是一种基于成对彩色点云刺激的程序化诊断工具,涵盖一维线性、二维笛卡尔和极坐标三种坐标系及四种问题类型。研究发现在剥离先验知识后,主流开源 VLM 在空间基准测试上表现接近随机猜测,而前沿模型和人类则能保持较高准确率。

    推荐理由:该工作开源了针对 VLM 空间推理能力的程序化诊断工具,并揭示模型存在路由瓶颈而非能力缺失。

  11. 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。

  12. arXiv · 机器人与计算机视觉78

    面向搜救的地形感知多无人机汤普森采样算法

    本文提出一种用于搜救应用的去中心化地形感知多无人机汤普森采样算法。该方法利用基于历史数据的 SAR 模型(位移环、高程等)构建定位概率分布,并通过贝叶斯推断更新高斯后验均值与方差以平衡探索与利用;同时引入分数森林覆盖率指标来量化植被遮挡带来的观测不确定性。

    推荐理由:提出地形感知多无人机汤普森采样算法,结合 SAR 历史模型与森林覆盖不确定性,在仿真中验证了搜救成功率。

  13. Hugging Face Daily Papers83

    Actor, Judge, or Teacher? 理解长视界智能体中的决策模型

    论文研究了决策模型在长视界智能体中作为行动者、裁判者和教师的三种角色。实验发现,即使模型在执行任务时表现不佳,只要能在回合结束后准确评估动作后果,就能有效区分有用与无效的动作。作为教师,JEV 模型利用这种能力将 Qwen2.5-1.5B 策略在 ALFWorld 和 WebShop 上的成功率分别提升至 82.9% 和 71.4%。代码已开源。

    推荐理由:研究对比显示,即使作为执行者表现不佳的决策模型,在评估动作后果或指导强化学习时仍能有效提升策略成功率。

11月12日周四
  1. 智东西 · 机器人84

    CoRL 2026 放榜:伯克利 SuperMimic 获最佳论文,英伟达斯坦福 RoboTTT 获最佳学生奖

    机器人学习顶会 CoRL 2026 公布获奖名单,加州大学伯克利分校的 SuperMimic 研究获得最佳论文奖,该方法基于可微世界模型将人形机器人全身控制训练算力降低超千倍,单卡 3 小时即超过百卡基线并已在宇树 G1 真机验证。英伟达与斯坦福联合团队的 RoboTTT 获最佳学生论文奖,其通过测试时训练将策略上下文扩展至 8000 个时间步,在多项灵巧装配任务中平均完成率提升至 79%。

    推荐理由:CoRL 2026 最佳论文展示可微世界模型将人形机器人训练算力降低千倍,最佳学生奖提出长上下文策略方法。

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

    无需专家演示的安全近似非线性模型预测控制

    论文提出了 Sequential Approximate MPC (Seq-AMPC),这是一种无标签的循环框架,利用共享参数生成完整控制序列。该方法通过已知动力学直接训练策略,并引入基于安全滤波器的阶段成本依赖接受容差,以在存在神经近似误差时保持递归可行性和渐近收敛性。

    推荐理由:提出无需专家演示的 Seq-AMPC 框架,在四类基准上实现接近 NMPC 的成本比与高采纳率。

  4. arXiv · 机器人与计算机视觉82

    基于多视图关系蒸馏的视觉 - 语言模型空间推理研究

    针对视觉 - 语言模型在具身智能和自动驾驶中存在的几何脆弱性问题,本文提出多视图关系蒸馏方法。该方法通过蒸馏跨视图的 patch-wise 余弦相似度而非教师特征本身,在编码几何对应关系的同时保留预训练对齐。实验表明,该方法在物体定位、密集描述等任务上优于监督微调与特征蒸馏,且参数更少、延迟更低。代码已开源。

    推荐理由:提出多视图关系蒸馏方法,在提升视觉空间推理能力的同时保持语言对齐,且参数开销低于特征融合。

  5. arXiv · 机器人与计算机视觉78

    UpCount:一种具有空间感知的类别无关物体计数方法

    针对现有通用物体计数方法在处理结构复杂物体时空间建模能力不足的问题,论文提出了 UpCount 模型。该方法从 ViT-B/16 编码器提取多层特征并重组为经密集预测 Transformer 和 FeatUp 优化的多尺度金字塔,以增强结构与空间敏感性;随后利用提议 - 验证计数头识别重复模式并生成密度图进行最终计数。

    推荐理由:UpCount 通过多尺度特征金字塔与密集预测 Transformer 增强空间结构感知,在复杂物体计数任务上取得优于现有方法的 MAE/RMSE 指标。