CSFlow:将流匹配与人眼对比敏感度对齐
论文介绍 CSFlow,一种连接人眼对比敏感度函数与流匹配迭代去噪步骤的加权方案。由于真实图像信号集中在低频分量,这些分量在连续扩散过程中比高频分量更早达到高信噪比,从而在傅里叶空间形成软自回归结构;同时人眼对极低和极高频率需要更高对比度才能感知。
推荐理由:提出将人眼对比敏感度函数与流匹配去噪步对齐的加权方案,实验显示在仅推理微调下即可显著降低 FID 并提升生成质量。
内容形态
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
论文介绍 CSFlow,一种连接人眼对比敏感度函数与流匹配迭代去噪步骤的加权方案。由于真实图像信号集中在低频分量,这些分量在连续扩散过程中比高频分量更早达到高信噪比,从而在傅里叶空间形成软自回归结构;同时人眼对极低和极高频率需要更高对比度才能感知。
推荐理由:提出将人眼对比敏感度函数与流匹配去噪步对齐的加权方案,实验显示在仅推理微调下即可显著降低 FID 并提升生成质量。
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。
KITScenes 多模态数据集发布,包含高分辨率全局快门相机、400 米外长距激光雷达、4D 成像雷达及冗余 GNSS/INS。其 HD 地图据称最完整,首次将交通信号灯等元素以三维拓扑连接形式映射至重投影精度水平。
推荐理由:KITScenes 数据集发布高保真多模态数据与 HD 地图,填补了地理多样性与长距雷达空白。
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。
该论文指出代表性驾驶视觉语言模型(Driving VLAs)存在反事实障碍插入下的盲点规划问题,即车辆出现在前方时轨迹仍不变。研究通过偏差 - 方差分析发现模型依赖 ego 状态和指令的捷径,并提出了一种受逆运动学启发的架构:利用 LLM 预测未来视觉场景提供密集监督,并设计独立的逆运动学网络仅基于当前和未来视觉状态解码轨迹,以抑制对 ego 状态的依赖。
推荐理由:该研究通过逆运动学架构解决了智驾 VLA 模型依赖 ego 状态捷径的问题,仅用摄像头在 NAVSIM 和 nuScenes 上实现了 SOTA 轨迹规划性能。
论文提出 Z-Perturbation Reinforcement Learning (ZPRL) 方法,通过冻结预训练的流匹配策略并利用奖励驱动的残差扰动在紧凑的瓶颈潜变量空间进行在线强化学习适应。
推荐理由:提出通过瓶颈潜变量接口进行在线强化学习策略引导,在仿真与真实世界中均提升了预训练模仿策略的样本效率与成功率。
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。
arXiv 论文介绍 PointForward 框架,旨在实现高保真驾驶场景重建。该方法初始化稀疏世界空间查询并通过时空融合聚合多视图信息以强制跨视图一致性,引入场景图组织动态实例并利用 3D 边界框实现实例级运动传播。实验显示其在大规模自动驾驶基准上达到最先进水平。材料为 NeurIPS 2026 接收的预印本版本,未报告真实机器人部署结果或具体硬件要求。
推荐理由:提出 PointForward 框架,通过点对齐表示解决多视图不一致问题,在大规模自动驾驶基准上达到最先进水平。
针对视觉语言动作模型缺乏带标注动作数据的问题,该研究提出 ALAM 模型,从无动作视频中提取物理世界变化先验。通过帧三元组学习受重建约束且符合组合与可逆一致性的潜在转换,构建局部加性转换空间。
推荐理由:该工作提出代数一致潜在动作模型,利用无标签视频构建结构化先验,显著提升 VLA 策略在仿真及真实任务中的成功率。
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。
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。
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。
论文提出一种形态对称图表示方法(MS-PPO/MS-SAC),将机器人拓扑图与形态对称性诱导的置换及符号变化显式结合,构建等变动作均值与不变评论家网络。该方法在宇树 Go2 和 G1 上实现了最低的跟踪误差、最高的仿真回报以及零样本仿真到现实部署能力,且参数量显著减少。
推荐理由:提出形态对称图表示方法,在宇树 Go2 和 G1 上实现更低跟踪误差与最高仿真回报,且参数量显著减少。
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。
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。
针对强化学习中高维观测与稀疏奖励的挑战,本文提出 RAIL 方法,通过在教师训练阶段利用对比学习构建师生共享的潜在表征空间,使教师策略仅基于该空间学习可被学生复现的行为。该方法无需修改奖励函数或事后微调学生策略,即在多个环境中优于强基线并超越直接从原始观测进行强化学习的表现,同时支持通过仅训练教师实现对新任务的零样本迁移。
推荐理由:提出在教师策略训练中引入对比学习以对齐表征,解决因信息不对称导致的模仿差距问题。
论文提出 SCALAR 模块,用于解决连续测试时适应(CTTA)中因强化早期预测偏差导致的模型不稳定、漂移或崩溃问题。该方法通过维护近期预测缓冲区并利用 Sinkhorn 算法平衡伪标签的类别分布以匹配目标分布,从而在不改变模型架构的情况下提升稳定性。
推荐理由:提出 SCALAR 模块,通过 Sinkhorn 算法在时间窗口内控制伪标签类别分布,有效缓解在线测试时适应中的漂移与崩溃问题。
论文提出 SCALE 框架,旨在让轻量级自主智能体在不依赖昂贵大语言模型推理的情况下持续获取可复用知识。该架构由小模型处理常规预测,仅在预测错误或积累跨回合证据时触发 LLM 进行反思;LLM 分析历史经验并生成反事实示例以提出可复用的概念假设。
推荐理由:SCALE 框架通过小模型处理常规任务、LLM 仅在误差时介入反思,实现了经验知识的紧凑内化与层级抽象。
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。
该研究提出一种基于 Transformer 的策略,用于解决部分观测且含噪声的多输入多输出线性时不变系统族的通用控制问题。策略通过共享表示与编码技术,仅需短时噪声测量即可生成控制动作,无需植物矩阵或状态估计器。
推荐理由:论文提出利用 Transformer 实现无需显式状态估计的通用输出反馈最优控制,在仿真系统中达到接近 LQG 的最优成本。