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 25 页

11月5日周四第 481–500 条
  1. arXiv · 机器人与计算机视觉82

    POTATR:一种用于页面级表格提取的轻量级图像到图模型

    论文介绍 POTATR(Page-Object Table Transformer),这是一个拥有 2900 万参数的轻量级图像到图模型,旨在解决大规模文档处理中需要上下文感知的表格提取问题。

    推荐理由:POTATR 以轻量级架构在表格提取基准上超越前沿多模态大模型,且具备空间定位能力与低成本推理优势。

  2. arXiv · 机器人与计算机视觉76

    Faces in Things, Faces in Nothing: Probing Face Selectivity in Vision Models with Pareidolia

    arXiv 论文《Faces in Things, Faces in Nothing》利用 FacesInThings 数据集测试了六种视觉模型,探究其将模糊视觉证据转化为类别判断的机制。

    推荐理由:该研究通过 FacesInThings 数据集揭示了视觉模型将模糊证据转化为类别判断的机制,发现不同模型对“人脸”的定义存在默认偏差。

  3. arXiv · 机器人与计算机视觉82

    NVIDIA 发布 Cosmos 交互式世界模拟框架用于物理 AI

    NVIDIA 发布了基于 Cosmos 世界基础模型的交互式世界模拟框架,旨在为物理 AI 训练和评估提供共享基础。该框架通过流式传输视觉观测响应动作与场景控制,支持预测动作的视觉后果及从外部模拟器维持的物理状态生成观测。演示涵盖了相机导航、机器人操作、可控视频迁移和多视角自动驾驶仿真。代码、模型检查点及项目网站已公开。

    推荐理由:NVIDIA 推出 Cosmos 框架,支持通过视觉流与动作控制实现实时交互式世界模拟,覆盖相机导航、机器人操作及自动驾驶场景。

  4. arXiv · 机器人与计算机视觉78

    CoSafe:面向混合交通的协作运行时安全保证框架

    针对现有以自我为中心的自动驾驶系统在混合交通场景中因多车决策冲突导致的安全问题,论文提出 CoSafe 框架。该框架利用车路协同(V2X)通信,使路边单元能监控场景级风险并实施联合干预,将安全保证从单车接管扩展到场景级协作。

    推荐理由:提出 CoSafe 框架,利用 V2X 通信实现场景级协同干预,在混合交通下显著降低违规率并提升自动驾驶得分。

  5. arXiv · 机器人与计算机视觉78

    Dual Flow:一种用于求解线性逆问题的联合图像 - 测量插值流模型

    该论文介绍了一种名为 Dual Flow 的新型联合流模型,旨在通过同时估计干净图像及其对应的无噪测量来解决线性逆问题。该方法将图像重建与测量去噪构建为耦合估计问题,仅利用获取的含噪测量初始化状态,随后在图像和测量域中联合更新状态,确保最终结果满足底层前向模型。

    推荐理由:提出联合图像与测量域流模型,无需超参数调优即可在多种线性逆问题中实现更短的重建时间。

  6. arXiv · 机器人与计算机视觉78

    基于 Filippov 神经网络与熵最优传输的相关性传播:Sinkhorn 传播与图像分类器中的区域相关性

    该论文证明相关性传播是单一变分问题的解,建立了层间相关性传播的测度论形式化框架。研究提出了 LRP_0、LRP_z+ 等规则的统一形式 LRPN_alpha,beta,并引入 Sinkhorn 相关性传播新规则。在 VGG-16 和 ConvNeXt-Tiny 模型上验证了守恒律及不同规则的忠实度与定位能力差异。

    推荐理由:文章将相关性传播形式化为熵最优传输问题,提出基于 Filippov 算子的理论框架及 Sinkhorn 等新规则。

  7. arXiv · 机器人与计算机视觉78

    Perceptive Humanoid Motion from Simulation:基于仿真的感知人形运动研究

    该论文提出了 HALO 系统,利用程序化生成的千个虚拟家庭合成视觉 - 语言 - 动作数据以解决人形机器人训练的数据瓶颈。HALO 习得了坐椅子、导航至命名物体、侧身过门等技能,并能编排这些技能完成复合长周期任务。系统在从未见过真实家居的训练下实现零样本迁移,在六个未建图的真实环境中进行了 360 次试验,成功率为 91%。代码与视频已公开。

    推荐理由:HALO 系统通过程序化生成合成数据实现零样本迁移,在六个未建图真实环境中达到 91% 成功率。

  8. arXiv · 机器人与计算机视觉82

    同一布局不同数量:文生图模型中‘十’以上的数字词失效研究

    该论文研究了五个开源文生图模型(包括 SD3.5-M、FLUX 系列和 Qwen-Image)在生成物体数量超过十个时的表现。实验发现,一旦请求中的物体数量超过约十个,所有模型都会停止遵循具体的数字指令,其生成的图像布局主要由初始噪声的粗粒度部分决定,而非数字词本身。研究还指出,当物体数量超过十时,精确匹配分数难以区分遵循指令与忽略指令的模型,而相对误差评分甚至可能偏好常数猜测值十六。

    推荐理由:研究揭示文生图模型在物体数量超过十时失去计数能力,且噪声布局比数字指令更能决定构图。

  9. arXiv · 机器人与计算机视觉82

    Open-HumanWAM:一种用于扩展具身基础模型的开源人类与机器人经验配方

    该研究提出了 Open-HumanScale-50K 数据集及 Open-HumanWAM 模型,这是首个将以第一人称视角的人类视频预训练规模扩展到 5 万小时的完全开放方案。

    推荐理由:原文给出了基于5万小时人类视频预训练的开放配方与实验结果,相关团队可据此复现并验证纯人类数据在机器人策略学习中的缩放规律。

  10. arXiv · 机器人与计算机视觉78

    TailSteer:一种用于抗漂移的多轮图像编辑的轨迹尾部引导方法

    针对多轮图像编辑中因输出复用导致的小误差累积成严重视觉漂移的问题,TailSteer 提出了一种最终阶段训练框架。该方法遵循简单原则:保持早期去噪动力学接近基座模型,仅在轨迹末端集中进行修正以抑制细粒度偏差。

    推荐理由:TailSteer 框架在保留基座模型能力的前提下,通过轨迹末端修正显著降低了多轮编辑中的累积漂移。

  11. arXiv · 机器人与计算机视觉78

    不确定性触发的空中修正用于非道路导航

    该论文提出一种由规划器条件化的空地辅助方法,通过评估地图信息的不确定性对地面移动基线规划(MPPI)的影响来决定何时请求空中协助。当导航性能下降时,系统会在解析后的地图假设下评分相同规划轨迹,选择改进最大的地图层并请求对应的空中测量,融合后重新规划。

    推荐理由:提出基于不确定性的空地协同导航方法,在仿真与实地实验中显著降低无人机飞行时间并提升地面车辆到达率。

  12. arXiv · 机器人与计算机视觉82

    Compounding Physical RSI:将执行失败转化为可继承能力的自进化策略框架

    论文提出 Compounding Physical RSI 框架,解决通用机器人策略在物理环境中因下游瓶颈不可观测、失败轨迹无法提供修正动作及更新共享参数导致技能退化等问题。

    推荐理由:提出 Compounding Physical RSI 框架,将执行失败转化为可继承能力,在 RoboDojo-Sim 基准上实现领先性能。

  13. arXiv · 机器人与计算机视觉78

    Detecting Silent Action-Interface Mismatch with Calibrated Relational World Models

    Rui Zhu 等人提出一种基于校准的关系世界模型的方法,用于检测机器人动作满足形状与范围约束但语义错误的静默失配现象(如轴置换、符号反转等)。研究在 LIBERO Spatial 任务的离线数据上验证了该方法:通过固定逆词汇表进行闭集定位,并在保持低误报率的前提下实现了优于单一残差方法的召回率。

    推荐理由:该工作提出利用校准后的关系世界模型检测机器人动作与接口语义的静默失配,在 LIBERO 任务上验证了联合评分策略优于单一残差方法。

  14. arXiv · 机器人与计算机视觉83

    软体躯干机器人动态形状控制:基于 aSSM 数据驱动 MPC 的硬件验证

    该研究提出利用数据学习修剪螺旋面软体躯干机器人的 adiabatic spectral submanifolds (aSSM) 模型,并将其集成至模型预测控制 (MPC) 框架以解决高非线性形状调控难题。

    推荐理由:基于 aSSM 理论的数据驱动模型预测控制方法,在软体躯干机器人的全身体形动态调控任务中显著优于线性基准。

  15. arXiv · 机器人与计算机视觉82

    CoDecide:面向高吞吐视频分析的自适应内容解码方法

    针对视频档案分析中解码耗时的问题,该方法引入 CoDecide 系统,仅对出现新内容的帧进行解码。通过监督一个轻量级学生模型学习来自冻结 DINOv2 教师模型的无标签新颖性信号,该系统能区分运动与场景中新出现的物体,从而在无需针对每台相机重新训练的情况下实现泛化。

    推荐理由:提出一种利用冻结教师模型信号在压缩域识别新内容的解码策略,显著降低视频分析算力开销。

  16. arXiv · 机器人与计算机视觉78

    超越违规分数:驾驶与机器人导航代理的闭环评估失败边界轮廓

    针对 CARLA 封闭回路基准仅依赖违规罚分无法区分停止与推挤障碍行为的局限,本文提出失败边界轮廓方法,通过改变走廊宽度或车流时间差等因子并认证每个变体应通行或停止,估算代理的承诺度与能力曲线。该方法在七个驾驶代理和 Isaac Sim 仓库机器人上评估显示,规则专家决策准确率为 0.74,而得分最高的学习代理仅为 0.60,揭示了高分策略在不同失败模式下的差异。代码与数据已公开。

    推荐理由:提出失败边界轮廓方法,通过认证标签区分不同导航策略在闭环评测中的决策准确性与行为差异。

  17. arXiv · 机器人与计算机视觉78

    $A^3$-VLA:面向机器人操作的自动感知引导注意力对齐

    该论文针对视觉语言动作模型(VLA)因缺乏细粒度感知监督而依赖无关视觉捷径的问题,提出 $A^3$-VLA 框架。该方法利用操作过程产生的视觉变化生成启发式候选区域,并通过离线分割模型细化,结合注意力分配损失与对比学习损失实现任务关键区域的引导。实验表明,该框架在多个基准上使 VLA 主干的平均成功率提升 6.5% - 25.2%,且材料为预印本版本。

    推荐理由:针对 VLA 依赖视觉捷径的问题,提出利用交互变化生成感知引导的框架,在仿真与真实任务中显著提升成功率。

  18. arXiv · 机器人与计算机视觉78

    TwinBridge:面向现实世界强化学习的数字孪生驱动策略与奖励迁移

    论文提出 TwinBridge 框架,通过结合 3D Gaussian splatting 与物理仿真构建数字孪生,为现实世界的在线强化学习提供策略初始化及稠密视觉奖励。该框架将基于仿真的监督蒸馏为视觉奖励模型,在真实交互中结合执行历史计算稠密奖励以优化人机协作下的策略。实验显示,该方法在五项实验室操作任务上实现了 98% 的平均自主成功率,且每任务仅需最多 25 分钟的真实世界交互时间。

    推荐理由:该框架利用数字孪生提供策略初始化与稠密视觉奖励,在五项实验室任务中实现 98% 自主成功率,仅需每任务最多 25 分钟真实交互。

  19. arXiv · 机器人与计算机视觉78

    NanoKV:面向自回归视频生成的高比率 KV 缓存压缩方法

    针对自回归视频模型在长序列生成中的显存与计算瓶颈,论文提出 NanoKV 框架,通过冻结骨干网并利用 Token 与注意力头的冗余性实现高比率 KV 缓存压缩。

    推荐理由:NanoKV 提出冻结骨干网的高比率 KV 缓存压缩框架,在视频生成任务中显著降低显存占用并提升推理速度。

  20. arXiv · 机器人与计算机视觉78

    FlashRelight:一种面向动态光照的人像视频重绘方法

    FlashRelight 是一种用于人像视频动态重光照的新颖两阶段框架,旨在修改视频照明同时保持照片级真实感和时间稳定性。该方法首先通过 delighting 抑制源光照,然后在去光照化的人像视频上合成目标动态光照。

    推荐理由:FlashRelight 提出两阶段框架解决动态光照人像视频重绘,支持环境贴图、文本语义及参考视频三种控制模态。