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 26 页

11月5日周四第 501–520 条
  1. arXiv · 机器人与计算机视觉83

    Prism:面向统一多模态模型的双向自我教学方法

    该论文提出了 Prism 方法,旨在通过双向自我教学改进统一多模态模型(UMMs)的理解与生成功能。该方法将耦合的交错轨迹解耦为文本链和图像链,并根据其可靠性构建训练目标。在 SenseNova-U1 和 BAGEL 上的实验显示,GenEval、DPG、MME 及 MMVP 等指标均有提升。研究强调无需外部验证器或标注修正轨迹即可实现能力协同增强。

    推荐理由:提出基于自生成轨迹双向监督的 UMMs 后训练方法,无需外部验证器即可提升理解与生成能力。

  2. arXiv · 机器人与计算机视觉78

    MonoLaDN:语言引导的单目 3D 目标检测去噪框架

    MonoLaDN 是一种针对单目 3D 物体检测的去噪框架,旨在解决仅从图像特征学习几何导致的 ill-posed 问题。该方法在训练阶段利用冻结的视觉语言模型(VLM)生成关于遮挡、深度、尺寸和角度的结构化推理,将其编码为查询并加入噪声,训练检测器重构干净推理以内部化 VLM 的几何先验。

    推荐理由:该工作提出利用冻结 VLM 的几何推理进行去噪训练,使单目检测器内化高层语义先验且无额外延迟。

  3. arXiv · 机器人与计算机视觉78

    NEXTGAN:面向图像与视频生成的简单可扩展 GAN 训练方法

    NEXTGAN 提出一种新的 GAN 训练框架,通过回归冻结表示空间插值点处参考特征与生成特征之间的位移来训练标量判别器。该方法在固定生成器的情况下等价于带有梯度能量惩罚的对抗目标,同时保留生成器的标准基于势函数的更新机制。

    推荐理由:NEXTGAN 通过回归输入梯度到特征位移的方法训练标量判别器,无需辅助损失或在线教师分数即可适配预训练生成器。

  4. arXiv · 机器人与计算机视觉78

    超越终端约束:基于学习的安全集实现可靠机器人控制

    针对模型预测控制和强化学习中确保安全性的挑战,本文引入新型安全集类,其范围优于传统控制不变集。通过限制预测时域内不同节点而非仅终端状态来保证递归可行性;若安全集为控制不变集的内近似,则可通过安全中止策略确保安全性。在六关节机器人操作臂的广泛仿真及硬件实验中,该方法相比最先进方法减少了约束违反,同时保持了相当的跟踪性能和计算效率。

    推荐理由:提出超越终端约束的安全集新方法,在仿真与硬件实验中验证了比现有方法更少的约束违反且保持跟踪性能。

  5. arXiv · 机器人与计算机视觉78

    Astra 能否在不耗尽预算的情况下解决 RoboMME?

    针对机器人操作需记忆被遮挡信息或动作序列的挑战,作者提出三层系统:GPT-6 Astra(System 2)从视觉历史中选择子任务,π0.5 策略执行,Qwen3-VL-4B 监控器检查完成状态。该系统在 RoboMME 基准上成功率达 79.13%,平均调用 3.63 次规划器且耗时 80.84 秒/集,比最佳非神谕基线高 34.62 分。论文已接受于 CoRL 2026 相关研讨会。

    推荐理由:提出三层架构系统,在 RoboMME 基准上以低成本调用规划器实现 79.13% 成功率。

  6. arXiv · 机器人与计算机视觉83

    SleuthVLM:我们真的需要视频中的音频吗?

    论文提出 SleuthVLM,这是一个基于视觉语言模型的智能体系统,无需直接处理音频即可回答视频相关问题。系统将语音转录为文本后,由 VLM 自主分析长达 90 分钟的视频内容。

    推荐理由:该研究提出无需直接处理音频的 SleuthVLM,在多项基准测试中超越主流闭源模型,证明智能体能力比多模态对齐更关键。

  7. arXiv · 机器人与计算机视觉83

    TouchéWorld:面向生成式世界的在线统一相机与手部探索技术报告

    TouchéWorld 是一个将手势驱动交互整合进相机控制视频世界模型的框架。给定初始图像和场景描述提示词,该模型基于时间对齐的相机和手部控制生成视频。研究团队通过标注补全、一致性过滤和时间对齐构建了异构第一人称视频的联合相机与手部训练数据,并在预训练的相机控制世界模型基础上,结合空间手部骨架条件与数值手部运动特征进行参数高效适配。

    推荐理由:该报告提出 TouchéWorld 框架,将手势驱动交互整合进相机控制的视频世界模型中。

  8. arXiv · 机器人与计算机视觉78

    RI-Prune:面向多图像视觉语言模型的感知与信息 aware 视觉 Token 剪枝

    针对大视觉语言模型处理多张输入图像时视觉 Token 预算激增的问题,现有基于注意力的剪枝方法在多图基准上表现不佳且存在位置偏差。本文提出 RI-Prune,这是一种无需训练、不依赖注意力机制的预解码器选择器。

    推荐理由:针对多图像场景下注意力机制失效问题,提出无需训练的 RI-Prune 方法,通过查询相关性与跨图对应关系实现更优的视觉 Token 剪枝。

  9. arXiv · 机器人与计算机视觉78

    ChanSFormer:一种用于多通道细胞绘画图像的通道无关视觉 Transformer

    针对高内容多通道成像中实验配置频繁演变的问题,本文提出了 ChanSFormer,这是一种高效的 Vision Transformer,用解耦的空间 - 通道注意力替换了僵化的可学习通道嵌入,并引入独立通道 CLS token。该方法原生保留通道身份与跨通道信息流,在 JUMP-CP 数据集分类准确率上优于最先进方法 3.93%-4.27%,并在自监督设置下展现出卓越的跨数据集迁移能力。

    推荐理由:提出 ChanSFormer,通过解耦空间 - 通道注意力解决多通道图像处理的通道依赖问题。

  10. arXiv · 机器人与计算机视觉78

    FedIA:面向联邦提示学习的实例感知跨模态表示方法

    论文提出 Federated Prompt Learning with Instance-Aware Cross-Modal Representations (FedIA) 框架,旨在解决现有联邦提示学习方法仅支持客户端级个性化而忽视样本间视觉差异的问题。

    推荐理由:提出 FedIA 框架,将联邦提示学习从客户端级个性化推进到实例级,通过自适应融合模块提升跨域与标签偏斜下的性能。

  11. arXiv · 机器人与计算机视觉78

    CLEAR:面向单图去反光的颜色纹理潜空间对齐方法

    针对透过玻璃拍摄的单图去反光任务,本文提出 CLEAR 框架,利用预训练潜扩散模型作为自然图像先验,并通过物理引导分离器和混合特征对齐模块处理反射干扰。该方法在六个真实世界基准测试中取得了最佳的平均保真度和感知指标,且在所有数据集上实现了最低的 LPIPS 分数。

    推荐理由:提出 CLEAR 框架解决单图去反光难题,在六个真实基准上表现最佳。

  12. arXiv · 机器人与计算机视觉78

    FLINT:通过邻近初始化与有界随机性耦合解决流匹配逆问题

    该论文针对成像逆问题中的流匹配生成后验采样提出 FLINT 框架。现有方法将轨迹空间优化与源空间初始化视为独立设计,而本文证明二者存在内在耦合并推导了统一稳定性界限。FLINT 通过两步法实现:首先利用流形约束的邻近目标函数在少量迭代内建立高保真起点,随后在受限随机性调度下执行引导采样以防止优势被噪声侵蚀。实验显示该方法在多种逆问题中实现了感知质量的最优和计算效率的优越性。

    推荐理由:FLINT 提出将初始化邻近性与采样随机性耦合的新框架,在保持高保真起点的同时通过受限噪声注入提升逆问题求解效率。

  13. arXiv · 机器人与计算机视觉78

    LumiTac:用于人机交互的紧凑型高刷新率六轴光学触觉传感

    该研究提出 LumiTac 传感器,这是一种无摄像头的紧凑光电子触觉设备,通过空间分布照明与光谱编码结合实现六维力矩测量。传感器直径 12 mm、厚度 4.75 mm、重量小于 2 g,成本约 7 美元。

    推荐理由:论文提出了一种紧凑的六轴光学触觉传感器,实现了高刷新率与低延迟,为机器人灵巧操作与人机交互提供了新的感知方案。

  14. arXiv · 机器人与计算机视觉78

    FWIK:基于前瞻图搜索的多路点逆运动学选择

    论文提出 FWIK 方法,通过考虑未来窗口内的多路点来选择冗余机械臂的逆运动学解,结合自碰撞模型与 MoveIt 2 规划器进行验证。在 Franka Emika Panda 和 KUKA LBR iiwa 两个 7-DoF 机械臂上,FWIK 在所有八种机器人 - 规划器设置中均实现了最短规划轨迹时长,且序列完成率介于 96.8% 至 100%。

    推荐理由:FWIK 方法在仿真中显著缩短规划时间并提升序列完成率,为冗余机械臂的在线逆运动学选择提供了新方案。

  15. arXiv · 机器人与计算机视觉82

    Feature Puzzles:基于单图监督的多视角 3D 感知分割新框架

    论文介绍 Feature Puzzles 框架,利用图像裁剪与几何变换构建多视角一致分割伪标签,结合预训练 3D 基础模型特征实现无需视频或标定数据的单图监督学习。该方法在 NVOS、SPIn-NeRF 和 ScanNet++ 上达到最佳 mIoU 并保持竞争力,同时支持零样本迁移至开放词汇 3D 分割任务。

    推荐理由:提出仅用单图监督即可学习多视角一致分割的新框架,在 NVOS 等基准上表现优异且支持零样本开放词汇扩展。

  16. arXiv · 机器人与计算机视觉78

    基于 JEPA 世界模型的长视界规划:学习到的时间到目标指标

    针对平层联合嵌入预测架构(JEPAs)在长视界规划中时序区分度不足的问题,本文提出一种轻量级时间到目标(Time-to-Goal, T2G)指标。该方法利用离线轨迹中的潜在三元组进行训练,通过边距排序损失显式学习时序顺序,无需奖励或策略标签即可替代欧氏距离作为规划成本。

    推荐理由:该工作提出轻量级时间到目标指标,解决平层世界模型在长时规划中时序区分度不足的问题。

  17. arXiv · 机器人与计算机视觉78

    RACE:一种无需回放的机器人策略检查点选择方法

    针对学习型机器人策略在训练阶段评估困难的问题,论文提出 RACE 指标,利用固定集的成功轨迹校准动作偏差并聚合累积评分,替代昂贵的实机测试。实验表明,该指标在仿真中优于基线且对验证集变化鲁棒,在真机上其检查点排名与部署成功率一致,能有效区分不同偏差对任务成功的影响。

    推荐理由:提出 RACE 指标,利用固定成功轨迹校准动作偏差以替代昂贵实机测试,仿真与真机实验均显示其排名与部署成功率高度一致。

  18. arXiv · 机器人与计算机视觉78

    WayPOP:一个基于真实 Waymo 数据的全景开放集泛化追踪基准

    WayPOP 是一个全景开放集泛化追踪基准,旨在评估智能体对固定语义分类之外物体的分割与追踪能力。该基准基于真实的 Waymo PVPS 序列,并插入了来自 Objaverse 的约 670 个经过筛选的非分类资产(共生成 980 条唯一未知物体轨迹),利用车载相机渲染出包含 53,452 个掩码标注和激光雷达观测数据的跨视角一致数据。

    推荐理由:该基准填补了全景开放集追踪的空白,揭示了现有方法在未知物体跨视角关联上的局限。

  19. arXiv · 机器人与计算机视觉78

    基于生成式海洋模型的闭环自适应采样方法

    针对稀疏海洋观测场景,研究提出一种多机器人闭环自适应采样框架,利用单一学习到的生成式海洋模型完成预报、不确定性估计、规划及数据同化。该方法在潜在空间构建集合预报并解码至物理状态,结合可达性约束选择采样点,实验表明其 A-或 D-最优策略优于静态与随机基线,同时揭示了模型不确定性与预报误差的偏差问题。

    推荐理由:提出闭环自适应采样框架,利用生成式海洋模型进行预测与不确定性估计,多机器人策略优于静态基线。

  20. arXiv · 机器人与计算机视觉78

    Decompose the Distillation:可解释的单步引导用于扩散模型

    论文介绍了一种名为 CtrlFlow 的扩散模型推理时间引导新方法,旨在解决传统分类无关引导(CFG)需要双次前向传播的问题。该方法通过冻结骨干网络并附加两个轻量级 LoRA 适配器,在单次前向传播中同时输出可解释的基流和引导方向,从而保持与 CFG 相同的接口灵活性且无需重新训练。为对齐推理时的误差放大特性,工作采用了统一的多尺度蒸馏损失、尺度自适应调制和时间网格扭曲等技术来优化训练与求解过程。

    推荐理由:提出单步引导方法 CtrlFlow,通过轻量适配器保留扩散模型的可解释基流与引导方向接口,支持推理时调节且无需重训。