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 28 页

11月4日周三第 541–560 条
  1. arXiv · 机器人与计算机视觉82

    医疗世界模型:能力、证据与可信的临床转化综述

    这篇综述通过结构化叙事综合和可复现的证据映射,定义了医疗世界模型的概念边界与技术基础。研究筛选了 1455 条记录并汇编了 300 个来源,其中 14 项符合严格的实证定义。文章区分了患者状态表征、时间动态建模等四大能力,指出当前证据多处于回顾性或临床前阶段,并提出了从轨迹预测到干预比较所需的精确干预表示与因果机制等具体证据要求。

    推荐理由:该综述梳理了医疗领域世界模型的四大能力与临床转化证据要求,区分技术可行性与临床成熟度,为相关团队提供评估框架。

  2. arXiv · 机器人与计算机视觉80

    Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids

    论文提出 DEED(Data-Efficient Post-Training and Experience-Driven Learning)框架,旨在弥合基准性能与可靠现实操作之间的差距。

    推荐理由:提出 DEED 框架,通过数据高效微调与经验驱动学习在单 GPU 上实现 Unitree G1-Edu 机器人超市补货任务。

  3. arXiv · 机器人与计算机视觉81

    CLAP:基于语言动作锚定的直接 VLM 到 VLA 适配方法

    CLAP 提出一种无需修改骨干架构即可将预训练视觉语言模型转化为视觉语言动作模型的方法,通过在数值动作序列前添加自然语言描述来因果性地条件化精确动作预测。

    推荐理由:CLAP 通过因果语言动作预测解决输出分布不匹配问题,在少量训练下实现 VLM 到 VLA 的透明能力迁移。

  4. arXiv · 机器人与计算机视觉78

    jaxipm:首个支持 GPU 批处理的通用约束非线性优化求解器发布

    论文介绍了 jaxipm,这是基于 JAX 实现的 IPOPT 算法 GPU 批处理版本,旨在解决现代 GPU 硬件上运行非线性规划(NLP)时的 CPU-GPU 传输瓶颈。

    推荐理由:该工作提出首个 GPU 批处理非线性优化求解器,解决了传统 CPU 求解在机器人高频采样中的瓶颈问题。

  5. arXiv · 机器人与计算机视觉78

    RBFN 作为自监督学习中的投影头

    本文论证在自监督学习中保留而非丢弃投影层是必要的,并提出用径向基函数网络(RBFN)替代标准多层感知机(MLP)。作者引入 Scale-Normalized Separation (SNS) 指标,利用训练得到的核中心与形状参数在无标签情况下评估骨干网络表示质量。

    推荐理由:提出用可解释的 RBFN 替换 SSL 中的 MLP 投影头,并给出无标签质量评估指标 SNS。

  6. arXiv · 机器人与计算机视觉78

    PACE:基于动作分块的相位感知执行方法

    论文提出 PACE(Phase-Aware Chunk Execution),一种无需训练的机器人策略在线执行方法。该方法利用预测速度曲线中的低速谷值作为重规划边界,以平衡反馈频率与运动连续性。

    推荐理由:提出无需训练的 PACE 方法,利用预测速度曲线的低速谷值动态选择重规划边界,在 RoboTwin2.0 和 LIBERO 基准及真机实验中均优于固定或自适应策略。

  7. arXiv · 机器人与计算机视觉84

    DynaFLIP:一种基于三模态动力学引导的机器人感知表征框架

    论文介绍 DynaFLIP 框架,旨在解决传统机器人学习管道依赖静态视觉编码器、将运动理解推给下游策略的问题。该方法构建图像 - 语言-3D 流三元组作为训练监督,鼓励三种模态在共享超球空间中占据较小的单纯形体积以增强对齐,并结合余弦正则化与对比目标以避免几何歧义和平凡坍缩。

    推荐理由:该工作提出将运动理解上移至感知层,通过多模态监督构建动力学感知表征,在跨分布场景下提升机器人泛化能力。

  8. arXiv · 机器人与计算机视觉78

    CurEvo:课程引导的视频理解自进化框架

    该研究提出了 CurEvo 框架,旨在解决现有视频理解自进化方法缺乏结构化指导的问题。框架维护能力感知的课程状态和累积训练池,通过多维问题生成提供互补监督(从可验证的结构化感知问题到类型条件的识别理解问题),并利用自适应评估机制独立筛选高质量问答对以更新课程。

    推荐理由:提出课程引导自进化框架,通过多维问题生成与自适应评估实现无标注视频理解能力的自主提升。

  9. arXiv · 机器人与计算机视觉82

    SMAT:面向协同适应外骨骼控制的分阶段多智能体训练方法

    针对外骨骼辅助中用户与设备需协同适应的非平稳学习问题,本文提出分阶段多智能体训练(SMAT)框架。该方法在 MyoAssist 仿真环境中,先让肌肉骨骼模型学习无助力步态及适应附加质量,再训练外骨骼策略,最后实现双向反馈下的共同适应。

    推荐理由:提出分阶段多智能体训练框架,在仿真与物理实验中均实现无需个体重训的持续正向助力。

  10. arXiv · 机器人与计算机视觉84

    VidVec:解锁视频 MLLM 嵌入以用于视频 - 文本检索

    论文分析指出预训练多模态大模型(MLLM)在零样本视频 - 文本检索任务中已具备显著能力,通过结合中间层嵌入与校准头即可实现强性能。作者提出一种无需成对多模态数据的轻量级文本优化策略,利用密集视频字幕作为语义代理、短摘要作为查询视图,证明精心设计的文本对齐目标能通过共享骨干网络提升多模态对齐效果。该方法在常见基准测试中超越现有方法并达到最先进水平,且计算成本低于依赖成对监督的训练方式。

    推荐理由:提出无需成对视频数据的轻量文本优化策略,利用预训练多模态大模型中间层嵌入实现视频 - 文本检索 SOTA。

  11. arXiv · 机器人与计算机视觉83

    Diffusion-DRF:一种用于视频扩散微调的自由、丰富且可微分的奖励框架

    论文提出了 Diffusion-DRF 框架,旨在解决视频扩散模型微调中依赖标量奖励导致的优化不稳定和奖励黑客问题。该方法利用冻结的预训练视觉语言模型作为评论器,将用户提示分解为多维度的自由形式 VQA 解释查询以获取丰富反馈,并通过直接可微分优化实现无需偏好数据集的稳定奖励基线调整。实验显示该框架在未见过的 VBench-2.0 基准上整体性能超越最先进方法 Flow-GRPO 4.74%。

    推荐理由:该工作提出无需偏好数据集的差异化奖励框架,在视频扩散微调任务上实现稳定优化并超越现有基线。

  12. arXiv · 机器人与计算机视觉78

    DRAP:面向物理 AI 持续学习的动力学 - 风险自适应可塑性

    论文提出 DRAP(Dynamics-Risk Adaptive Plasticity),这是一种无需回放机制的物理 AI 持续学习方法,旨在解决小步策略误差累积导致闭环任务失败的问题。

    推荐理由:提出无需回放机制的 DRAP 方法,通过轨迹风险加权梯度累积来动态调节模型张量的可塑性,在 OpenVLA 子网络上实现了 LIBERO 基准任务中旧行为保留与新任务获取的平衡。

  13. arXiv · 机器人与计算机视觉83

    Aero-VPA:面向边缘硬件的非重构 JEPA 潜空间少步流匹配控制研究

    论文提出 Aero-VPA 轻量级视觉预测动作架构,用于边缘硬件上的三维导航。该架构利用紧凑的 RGB-D Vision Transformer 和五头集成预测器在不进行像素重建的情况下预测下一潜状态,并通过条件流匹配求解器在两个欧拉步骤内生成速度和偏航率片段。

    推荐理由:该工作提出 Aero-VPA 架构,在 PX4 仿真环境中实现四旋翼自主飞行闭环评估,公开代码、策略与基准数据集。

  14. arXiv · 机器人与计算机视觉82

    Say the Same, Act Differently:诊断与引导推理 VLA 中的文本 - 动作分歧

    该研究针对推理型视觉语言动作(VLA)模型,发现视觉扰动可在保持生成理由逐字不变的情况下改变物理动作。在 Alpamayo 和 InstructVLA 模型上,基于文本中性残差子空间(TNAS)的干预比传统方法更高效地诱导动作变化且大幅降低文本漂移。

    推荐理由:论文揭示视觉扰动可独立于文本理由改变动作,提出 TNAS 诊断方法证明仅凭文本无法认证安全,需直接验证动作通道。

  15. arXiv · 机器人与计算机视觉78

    VagueBench:评估具身智能体在环境语境幻觉下的鲁棒性基准

    针对当前具身智能体评估偏向危险指令而忽视语义充分但语境最小化指令的问题,该研究首次提出‘环境语境幻觉’现象并建立 VagueBench 基准。该基准基于 AI2-THOR 仿真环境,包含 1,303 对指令,通过人类 - 智能体协同生成框架构建以测试语境依赖性。

    推荐理由:该工作提出环境语境幻觉现象并建立 VagueBench 基准,揭示具身智能体对辅助语言信号的过度依赖及潜在安全风险。

  16. arXiv · 机器人与计算机视觉82

    te-comp:首个生成自包含 C 推理引擎的完整 MLIR 编译器

    te-comp 是首个基于 MLIR 的编译器,可将标准 TFLite 或 Safetensors 模型编译为无运行时依赖的 C 代码,包含推理引擎与 RTOS 集成层。

    推荐理由:te-comp 是首个基于 MLIR 的编译器,可将 TFLite/Safetensors 模型编译为无依赖的 C 代码,在 MCU 上实现 GPT-Neo 等模型的独立推理。

  17. arXiv · 机器人与计算机视觉78

    Diffusion Plug-in Priors for Self-Supervised Ultrasound Video Restoration

    针对受限于硬件分辨率和信号相关斑点的超声视频,作者提出 UltraDiff 方法,利用冻结预训练扩散模型作为插件先验,在无需配对数据或网络重训练的情况下实现超分与去噪。

    推荐理由:提出无需配对数据或重训练的超声视频复原方法,结合斑点感知保真度与冻结扩散先验提升下游测量精度。

  18. arXiv · 机器人与计算机视觉78

    TAQ-MOTR:面向端到端多目标跟踪的跟踪感知检测查询生成方法

    针对现有跟踪即传播(TBP)方法在检测与身份关联耦合下易漏检或关联失败的局限,本文提出 TAQ-MOTR 框架。该方法通过预解码器混合查询生成器融合图像特征、轨迹记忆与可学习记忆,使检测查询适应当前未跟踪目标的发现及被遮挡目标的补充证据需求;同时引入仅用于训练的辅助检测分支以增强监督。

    推荐理由:提出跟踪感知检测查询生成框架,解决多目标跟踪中漏检与关联失败问题。

  19. arXiv · 机器人与计算机视觉78

    面向组合图像检索的分解多模态大模型嵌入方法

    论文针对组合图像检索任务中多模态大模型成分化理解未被充分利用的问题,提出 Factorized MLLM Embeddings 方法。该方法通过中间目标想象目标模拟视觉修改意图,将组合查询理解与判别式嵌入构建解耦,并利用分解表示蒸馏至深层注意力层以传播特征。实验表明该方法在多个 CIR 基准上优于现有工作。

    推荐理由:提出 Factorized MLLM Embeddings 方法,通过解耦组合查询理解与判别式嵌入构建,在 CIR 基准上优于现有工作。

  20. arXiv · 机器人与计算机视觉78

    从自然图像到医学影像:扩散模型的迁移性研究

    该预印本论文分析了将自然图像先验迁移至医学影像扩散去噪器的效果。研究发现,在像素空间和潜在空间下,自然图像初始化均能显著提升生成质量(相对 gFID 提升 21-34%),且这种增益与下游病理分类和放射组学特征提取能力正相关。研究进一步揭示,迁移收益主要源于空间结构的共享而非语义信息,混合域训练表明自然与医学图像在深层网络表示上具有相似性。代码已开源。

    推荐理由:研究证实自然图像初始化可提升医学扩散模型生成质量,并揭示空间结构是迁移生效的关键通道。