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 29 页

11月4日周三第 561–580 条
  1. arXiv · 机器人与计算机视觉78

    PROVE:一种用于组合理解的自博弈视觉语言验证器方法

    该论文介绍 PROVE(Perturb-and-Repair Optimization for Vision-Language Evaluation),这是一种无需外部强监督或人工标注的自博弈框架。系统通过扰动、验证、修复和再验证的闭环,利用同一多模态骨干网络的参数更新来训练验证器,从而提升细粒度组合理解能力和视觉细节鲁棒性。

    推荐理由:提出自博弈框架 PROVE,通过扰动 - 修复闭环训练视觉语言验证器,提升细粒度组合理解能力。

  2. arXiv · 机器人与计算机视觉78

    基于多视角无人机影像的免训练高保真光伏组件映射方法

    针对光伏组件地图需要完整实例恢复和精确描绘的挑战,本文提出了 Multi-View PV Module Mapper (MV-PVMapper),这是一个无需训练的框架,耦合了视觉基础模型与无人机摄影测量。

    推荐理由:该工作提出无需训练的框架,利用多视角无人机影像实现光伏组件的高保真映射与实例恢复。

  3. arXiv · 机器人与计算机视觉78

    HLO-AMP:基于物体感知运动先验的分层移动 - 操作框架

    论文提出 HLO-AMP 框架,通过分层策略解决人形机器人移动与操作任务中低层控制器缺乏物体感知的难题。方法将低层控制器训练为物体感知运动先验,利用重定向动作捕捉数据在真实物体存在时学习自然协调与接触力分布;高层策略则基于经验包络进行参考免费训练以防止越界。实验在宇树 G1 平台上实现了双手抓放任务,验证了该方法对物体质量、尺寸及初始目标位姿的泛化能力,并展示了从搬运中故意掉落后的恢复效果。

    推荐理由:该工作提出将低层控制器训练为物体感知的运动先验,在真实物体存在下学习自然协调与接触力分布。

  4. arXiv · 机器人与计算机视觉78

    稀疏锚点用于变化环境中的视觉多会话配准

    该研究针对重复机器人监测中环境变化导致视觉内容减少或结构重复的问题,提出一种结合稀疏可靠绝对姿态约束与会内相对姿态信息的配准方法。通过视觉地物识别、局部特征匹配及几何验证估计对齐假设,利用序列共识保留一致的姿态作为绝对锚点,再经高斯特征场优化与稳健位姿图优化完成完整轨迹注册。

    推荐理由:论文提出稀疏锚点方法,在环境变化下实现跨会话轨迹注册,在 HILTI26 数据集上优于独立定位与 SfM 直接配准。

  5. arXiv · 机器人与计算机视觉76

    VIGOR:一种用于缓解多模态离散扩散语言模型幻觉的视觉增益排序方法

    针对多模态离散扩散语言模型在迭代去噪过程中因过早依赖语言先验而产生幻觉的问题,本文提出了一种无需训练的推理策略 VIGOR。该方法通过对比原始图像条件化与视觉消融条件下的候选 token 置信度差异,优先处理受图像证据支持更强的位置,从而减少早期承诺对后续生成的偏差。

    推荐理由:提出无需训练的推理策略 VIGOR,通过重排掩码位置顺序来缓解多模态离散扩散语言模型的幻觉问题。

  6. arXiv · 机器人与计算机视觉83

    FloMo:将3D场景流作为世界动作模型的中间层以学习人类视频数据

    论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。

    推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。

  7. arXiv · 机器人与计算机视觉78

    Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action

    论文提出一种基于 3D 几何抽象的接口,将机器人场景的空间推理从原始图像转移到文本和符号上。该方法利用校准后的 RGB-D 数据对物体部件进行类型化和证据感知的符号引用,并在每次动作后返回包含度量残差的紧凑文本检查点。

    推荐理由:提出通过几何抽象将空间推理从图像转为符号,减少多模态查询并提升多步操作成功率。

  8. arXiv · 机器人与计算机视觉84

    HiLo-WAM:解耦世界动作模型中的长程任务演化与局部动态

    该论文提出 HiLo-WAM 架构,旨在解决现有世界动作模型(WAMs)在捕捉长程任务上下文方面的不足。方法通过稀疏长程视觉流和密集局部动态流,在统一的双 DiT 架构中分别建模历史任务背景与短时机器人 - 物体交互,并利用结构化跨流注意力引导动作生成。

    推荐理由:该工作提出 HiLo-WAM,通过解耦长程任务演化与局部动态并联合建模交互,在 RoboTwin 2.0 等基准上实现高成功率与推理加速。

  9. arXiv · 机器人与计算机视觉78

    ProAlign:面向空天地行人重识别的渐进式位置与原型对齐方法

    针对无人机与地面监控摄像头图像间存在严重视角差异、遮挡及域间隙的挑战,本文提出 ProAlign 网络以解决层级特征提取中的累积位置漂移和跨视图语义不一致问题。

    推荐理由:提出 ProAlign 网络,通过分层位置校准与视图感知原型对比学习解决空天地 ReID 的位置漂移与语义不一致问题。

  10. arXiv · 机器人与计算机视觉78

    基于障碍认证安全架构的腿部视觉语言导航研究

    该论文针对预训练大模型在具身智能导航中缺乏物理落地与显式安全保证的问题,提出一种模块化系统:集成高层 VLA 规划器与低层物理感知层,利用 SDF 表示和离散指数障碍函数约束 MPPI 规划器,为腿部机器人提供可证明的碰撞避免保证。系统在双足和四足机器人上进行了广泛的真实世界实验,验证了其高效、安全且通用的视觉语言驱动导航能力。

    推荐理由:本文提出通过障碍函数约束与 SDF 感知为双足及四足机器人的 VLA 导航提供可证明的碰撞避免保证,并在真实机器人上验证了安全性。

  11. arXiv · 机器人与计算机视觉78

    An Agentic Framework for Quality-Aware and Scenario-Adaptive Image Compression

    arXiv 预印本论文提出 Practical Image Coding Agents (PICA) 框架,利用四个协作智能体(感知、改进、编码、后编码)解决传统编码器难以适应多样化压缩目标及含退化输入的问题。

    推荐理由:提出 PICA 多智能体框架,通过感知、优化与后处理协同实现场景自适应图像压缩。

  12. arXiv · 机器人与计算机视觉78

    基于递归可行控制屏障函数的网联自动驾驶多智能体强化学习安全保障方法

    针对多智能体强化学习缺乏安全保证且传统控制屏障函数易不可行或过于保守的问题,本文提出 Backup-Horizon CBF 方法。该方法沿时间步长评估安全性直至车辆停止,在控制约束下保持递归可行性并精确考虑几何形状。

    推荐理由:提出递归可行控制屏障函数,在仿真中实现多智能体强化学习的安全保障与实时性。

  13. arXiv · 机器人与计算机视觉82

    PATTS:面向并行多模态离散扩散大模型的感知测试时扩展思想图像生成方法

    该论文提出 PATTS 框架,针对并行多模态离散扩散语言模型中的推理与图像联合解码问题,利用模型内部轨迹诊断生成的状态相关可靠性权重来调节外部语义验证的影响。实验显示,在固定 N=32 的搜索预算下,该方法将 GenEval 分数从 0.628 提升至 0.844,优于无测试时扩展、Best-of-N 和 FKD 方法。论文已被 WACV 2027 接收,代码已开源。

    推荐理由:提出 PATTS 框架,利用内部轨迹诊断调节外部语义验证权重,在并行多模态离散扩散模型上实现 GenEval 分数从 0.628 提升至 0.844。

  14. arXiv · 机器人与计算机视觉78

    Learning Where to Look:面向图像思考的观察策略优化方法

    该研究针对复杂视觉问答中模型难以定位关键区域或获取充分证据的问题,提出 Observation Policy Optimization (OPO) 算法以优化工具增强的图像思考中的观察动作。

    推荐理由:针对多模态模型在图像思考中的观察动作优化难题,提出 OPO 算法通过不确定性引导分支与证据归因机制提升视觉推理性能。

  15. arXiv · 机器人与计算机视觉78

    MiCaDe:面向自动驾驶的在线激光雷达 - 相机失配变化检测

    MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。

    推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。

  16. arXiv · 机器人与计算机视觉78

    Trusting Imagined Futures:通过审计想象奖励优化 VLA 后训练方法

    视频世界模型虽能评估候选动作的想象结果,但高预测奖励常偏向执行质量差的轨迹。本文提出 Trusting Imagined Futures (TIF),一种离线监督选择方法,利用多维奖励模型和不确定性审计器识别过估计模式。

    推荐理由:该工作提出利用执行反馈审计想象奖励以筛选 VLA 后训练数据,在 LIBERO 基准上提升成功率并在真实机器人任务中提高完成度。

  17. arXiv · 机器人与计算机视觉78

    通过动作条件潜变量前瞻协调人形机器人体操与操作

    论文提出一种动作条件潜变量前瞻(action-conditioned latent foresight)方法,构建潜在世界 - 动作模型以在执行前评估指令序列。

    推荐理由:提出动作条件潜变量前瞻方法,在仿真与真实机器人任务中均优于基线,验证了潜在世界 - 动作模型的有效性。

  18. arXiv · 机器人与计算机视觉78

    Phase-DGS:基于语义相位的非同步多视角视频动态高斯泼溅重建

    针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。

    推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。

  19. arXiv · 机器人与计算机视觉78

    MPath Mamba:一种用于 3D 点云语义场景补全的 Multi-Path Mamba 扩散网络

    该论文提出了一种名为 MPath Mamba 的新型神经网络框架,旨在解决自动驾驶系统中的 3D 语义场景补全任务。该方法结合了状态空间建模与基于扩散的生成方法,利用跳连三元组 Mamba 结构、维度分解残差和多路径数据中的多方向膨胀来高效处理长序列特征提取。

    推荐理由:该工作提出融合状态空间建模与扩散模型的 MPath Mamba 网络,在 SemanticKITTI 基准上实现了具有竞争力的 3D 点云语义场景补全性能。

  20. arXiv · 机器人与计算机视觉82

    BtsPruner:面向大视觉语言模型的基于角色感知的视觉 Token 剪枝方法

    针对大视觉语言模型推理时计算开销大的问题,本文提出 BtsPruner 框架,该方法无需训练即可通过识别视觉 Token 从局部细节到全局代表的角色演变过程进行剪枝。实验表明,在 LLaVA-1.5-7B 等模型上,仅保留 32 个视觉 Token(占总数 5.6%)即可保持 91.6% 的原始性能,并在高分辨率设置下实现最高 5.95 倍的 CUDA 延迟加速。

    推荐理由:提出无需训练的基于角色感知的视觉 Token 剪枝框架,在大幅减少输入 Token 数量下保持高性能并显著降低推理延迟。