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 30 页

11月4日周三第 581–600 条
  1. arXiv · 机器人与计算机视觉80

    超越 Token 表示:面向视频推理分割的显式视觉对象定位框架

    本文针对视频推理分割中现有方法依赖语义单调且空间模糊的分割 Token 的问题,提出了显式视觉对象定位框架。该方法利用多模态大语言模型生成并细化目标的边界框与点集提示,引入查询多样化模块从不同视角描述同一目标以缓解训练偏差,并结合基于关键帧的选择策略支持掩码解码。在八个数据集上的实验表明,该方法显著优于最先进方法。论文已被 NeurIPS 2026 接收,代码已开源。

    推荐理由:提出显式视觉对象定位框架,通过空间感知提示与查询多样化解决语义单调问题。

  2. arXiv · 机器人与计算机视觉84

    ReflexArc:将瞬时触觉反射自下而上集成到全身人形机器人控制中

    针对人形机器人在杂乱环境中需快速反应意外接触的挑战,该研究提出了 ARC(Ascending Reflex Control)框架,将毫秒级触觉反射与全身策略学习相结合。

    推荐理由:该工作将毫秒级触觉反射与全身策略学习结合,在 Unitree G1 上验证了降低冲击峰值和保持平衡的能力。

  3. arXiv · 机器人与计算机视觉78

    SphereFlow:通过超球面上几何传输进行缺失模态补全

    论文 SphereFlow 提出一种将不同模态投影至共享超球面潜在空间的框架,利用流匹配(flow matching)实现跨模态补全。针对标准高斯噪声源与单位范数数据流形不匹配及线性插值偏离球面的问题,作者通过替换噪声源为观测模态潜变量并采用时间加权损失函数进行几何修正。

    推荐理由:提出基于超球面几何传输的缺失模态补全方法,在医学影像翻译任务中实现最先进生成保真度并显著缩小与全模态基准的差距。

  4. arXiv · 机器人与计算机视觉78

    在无目标相机 -LiDAR 外参校正前进行审计的研究

    该预印本研究了在无目标条件下对相机-LiDAR 融合的外参变换进行校正后是否应被下游系统采纳的问题。研究在 Argoverse 2 合成漂移数据上评估了单帧与多帧对齐策略,发现单帧 Canny 对齐在轻度漂移下有害,而多帧对齐虽改善旋转但恶化平移且联合误差指标为负。

    推荐理由:该预印本通过日志分离协议评估了无目标外参校正的质量与递归风险,指出单帧对齐在轻度漂移下有害且联合误差指标为负,不支持将其作为可部署的校准门禁。

  5. arXiv · 机器人与计算机视觉78

    IGSW:基于内在解耦高斯泼溅的多天气城市场景重建

    论文提出了 IGSW 框架,旨在实现高保真的 4D 城市场景多天气编辑以支持端到端自动驾驶训练。该方法将背景高斯外观分解为共享反照率与法线及特定辐照度残差,并利用扩散模型生成的教师图像和内在映射提供软监督;第二阶段通过结构保持门控抑制不可靠区域并增强目标天气外观。

    推荐理由:提出 IGSW 框架,通过解耦高斯场景建模与结构保持的天气细化,解决了多天气编辑中的结构失真问题。

  6. arXiv · 机器人与计算机视觉83

    ReSMap:一种利用卫星先验增强鲁棒性的在线 HD 地图构建框架

    针对基于相机的在线 HD 地图系统易受传感器故障影响的问题,本文提出 ReSMap 框架,将离线缓存的卫星图像作为相机失效时的冗余互补源。该框架通过预测 - 融合模块和以物体为中心的跨模态查询解码器,利用各分支的置信度进行像素级可靠性加权并合并更新,无需学习路由网络。模型在 nuScenes 数据集的所有划分及范围设置下均达到最先进性能,特别是在相机故障场景下显著提升了鲁棒性。

    推荐理由:提出利用卫星图像作为相机失效时的冗余备份,在 nuScenes 数据集上实现包括相机故障场景在内的最先进性能。

  7. arXiv · 机器人与计算机视觉78

    Weather Adaptive Autonomous Driving:一种针对恶劣天气的相机目标检测自适应策略

    该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。

    推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。

  8. arXiv · 机器人与计算机视觉78

    GroundSeek-CXR:一种用于多标签胸部 X 光诊断的回顾性评估引导主动观察框架

    针对胸部 X 光诊断中需识别细微病变及并发异常的挑战,本文提出 GroundSeek-CXR 框架。该框架通过回顾性诊断评估(RDE)对离线蒙特卡洛树搜索生成的观察与停止候选进行评分,并利用回顾性差距加权偏好优化(RGPO)学习基于最终诊断结果的偏好信号。实验表明,该方法在异常图像样本 F1 值上比即时分数偏好学习方法提升 4.48%。

    推荐理由:提出基于回顾性评估的主动观察框架,利用最终诊断结果优化局部区域选择与停止决策。

  9. arXiv · 机器人与计算机视觉78

    通过权重空间编程改进图像复原扩散模型:技术猜想与递归改进循环

    该论文提出一种无需梯度、成对数据或微调的权重空间编程(WSP)方法,旨在利用大语言模型直接编辑扩散模型的参数以改善图像复原质量。作者构建了包含去模糊、超分辨率等任务的精确回归场景,并提出了三项技术猜想:LLM 能在有限前向传播预算内定位质量缺陷层;对特定权重方向的小规模编辑可提升 PSNR 和感知质量;递归循环能累积增益形成最小化自提升(RSI)闭环。

    推荐理由:提出利用大模型在权重空间直接编辑扩散模型以改进图像复原质量的猜想,并设计了诊断 - 编辑 - 评估的递归自提升循环框架。

  10. arXiv · 机器人与计算机视觉82

    Sketch-Omni:首个基于草图的感知多模态大模型发布

    论文提出了 Sketch-Omni,这是首个专为处理草图而构建的感知多模态大模型(Perception MLLM)。该模型利用边缘检测技术将标注照片转化为类草图数据,并通过光导关系对齐训练,实现了从草图到照片的实例级定位。

    推荐理由:该工作构建了首个基于草图感知的多模态大模型,通过边缘检测与关系对齐技术实现了从草图到照片的实例级定位。

  11. arXiv · 机器人与计算机视觉78

    DiMuRe:面向机器人任务的诊断引导多级恢复框架与 LIBERO-Disturb 基准

    论文提出 DiMuRe 框架,利用阶段证据和方法先决条件选择程序复用或预定义恢复技能(包括有界 VLA 抓取),并在原程序退出后通过多模态大语言模型生成修正代码。

    推荐理由:提出诊断引导的多级恢复框架,在干扰场景下将任务成功率从 58.68% 提升至 77.65%,并开源了 LIBERO-Disturb 基准。

  12. arXiv · 机器人与计算机视觉78

    LiSA:用于长程视觉建模的线性随机注意力

    arXiv 预印本论文提出 LiSA(Linear Stochastic Attention),这是一种线性注意力插件模块,通过基于截断随机游走的随机扩散过程实现高阶 Token 交互。该方法具备自适应局部性以保留细粒度结构,并在分类、语义分割和目标检测任务上展示了优于最先进方法的实验结果。

    推荐理由:提出基于截断随机游走的线性随机注意力模块,在分类与分割任务上优于现有方法。

  13. arXiv · 机器人与计算机视觉82

    ReconDreamer#:面向动态驾驶场景的重建与生成的自进化闭环协同方法

    针对动态驾驶场景中生成数据与现实观测差距大的问题,论文提出 ReconDreamer# 框架,实现重建与生成的自进化闭环协同及基于几何先验的自适应地面建模。在 Waymo、nuScenes 等基准测试中,该方法显著提升了三维表征能力:Waymo 数据集上横向偏移 6 米时,NTA-IoU 和 NTL-IoU 分别提升 8.8% 和 3.0%,FID 降低 15.1%。

    推荐理由:提出自进化闭环框架,通过生成与重建模型互促提升动态驾驶场景的三维表征能力。

  14. arXiv · 机器人与计算机视觉78

    共现先验压倒视觉空间证据:理解 VLM 在建筑被撞击危险检测中的误报

    该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。

    推荐理由:研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。

  15. arXiv · 机器人与计算机视觉84

    在线哈密顿 -雅可比可达性:用于安全关键自主系统的实时 GPU 求解器

    论文提出一种 CUDA 实现的 WENO5+TVD-RK3+Lax-Friedrichs 水平集哈密顿 -雅可比 -伊萨科求解器,可在机器人控制回路内运行。

    推荐理由:作者提出了一种可在机器人控制回路内实时运行的 GPU 求解器,为黑盒策略提供形式化安全保证。

  16. arXiv · 机器人与计算机视觉78

    FEIJOA:面向移动操作的指令落地与执行方法

    论文提出了 FEIJOA 语言模型智能体,用于解决移动机械臂在执行‘把玩具收进箱子’等开放指令时的场景理解难题。该方法在测试时查询 grounding 工具以解析指令,并通过具身感知 harness 检查技能先决条件、采样可达基座位姿并验证执行效果。

    推荐理由:该工作提出在测试时进行指令 grounding 的架构,显著提升了移动操作任务的成功率。

  17. arXiv · 机器人与计算机视觉78

    点云分类的统计鲁棒性基准:我们仍需要旋转不变架构吗?

    该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。

    推荐理由:该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。

  18. arXiv · 机器人与计算机视觉78

    h-NESDF:一种具有无限可微性的双集合有向距离函数及其机器人应用

    论文介绍了一种名为 h-NESDF 的新指标,它是正常欧几里得符号距离函数的推广版本。该函数通过引入平滑参数 h 实现了在任意 h>0 时的无限可微性,同时当 h 趋近于 0 时退化为 NESDF。研究展示了其在运动规划中的广泛仿真结果,证明了该方法在处理非凸集合及需要导数信息的机器人应用(如运动规划和控制)中的可行性与效率。

    推荐理由:提出一种可无限微分的集合间有向距离函数,解决传统欧氏距离在机器人运动规划与控制中求导困难的问题。

  19. arXiv · 机器人与计算机视觉78

    UrbanTwin 挑战赛 V2X-Real 赛道:坐标系恢复与分类级 NMS 等 Sim2Real 方法

    作者 Aman Upganlawar 分享了其在 UrbanTwin Sim2Real LiDAR Challenge V2X-Real 赛道的最终方案,该方案仅使用合成数据训练并在真实 Ouster OS1-64 雷达上评估。

    推荐理由:作者分享了在 UrbanTwin 挑战赛中解决坐标系对齐、分类级 NMS 及零值点建模的三项关键工程修正,为仿真到现实的 LiDAR 检测提供了可复用的诊断思路。

  20. arXiv · 机器人与计算机视觉78

    UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道论文:基于几何修正与分布对齐的仿真到现实路边激光雷达检测

    该论文描述了作者团队在 UrbanTwin Sim2Real LiDAR 挑战赛 LUMPI 赛道的最终方案,该方案仅使用合成数据训练并在未见过的真实路边激光雷达上评估。

    推荐理由:作者提出针对路边 LiDAR 小目标检测的几何修正与分布对齐方法,并分享了可预测提交分数的实验方法论。