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 33 页

11月3日周二第 641–660 条
  1. arXiv · 机器人与计算机视觉78

    当优化遇见人类意图:以人为中心的扩散模型优化综述

    Renye Yan 和 Jikang Cheng 发表了一篇关于扩散模型优化的综述论文,指出当前优化主要依赖美学等可量化目标,往往无法准确对齐多维、动态的人类真实意图。文章系统分析了人类意图如何转化为优化目标并影响生成行为,讨论了自动化指标与用户主观判断之间的差距,旨在为面向人类偏好的个性化生成系统设计提供理论参考。

    推荐理由:文章系统分析了人类意图在扩散模型优化中的表达与对齐问题,指出了现有指标与真实用户判断的差距。

  2. arXiv · 机器人与计算机视觉78

    Ray-SCR:实现跨相机模型的通用场景坐标回归

    针对场景坐标回归(SCR)在鱼眼、全景等不同相机模型间泛化能力差的问题,本文提出 Ray-SCR 方法。该方法将局部视觉特征条件化为校准后的观测射线,并利用稀疏 SfM 点作为度量锚点连接不同视图与相机模型。实验表明,Ray-SCR 显著提升了跨相机场景的泛化性能,在针孔、鱼眼及全景相机设置下均达到最先进定位效果。

    推荐理由:Ray-SCR 通过射线条件化与稀疏 SfM 锚点,解决了场景坐标回归在多相机模型间的泛化难题。

  3. arXiv · 机器人与计算机视觉82

    DR Pixel:基于视觉语言模型的页面原生深度研究

    该论文介绍 DR Pixel,这是首个将渲染后的文档页面图像作为唯一检索与推理单元的开源端到端多模态深度研究智能体。研究构建了 DRPixelBench 基准以评估在科学论文(含文本、图表、公式)上的表现。

    推荐理由:提出 DR Pixel,首个基于渲染页面图像而非 OCR 文本的开源多模态深度研究智能体,在科学文献处理上无需训练即可超越现有基线。

  4. arXiv · 机器人与计算机视觉78

    KlaskTron-IL:一种具有验证过的仿真到现实桥接的富接触对抗模仿学习基准

    作者构建了 KlaskTron-IL 基准,包含 80k 物理机器人采集的人类演示、320k 对称增强数据及由零样本验证策略生成的合成轨迹。该基准揭示了标准模仿学习方法在富接触对抗动力学下的三种典型失效模式:行为克隆的数据扩展瓶颈、GAIL 判别器梯度弱以及行为克隆先验与奖励密度的非对称交互。由于策略接口与硬件执行器模型一致,在此范围内训练的强基线策略可直接迁移至物理机器人运行。

    推荐理由:作者构建了含接触对抗的模仿学习基准,提供零样本仿真到现实迁移策略与诊断基线,揭示标准方法在复杂动力学下的失效模式。

  5. arXiv · 机器人与计算机视觉78

    MIRA:通过欺骗性上下文增强强化多模态推理

    论文 MIRA 针对现有框架中因过度依赖视觉 token 导致的感知 - 推理差距问题,提出一种训练框架以增强鲁棒性和逻辑推理能力。该方法通过在训练中注入过滤后的欺骗性视觉上下文构建‘硬陷阱’,并引入组内反思触发机制使模型自主检测并修正视觉线索与逻辑约束间的不一致。

    推荐理由:该工作提出通过注入欺骗性视觉上下文来强化多模态推理的鲁棒性,无需人工标注即可提升模型在感知扰动下的逻辑一致性。

  6. arXiv · 机器人与计算机视觉83

    PlanContext:一种用于评估自动驾驶上下文决策能力的基准

    针对现有端到端自动驾驶基准主要评估轨迹质量而忽视上下文依赖决策的问题,本文提出了 PlanContext 基准。该基准通过在 NAVSIM 数据集上构建配对评估,固定观测场景并变化高层驾驶意图,定义了六种典型驾驶上下文,联合评估了上下文决策正确性、道路合规性和动态安全性。

    推荐理由:该基准通过固定场景改变高层意图,揭示了传统轨迹指标无法捕捉的上下文决策差异。

  7. arXiv · 机器人与计算机视觉82

    BeyondContact:一种用于气流非接触操作的强化学习框架

    针对接触式机器人操作受末端执行器可达性和物体机械性质限制的问题,本文提出了一种基于气流的非接触式操作强化学习框架。作者开发了适用于 Isaac Lab 的通用气流扩展模块,利用实验识别的气流模型计算对物体的力和力矩,支持大规模并行训练。

    推荐理由:作者提出基于气流的非接触式操作强化学习框架,在 Isaac Lab 中实现并行训练,并在真实世界零样本部署中验证了混合推吹策略与矩形重定向策略的有效性。

  8. arXiv · 机器人与计算机视觉78

    VideoEditor-MoE:利用混合专家架构扩展复杂视频编辑能力

    该预印本介绍了 VideoEditor-MoE,这是首个用于视频编辑的开源混合专家(MoE)框架。研究基于一个 50 亿参数的基座模型,将其扩展至 140 亿和 560 亿参数版本,每个 token 激活约 80 亿参数。

    推荐理由:该预印本提出了首个开源视频编辑 MoE 框架,验证了路由注意力机制在保持全局交互下的扩展性优势。

  9. arXiv · 机器人与计算机视觉78

    单图即够:基于自生成监督的测试时人类视频扩散个性化方法

    针对姿态驱动的人类视频扩散模型难以在大幅变姿时保持身份一致的问题,该研究提出一种无需主体视频、真实标签或地面真值的个性化方案。通过域调整的姿态条件生成器合成关键姿态下的伪真值帧,利用推理时的参考仅采样器引导候选帧以维持身份一致性,并基于静态片段训练每个主体的低秩适配器。

    推荐理由:该工作提出在测试时利用自生成监督实现单图个性化视频扩散,无需主体视频或标签即可提升身份保持与动作一致性。

  10. arXiv · 机器人与计算机视觉78

    RESONATE:一种用于自主服务机器人的真实社会导航测试床

    针对自主服务机器人在人类环境中社会导航进展受限的问题,该工作提出了 RESONATE 基准,基于统一机器人平台和共享 ROS 2 软件栈,提供精确轨迹真值和结构化社交交互场景。

    推荐理由:该工作提供了基于统一平台的社会导航基准,包含可复用的基线、数据及评测协议,支持社区开展人类感知导航研究。

  11. arXiv · 机器人与计算机视觉78

    解锁对比正则化在扩散 Transformer 训练中的潜力:CRAN 方法

    论文发现标准 InfoNCE 对比学习在扩散 Transformer 训练中因噪声捷径而收益有限,为此提出 Clean Representation-ANchored Contrastive (CRAN) 正则化方法。

    推荐理由:针对扩散 Transformer 训练中 InfoNCE 对比学习失效问题,提出 CRAN 正则化方法以抑制噪声捷径并提升模型效果。

  12. arXiv · 机器人与计算机视觉78

    OmniOPD:面向稳定音视频生成的同策略蒸馏方法

    OmniOPD 是一种旨在解决联合音视频生成中跨模态干扰与音频监督稀疏问题的同策略蒸馏框架。该方法通过不对称噪声调度构建特权视觉信息以增强音频目标质量,利用分组多噪声采样扩大音频监督覆盖范围,并引入基于教师 - 学生转换分歧的时间步重要性加权来稳定训练波动。在 JavisBench 和 VBench 上的评估显示,该框架在保持音频质量的同时显著提升了视频生成效果。

    推荐理由:针对多模态生成中音频监督稀疏导致的训练不稳定问题,提出基于特权视觉信息与分组采样的联合蒸馏框架。

  13. arXiv · 机器人与计算机视觉78

    History Forcing:面向长视界视频世界模型的蒸馏历史依赖续写方法

    论文提出 History Forcing 统一在线策略蒸馏框架,旨在解决少步自回归视频扩散模型在长序列生成中的一致性难题。该方法利用教师模型在有/无历史信息下的预测残差来解耦监督信号,将历史信息约束融入学生模型的分数或速度预测目标中。

    推荐理由:提出 History Forcing 蒸馏框架,利用历史信息约束长序列生成,在 1.3B 参数规模下实现 VBench 质量分 85.07。

  14. arXiv · 机器人与计算机视觉83

    Right Ranking, Wrong Scale:复现 Robotic World Model 动力学模型并测试其后续版本的不确定性

    Joyjeet Singh 在 arXiv 上发布论文,复现了 Robotic World Model (RWM) 的动力学模型,并针对其后续版本 RWM-U 用于离线策略优化的不确定性估计进行了测试。

    推荐理由:作者复现了 Robotic World Model 的动力学模型并测试了其不确定性估计,发现其误差覆盖严重不足且存在缺陷。

  15. arXiv · 机器人与计算机视觉82

    CUE:通过自主交互填补动力学差距的机器人系统

    该论文提出了 CUE 系统,旨在解决仅凭相机观测无法捕捉摩擦和恢复系数等接触丰富动力学的“动力学差距”问题。该系统在无需重置的情况下,根据高层指令自主构建感知、识别物理参数并针对仿真误差最大的区域进行交互。实验显示,CUE 在模拟环境中将台球位置预测误差降低了 72%,并已部署到真实台球桌上。该工作已接受为 CoRL 2026 晚些时候的突破性成果。

    推荐理由:提出 CUE 系统,通过自主交互填补仿真与真实世界的动力学差距,在台球任务中将误差降低 72%。

  16. arXiv · 机器人与计算机视觉85

    HeLM:面向非马尔可夫操作的层次化显式语言记忆

    针对现有视觉 - 语言 - 动作(VLA)模型依赖马尔可夫假设导致长程任务失败的问题,本文提出 HeLM 框架,通过分层事件检测与触发式记忆更新维护任务相关历史。

    推荐理由:提出分层显式语言记忆框架,在非马尔可夫任务中显著降低显存并提升成功率。

  17. arXiv · 机器人与计算机视觉83

    OctreeSplat:一种层级八叉树引导的前馈高斯泼溅方法

    该研究提出了 OctreeSplat 方法,这是一种层级八叉树引导的前馈高斯泼溅技术,旨在解决固定分辨率限制局部复杂度分配的问题。该方法从冻结的视觉基础模型中提取多视图特征和几何先验,构建层级八叉树并预测稠密化分数,从而根据局部复杂度在空间上变化密度地分配高斯原语。

    推荐理由:提出层级八叉树引导的前馈高斯泼溅方法,利用冻结视觉基础模型提取特征并预测稠密化分数,在多个基准上实现高质量重建。

  18. arXiv · 机器人与计算机视觉82

    Probe-Guided Gradient Balancing for Multimodal Learning

    针对联合训练的多模态网络常因强模态主导而忽视弱模态的问题,本文提出 Probe-Guided Gradient Boosting (PGGB) 方法。该方法为各模态附加轻量级线性分类器以独立估计表征质量,利用由此产生的利用率差距信号,在保持强模态强度的同时自适应增强弱模态梯度。实验表明 PGGB 在高度不平衡的多模态数据集上优于最先进方法,且代码已开源。

    推荐理由:提出 Probe-Guided Gradient Boosting 方法,通过独立评估模态表征质量来自适应增强弱势模态梯度,解决多模态网络中强模态主导问题。