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 39 页

11月2日周一第 761–780 条
  1. arXiv · 机器人与计算机视觉78

    DrawSplat:一种基于亚特兰大世界引导的隐式高斯 SLAM 框架用于室内重建

    该论文提出 DrawSplat 框架,旨在解决现有高斯 SLAM 在室内弱纹理、大面积平面及噪声深度场景下易出现位姿漂移和几何伪影的问题。方法采用类似绘画的流程:先通过点线联合跟踪构建显式结构布局,再利用亚特兰大世界(Atlanta World)的先验推断重力方向并生成可微正则项填充隐式神经高斯以获取高保真外观与连续几何细节。

    推荐理由:该工作提出基于 Atlanta World 先验的隐式高斯 SLAM,通过点线联合跟踪与结构采样解决室内弱纹理场景下的位姿漂移与几何重建问题。

  2. arXiv · 机器人与计算机视觉82

    Scout-Refine-Correct:教流模型自我修正其生成的样本

    论文提出 Scout-Refine-Correct (SRC) 训练配方,赋予流匹配生成器在推理时利用自条件信号进行样本修正的能力。该方法在每个采样步执行前瞻 rollout 并反馈估计值作为自条件信号,通过两种修正损失引导模型探索新样本而非坍缩到次优解。

    推荐理由:SRC 方法让流匹配模型在推理时通过自条件信号进行样本修正,无需外部验证器或奖励信号即可提升生成质量。

  3. arXiv · 机器人与计算机视觉78

    VoxLution:一种用于高保真室内场景生成的体素进化方法

    该论文介绍 VoxLution,这是一种基于粗到细(coarse-to-fine)的 Transformer 架构,旨在解决现有生成模型几何过于平滑的问题。该方法将高分辨率体素超分辨率建模为多分辨率稀疏体素网格上的序列问题,通过无训练、与分辨率无关的标记化方案编码八分体信息,并利用相邻块边界信息确保局部生成的连贯性。

    推荐理由:提出基于粗到细的 Transformer 方法,在标准基准上显著降低几何模糊度与生成差异。

  4. arXiv · 机器人与计算机视觉82

    Hourglass:耦合无本体世界模型与可微本体重心动力学的跨具身运动规划

    该论文提出 Hourglass 架构以解决跨具身运动规划难题,通过解耦通用的无本体世界模型与各机器人的可微本体动力学接口,实现数据池化与参数识别。在七种仿真机器人上,该方法成功率提升 3.8-10.6 个百分点且无需专用训练即可匹配专家策略;经三分钟遥操作标定后,零样本迁移至未见的真实滑移转向机器人并在室内场景导航成功。材料为 arXiv 预印本,未提及同行评审状态或具体开源代码仓库。

    推荐理由:提出 Hourglass 架构,通过解耦通用世界模型与可微本体动力学实现跨机器人运动规划,在仿真中优于基线并支持零样本迁移至真实机器人。

  5. arXiv · 机器人与计算机视觉78

    GenDSR:从视频生成模型转移表征以进行动态空间推理

    GenDSR 是一个框架,它将视频生成模型(VGM)的中间表征转移给视觉语言模型(VLM),用于解决 VLM 在保持场景状态的同时追踪空间关系演变的挑战。该框架构建了两个互补分支:一个保留整体生成上下文的原始分支和一个强调时间变化的增量分支,并通过任务条件化的逐 token 门控融合信号并注入原生视觉表征。

    推荐理由:该工作提出将视频生成模型的中间表征迁移至视觉语言模型,在动态空间推理基准上取得新最优结果。

  6. arXiv · 机器人与计算机视觉82

    ReVEAL:从多模态大模型中激发角色感知的潜视觉证据以进行推理视频目标分割

    论文提出了 ReVEAL 框架,旨在解决推理视频目标分割(ReVOS)任务。该方法将视觉证据令牌(VETs)引入视频推理过程,通过动态注意力层路由器聚合跨层的注意力,从而关联必要区域与目标、背景或干扰物的角色。

    推荐理由:提出 ReVEAL 框架,利用 MLLM 推理中的角色感知潜视觉证据引导分割模型,无需跨模型对齐。

  7. arXiv · 机器人与计算机视觉76

    Coarse3D:面向图像转三维的可控且忠实稀疏结构生成

    论文提出 Coarse3D 模型,旨在从任意非定位图像中生成可控朝向且几何忠实的体素结构,以解决现有方法在方向控制和二维至三维映射上的不足。该模型采用首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力机制三项设计,能够直接替换现有流程中的粗粒度阶段。实验表明该方法显著提升了稀疏结构质量并持续增强最终三维生成效果,达到当前最先进水平。

    推荐理由:提出 Coarse3D 模型解决稀疏结构生成中的方向控制与几何一致性难题,可替换现有流程的粗粒度阶段。

  8. arXiv · 机器人与计算机视觉78

    TinyAstral:将自进化 Harness 迁移至小型通用操作智能体

    论文 TinyAstral 提出一种两阶段方法,通过递归自我改进(RSI)优化大教师模型的 harness,随后蒸馏出仅 4B 参数的小型学生模型以替代原教师。

    推荐理由:提出两阶段方法将大模型的 harness 进化能力迁移至小参数学生模型,在 RoboTwin 上显著降低算力成本并提升成功率。

  9. arXiv · 机器人与计算机视觉78

    基于能力条件的图控制屏障函数:异构移动机器人团队的零样本安全导航

    针对现有图控制屏障函数方法假设同构动力学或无法自然迁移至未见模型的局限,本文提出了能力条件异构图控制屏障函数(CC-HGCBF)。该方法在共享二阶参考点操作空间中定义安全几何表示,并引入径向能力场(RCF)以紧凑表征机器人状态相关的有限时域可达速度集。通过联合训练屏障与策略,实验展示了在混合团队中的可扩展安全协调、对未见机器人模型的零样本迁移以及在物理机器人上的无需重训部署能力。

    推荐理由:提出能力条件图控制屏障函数,实现异构机器人团队零样本安全导航与迁移。

  10. arXiv · 机器人与计算机视觉78

    从评估到进化:图像编辑与图像模型进化基准

    针对真实世界图像编辑需协调多重视觉变换且聚合分数易掩盖局部失败的问题,作者提出 WeGenEditBench 基准(含 2,740 个实例和 148 种任务类型)及 WeGenEvoStudio 多智能体工具链。

    推荐理由:提出 WeGenEditBench 基准与 WeGenEvoStudio 工具链,通过细粒度评估驱动图像编辑模型的递归自我进化。

  11. arXiv · 机器人与计算机视觉78

    超越 CLIP:利用系统一决策模型进行校准后的(少样本)缺陷检测

    针对制造环境中收集大量缺陷图像困难的痛点,本文提出基于 Jev 和 Clef-Flash 两种结构化决策模型的框架,仅需每类两张参考图即可实现图像分类与检测。研究通过智能体自动优化引导文本描述,并将缺陷概率校准以提高可靠性。

    推荐理由:提出基于 Jev 和 Clef-Flash 的少样本缺陷检测框架,仅需每类两张参考图即可超越 CLIP,并提供校准方法与开源代码。

  12. arXiv · 机器人与计算机视觉82

    MotorSense:首个大规模配对视频与肌电信号的动作理解数据集

    针对计算机视觉模型仅依赖视觉后果而缺乏本体运动信号的问题,该工作提出了 MotorSense,这是首个大规模的双手肌电(EMG)与第一人称视频配对数据集。数据包含 100 小时无脚本操作中的同步视频、双手 EMG、IMU 及音频。

    推荐理由:该工作提出首个大规模配对视频与肌电信号数据集,通过跨模态预训练实现视听对齐,在动作识别等任务上超越传统自监督方法。

  13. arXiv · 机器人与计算机视觉78

    单标注多假设分割:基于语义 - 空间残差银行的方法

    针对单图像仅含一个标注却需覆盖多种有效掩码的挑战,研究提出语义 - 空间残差银行方法。该方法冻结经平衡分配训练的语义特征以保留结构分组,同时学习图像残差以捕捉局部边界与范围变化。在五个医学终点及 BSDS 数据集上验证了其在保持区域分组的同时提升对未见过标注的覆盖能力,并产生更多有用的独立掩码。

    推荐理由:提出语义 - 空间残差银行方法,在单标注约束下提升多假设分割的覆盖度与结构保持能力。

  14. arXiv · 机器人与计算机视觉78

    CIMI:一种基于接触模仿的灵巧技能转移框架

    论文提出了 Contact Imitation Interface (CIMI) 框架,旨在通过无机器人的人体演示来规模化灵巧操作数据。该框架包含演示与学习两个接口:演示接口结合共享接触几何、指尖 RGB 视图及接触优先重定向技术;学习接口引入分层策略,由接触表面规划器预测相对轨迹并由控制器协调手腕与手指指令以优化对齐。

    推荐理由:提出 CIMI 框架,通过接触几何对齐与分层策略,在 LEAP 和 Wuji 数据集上使六组手部任务的最终成功率提升至少 50 个百分点。

  15. arXiv · 机器人与计算机视觉78

    RADI3N:基于参数化 3D 控制的语义感知图像编辑框架

    arXiv 论文 RADI3N 提出一种针对部分级参数化 3D 控制的图像编辑框架,旨在解决现有扩散模型在几何密集型编辑中难以保持纹理与结构一致的问题。该方法通过 CS-ARAP 变形模块抑制部件边界处的旋转场不连续性,并引入无逆选择性纹理转移机制以消除高频位置偏差,支持跨图像的语义匹配。

    推荐理由:提出 RADI3N 框架,通过 CS-ARAP 变形与无逆纹理转移机制,解决参数化 3D 控制下的几何保真度与语义匹配难题。

  16. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

  17. arXiv · 机器人与计算机视觉78

    FlapSim:一种可组合的 MuJoCo 扑翼仿真平台及降阶气动模型层级

    该论文提出了 FlapSim,一个模块化的开源 MuJoCo 仿真平台,用于解决扑翼飞行中高频气动动力学与低频飞行控制/强化学习动态之间的协调问题。研究在 48 个涵盖频率、舵机、风场等场景的独立测试集中,对比了五种降阶配置,发现结合多速率时钟同步、三维流入耦合及相位锁定谐波合成的五块模型架构,在保持 65.19 倍 CPU 加速的同时将平均力矩保真度提升至 0.9646。

    推荐理由:该工作提出了 FlapSim 模块化开源平台,在 MuJoCo 框架下实现了高频扑翼气动与飞行控制的确定性模拟,并量化了不同简化模型在精度与速度间的权衡。

11月1日周日
  1. 量子位87

    清华姚期智团队发布代数世界模型:让AI像牛顿一样思考

    清华大学姚期智和袁洋团队提出「代数世界模型」(AWM),利用范畴论中的投射极限与归纳极限工具,将大模型的试错探索转化为形式化数学证明。在ARC-AGI-3游戏集测试中,基于Opus 5.5的AWM以99.9%得分和43%人类基准动作数全部通关,并能准确判断无解关卡。论文由本科生潘冠成、谭淇心撰写,项目主页与arXiv预印本已公开。

    推荐理由:清华团队提出代数世界模型,利用范畴论工具将试错探索转化为形式化证明,在ARC-AGI-3测试集实现99.9%通关率。

  2. Hugging Face Daily Papers82

    Democratizing Robot-Use Agents: A Unified Harness with Open Models

    论文介绍 uni-robot-agent 框架,旨在通过开放权重模型降低机器人使用代理(RUA)的研究门槛。实验显示,无需特权输入时,Qwen3.8-Flash-Next 在 RoboDojo 基准上得分 31.39,超越 GPT-6 Astra-RoboProbe 的 28.97 分,并在 19 个真实世界任务中表现具有竞争力。

    推荐理由:该工作提出统一框架 uni-robot-agent,验证了开源模型在无特权输入下即可达到与闭源模型相当的零样本操作能力。