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 40 页

10月31日周六第 781–800 条
  1. Hugging Face Daily Papers78

    Wave Forcing:迈向光速流式视频生成

    该论文针对实时长视频生成的效率与质量挑战,提出了 Wave Forcing(WF)方法,通过协同设计生成、训练与执行流程实现连续输出。WF 利用分块因果注意力访问未完全去噪的历史数据,并将错开的去噪与缓存刷新阶段分布到全模型副本上,达成每轮并发前向传播一个输出分块的 1F1C 效率。

    推荐理由:提出 Wave Forcing 方法实现光流级视频生成,系统效率实验显示多卡并行吞吐量提升显著。

10月30日周五
  1. arXiv · 机器人与计算机视觉78

    CRF Loss 如何指导网络学习弱监督分割中的边界:DS-CRF 框架发布

    该论文提出 DS-CRF 框架,解决弱监督语义分割中 CAMs 与 SAM 边界融合导致错误的问题。方法将 CAMs 作为一元软伪标签、SAM 边界作为二元成对监督,在单阶段模型中实现。实验显示该方法在 MS COCO 数据集上达到 56.5% mIoU,成为基于训练方法的最新最佳结果。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源代码仓库链接。

    推荐理由:提出 DS-CRF 框架,利用 CAMs 与 SAM 边界分别监督训练,在 MS COCO 数据集上取得基于训练方法的最高 mIoU。

  2. arXiv · 机器人与计算机视觉82

    基于视觉语言模型的证据门控任务与运动规划方法

    该论文提出证据采集与可行性门控(EAFG)框架,旨在解决机器人执行长周期操作时依赖先验知识而忽视观测支持的问题。通过让视觉语言模型生成子目标并执行动作序列来采集视觉证据,系统据此决定是继续规划、获取进一步证据还是停止任务。研究在三个烹饪场景下评估了该方法,结果显示其在明确指令和模糊指令场景中优于基线,并能正确识别缺失物体时停止执行。

    推荐理由:提出证据门控框架,结合视觉语言模型与任务运动规划以处理指令可行性。

  3. arXiv · 机器人与计算机视觉82

    RE4:基于操作模式的物体交互变换感知模仿学习

    针对物体交互任务中端到端生成式策略缺乏可解释性的问题,本文提出 RE4 框架,从第一性原理出发利用操作模式理论构建简单且可解释的模仿学习体系。该框架包含四个关键步骤:姿态估计以获取物体信息、基于操作模式的演示检索与变换、连接检索点的重规划以及返回变换后的演示进行 rollout。

    推荐理由:该工作提出 RE4 框架,通过姿态估计与操作模式感知实现可解释的演示检索与变换,在仿真及真实机器人实验中均优于基线。

  4. arXiv · 机器人与计算机视觉83

    CaC:一种基于层级时空聚焦的视频奖励模型

    论文提出 CaC(Concentrate and Concentrate),这是一种基于视觉语言模型的粗到细粒度异常奖励模型。该模型首先进行全局时间扫描以锚定异常窗口,随后在局部区间内进行精细的空间定位,最后通过结构化的时空思维链推理得出稳健判断。

    推荐理由:提出基于 VLM 的层级时空异常奖励模型 CaC,通过构建首个带细粒度标注的合成视频异常数据集及强化学习训练范式,在基准测试中提升精度并降低生成视频中的异常比例。

  5. arXiv · 机器人与计算机视觉82

    Gen-Searcher:首个搜索增强的图像生成智能体

    针对现有图像生成模型缺乏实时知识与多跳推理能力的局限,本文首次训练了具备搜索能力的图像生成智能体 Gen-Searcher。研究构建了专用数据管道与两个高质量数据集(Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k),并引入 KnowGen 基准以评测搜索 grounded 的外部知识能力。

    推荐理由:作者提出首个搜索增强型图像生成智能体,开源数据集与基准评测,为知识密集型场景提供新方案。

  6. arXiv · 机器人与计算机视觉78

    Rotation Equivariant Mamba for Vision Tasks

    针对现有视觉 Mamba 模型缺乏旋转对称性设计导致对图像旋转敏感的问题,本文提出了 EQ-VMamba,这是首个具备旋转等变性的视觉 Mamba 架构。该架构通过精心设计的旋转等变跨扫描策略和群 Mamba 块,在 p4 旋转群下实现了端到端的旋转等变性。

    推荐理由:EQ-VMamba 架构引入旋转等变先验,在保持参数效率的同时提升视觉 Mamba 模型的旋转鲁棒性与泛化能力。

  7. arXiv · 机器人与计算机视觉78

    Latent Policy Steering:基于单步流策略的潜在策略引导

    针对离线强化学习中回报最大化与行为约束间的脆弱权衡问题,本文提出 Latent Policy Steering (LPS) 方法。该方法通过反向传播原始动作空间 Q 梯度至可微单步 MeanFlow 策略来更新潜在动作空间的 Actor,消除了代理潜在评论家,使原始动作空间评论家能端到端引导潜在空间优化。

    推荐理由:提出 Latent Policy Steering 方法,通过可微单步流策略实现高保真潜在策略改进,在 OGBench 及真实任务中优于强基线。

  8. arXiv · 机器人与计算机视觉82

    接触丰富机器人任务的安全学习:从经典方法到安全基础模型的综述

    这篇论文是发表在 npj Robotics 上的综述,全面回顾了接触丰富机器人任务中基于学习的控制方法,特别是如何确保探索与执行阶段的安全性。文章将现有方法分为安全探索和 safe execution 两类,涵盖了约束强化学习、风险敏感优化、不确定性建模、控制屏障函数和模型预测安全盾等技术。

    推荐理由:该综述系统梳理了从经典方法到基础模型在接触丰富任务中的安全学习进展,为相关团队评估现有技术与未来方向提供参考。

  9. arXiv · 机器人与计算机视觉82

    BBoE:利用边束进行动力学双向运动规划

    本文介绍 BBoE,一种结合探索与利用、依赖预计算机器人运动的快速双向动力学采样规划算法。该策略通过利用预计算的边束(bundle of edges)在障碍物密集环境中高效收敛至目标。

    推荐理由:该工作提出利用预计算运动束的双向动力学规划器,在四套不同系统中实现高成功率与低耗时。

  10. arXiv · 机器人与计算机视觉78

    Is It the Curriculum or Just the Easy Start? Benchmarking Unsupervised Environment Design on Quadrupeds

    论文提出了一项基准,在 MuJoCo 平台上对五种四足机器人(W01-TEK、Unitree Go1/Go2、Google Barkour vB、Boston Dynamics Spot)运行了十四种无监督环境设计、域随机化和机器人课程方法。

    推荐理由:该基准在 MuJoCo 上对四足机器人评估了十四种无监督环境设计与课程方法,揭示了简单起步策略的局限性并提供了选型指南。

  11. arXiv · 机器人与计算机视觉78

    联邦训练是否降低可解释性?集中式与联邦式深度伪造检测的 Grad-CAM 忠实度对比分析

    该论文系统研究了联邦学习对深度伪造检测模型解释性的影响。研究在 FaceForensics++ 数据集上评估 EfficientNet-B4 检测器,发现联邦模型的解释质量与数据异质性呈非单调关系:在接近独立同分布及中等异质条件下,联邦模型的解释忠实度不低于集中式基线;但在极端异质性下,解释完全失效且因果误导。研究提供了识别安全部署边界的实用指导,并开放了代码与数据分区以供复现。

    推荐理由:研究揭示联邦学习在深度伪造检测中解释性随数据异质性呈现非单调变化,极端异质下梯度解释失效。

  12. arXiv · 机器人与计算机视觉78

    Kairos:跨经典、数值、时序及混合 PDDL 的语义感知规划引擎编排系统

    针对机器人运行时重规划需求,Kairos 系统能读取包含持续动作、数值资源、时间窗口等复杂特征的 PDDL 描述,并快速交付验证过的计划。该系统根据任务语义自动从五种异构求解器(地面启发式搜索、压缩时序搜索、混合动力学步长、提升搜索)中选择引擎并在统一预算下调度,所有候选计划均经独立验证器检查。

    推荐理由:Kairos 通过语义感知自动调度五种异构 PDDL 求解器,在九套基准测试中解决任务数优于各套件最强专用求解器,并开源了代码与评测工具。

  13. arXiv · 机器人与计算机视觉78

    Unlimited OCR 2:通过稀疏注意力实现超长文档解析

    论文提出了 Unlimited OCR 2 模型,利用稀疏参考滑动窗口注意力(SR-SWA)将活跃参考 token 限制在固定容量内,从而在任意长度的文档上维持恒定的计算成本。

    推荐理由:该工作提出稀疏参考滑动窗口注意力机制,在保持计算成本恒定的同时实现超长文档解析,并发布了新的评测基准。

  14. arXiv · 机器人与计算机视觉78

    用 JEPAs 证明并改进柏拉图表示假设

    Randall Balestriero 和 Yann LeCun 提出柏拉图表示定理,证明联合嵌入预测架构(JEPAs)在良视条件下学习到的表示收敛于同一空间。

    推荐理由:该工作将多模态对齐猜想转化为定理,证明 JEPAs 在良视条件下收敛于同一表示,并揭示语言模型仅靠规模对齐的机制。

  15. arXiv · 机器人与计算机视觉78

    一种评估多输出结构化预测指标的新方法:基于任务不变性的框架

    该论文针对多输出结构化预测中仅有一个真值标签但存在多个有效输出的评估难题,提出利用人类隐含使用的任务特定不变性(如图像边界或命名实体)作为诊断工具。研究通过引入增强损失函数鼓励模型输出符合这些不变性,实验表明这能显著提升分布型指标的可靠性,而传统指标变化不大。

    推荐理由:该文提出利用任务特定不变性评估多输出结构化预测指标,发现增强损失可显著提升分布型指标可靠性。

  16. arXiv · 机器人与计算机视觉82

    Fight World Model:支持自定义战斗规则的可视化交互代理世界模型

    Fight World Model 是一种可编程的游戏世界模型,通过将规则驱动的战斗执行与视频渲染分离,利用确定性编译器生成空间时间对齐的交互代理,实现了伤害缩放、免伤机制及角色场景定制等功能。该模型在 FightWorld Corpus 上训练,无需重训渲染器即可支持多种技能机制,并在动作保真度、打击反应一致性和外观保持方面优于现有游戏世界模型。项目代码与资源可通过提供的链接获取。

    推荐理由:该报告提出 Fight World Model,通过分离规则执行与渲染及引入交互代理,解决了现有视频世界模型在战斗状态一致性与可定制性上的不足。

  17. arXiv · 机器人与计算机视觉82

    PhysVLMM:面向机器人场景地图的交互条件化物理信念图

    该论文提出 PhysVLMM 方法,为视觉 - 语言 - 运动地图中的每个铰接部件维护物理信念并回答规划器查询。面对移动物体无法识别动力学、仅凭拉动测量只能确定被拉部件及方向的问题,该方法将方向作为后验分布而非点估计,以闭式形式传递证据给未受影响的相似部件,并在给定风险下判断动作是否成功或放弃。

    推荐理由:PhysVLMM 方法在真实家居环境中实现了对铰接物体动力学的快速推断,显著优于可微仿真与单视角学习基线。

  18. arXiv · 机器人与计算机视觉84

    DAWN:基于扩散的对齐与拆卸工作流程网络

    论文提出了 DAWN(Diffusion-based Alignment and unfastening Workflow Network),这是一个用于执行现实世界拆卸任务的分层机器人框架,通过多模态感官融合解决精密螺丝刀接触、力控及环境鲁棒性挑战。

    推荐理由:该工作提出分层框架 DAWN,在 Franka Emika 机器人上实现了与人工相当的螺丝对齐插入及稳定拆卸能力。

  19. arXiv · 机器人与计算机视觉82

    CrossWeave:基于稀疏 2D-3D 对齐的跨模态场景与实例检索

    论文提出 CrossWeave 框架,旨在通过查询 2D 图像检索对应的 3D 环境或物体,作为机器人空间推理的基础机制。现有方法仅在整体场景或物体层面学习对齐,缺乏细粒度局部结构监督;CrossWeave 证明仅对一组稀疏的 2D-3D 对应关系进行监督即可训练单模型同时完成场景级和实例级检索。

    推荐理由:提出CrossWeave框架,通过稀疏2D-3D对应关系监督实现单模型跨模态检索,在ScanNet和3RScan数据集上超越现有方法。