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 46 页

10月27日周二第 901–920 条
  1. arXiv · 机器人与计算机视觉82

    Oracle 剪枝是否仍是真正的‘神谕’?对深度神经网络剪枝基础的系统性检验

    该研究首次系统性地检验了基于最小化剪枝损失来选择非重要权重的 Oracle 剪枝方法的有效性。通过对 LeNet5、ViT 等模型在 MNIST、ImageNet-1K 等数据集上的大规模实验(涉及约 3.7 万个模型),研究发现对于非平凡规模的深度学习模型,重训前的性能与重训后的性能几乎不相关。

    推荐理由:论文通过大规模实验发现预训练性能与重训后性能相关性极低,质疑了传统剪枝方法的理论前提。

  2. arXiv · 机器人与计算机视觉78

    FOCUS:从基础视觉编码器到多模态大模型的视网膜模型泛化性评测基准

    FOCUS(Foundation Ophthalmic Cross-Dataset Understanding under Shift)是一个跨数据集评测基准,旨在解决单一数据集报告无法反映模型在数据分布偏移、临床定义差异及患者亚组间表现的问题。

    推荐理由:FOCUS 基准统一评估了十种数据集上从纯视觉编码器到多模态大模型在视网膜影像分析中的泛化能力与校准表现。

  3. arXiv · 机器人与计算机视觉78

    Expert-Play Contouring Control:从慢速专家到快速游玩的超演示规划

    arXiv 论文提出 Expert-Play Contouring Control (EPCC),解决模仿学习继承演示时序导致无法加速的问题。方法利用专家数据训练潜在轨迹生成器以获取任务意图,同时用快速游玩数据训练世界模型以覆盖动力学变化;部署时优化动作沿专家轮廓最大化进度并惩罚偏离。

    推荐理由:提出结合专家演示与快速游玩数据的控制方法,在三个视觉运动任务中将吞吐量提升两倍。

  4. arXiv · 机器人与计算机视觉82

    VLN on the Fly:一种用于空中机器人的车载视觉语言导航栈

    VLN on the Fly 是一种在四旋翼无人机上完全本地运行的模块化视觉语言导航栈,将指令落地、三维规划与控制作为可检查的独立阶段。该栈利用量化 VLM 进行粗粒度图像单元定位,通过深度估计提升为三维目标,使用快速 B-样条规划器生成可行轨迹,并由预训练的强化学习策略跟踪至电机指令。

    推荐理由:该预印本提出了一种在四旋翼无人机上完全本地运行的模块化视觉语言导航栈,实现了指令落地、三维规划与闭环控制的分阶段执行。

  5. arXiv · 机器人与计算机视觉82

    ForceDelta-VLA:一种用于接触丰富操作的力条件动作修正蒸馏框架

    论文提出了 ForceDelta-VLA 框架,旨在解决现有 VLA 策略在接触丰富操作中难以分解任务级运动与接触调整的问题。该方法利用冻结教师模型的力条件与无学习模式预测构建显式的力修正目标,并引入延迟修正以处理参考动作失配。

    推荐理由:提出 ForceDelta-VLA 框架,通过蒸馏力条件动作修正提升接触丰富任务成功率至 82.2%,并降低峰值接触力。

  6. arXiv · 机器人与计算机视觉78

    X-WBC:一种面向人形全身控制的跨躯体基础模型

    针对现有方法每款机器人单独训练导致运动经验隔离的问题,该研究提出 X-WBC 框架,将相对共享的人体运动语义与本体特定的物理执行分离。通过人体中心指令 token 对齐全量人体运动、机器人参考运动及稀疏 VR 观测,利用因果 Transformer 从混合多机器人 rollout 中学习可复用时间结构,并通过轻量级本体特定模块映射到各机器人的本体感知与动作空间。

    推荐理由:该工作提出跨躯体基础框架,通过解耦共享语义与本体执行实现多机器人联合训练,为具身智能通用部署提供新路径。

  7. arXiv · 机器人与计算机视觉82

    GE-Act 2.0:预训练与扩展用于机器人操作的行动世界模型

    AgiBot Research Team 发布了 GE-Act 2.0,这是一个从头开始预训练的“世界 - 行动”模型(WAM),旨在指导机器人操作。该模型结合了控制导向自编码器、单步视觉规划器和逆动力学模型,并通过知识对齐的选择性优化进行联合训练。

    推荐理由:报告了从 300 小时到 3 万小时协同训练数据对机器人操作成功率的影响,并验证了跨本体迁移与零样本泛化能力。

  8. arXiv · 机器人与计算机视觉78

    RoGe:基于端到端隐式重建与生成的新视角合成方法

    论文提出 RoGe 框架,解决稀疏输入下新视角合成的几何与生成先验结合难题。该方法利用前馈重建模型从少量定位图像构建隐式场景表示,通过相机射线查询获取每视图几何特征并注入视频扩散模型作为条件,全程无需显式 3D 中间表示。联合训练使生成目标直接塑造几何条件,实验表明其在图像质量、时间一致性和几何一致性上优于现有重建、生成及混合基线。代码将在发布后公开。

    推荐理由:提出 RoGe 框架,通过端到端隐式重建与生成联合训练,消除显式中间表示误差,提升稀疏视图下的视频合成质量与时空一致性。

  9. arXiv · 机器人与计算机视觉80

    Hi-Token:用于生成式视觉定位的分层坐标分词方法

    论文提出 Hi-Token 显式编码坐标轴与位值,用 12 个 token 表示边界框;配合 Hi-GAR 几何奖励优化策略梯度。实验显示该方法在 RefCOCO 等基准上优于原子 token 基线及强专家长模型,且仅用于训练阶段。材料为 arXiv 预印本,未提及同行评审或正式部署状态。

    推荐理由:该预印本提出 Hi-Token 坐标编码与 Hi-GAR 奖励机制,在三个 VLM 主干上提升生成式视觉定位效果。

  10. arXiv · 机器人与计算机视觉82

    Staged Multi-Agent Training for Human-Exoskeleton Co-Adaptation:基于仿真的学习与真实世界代谢及生物力学验证

    针对人机共适应难题,研究提出分阶段多智能体训练方法,在仿真中联合训练肌肉骨骼人体与双髋外骨骼策略。该策略无需用户特定重训即可转移至物理设备,在八名健康成人实验中,主动辅助使净代谢率较被动模式降低 19.7%,且跨速度与地形保持有效协助能力。

    推荐理由:提出分阶段多智能体训练框架,在仿真中联合优化人体与外骨骼策略,实机验证显示主动辅助降低代谢率 19.7%。

  11. arXiv · 机器人与计算机视觉82

    拥挤操作任务中检测器置信度仅表示存在而非被遮挡

    论文指出开放词汇检测器的置信度分数在物体被严重遮挡时依然保持高位,该信号反映的是类别存在于场景中而非目标可见。研究对比了基于几何的真相真值,发现固定视角下检测器对 90% 的遮挡场景仍报告存在,而单次相机运动即可解决所有遮挡场景的定位问题。作者发布了基准并建议采用以目标为基准的信号来评估和门控机器人感知系统。

    推荐理由:该研究揭示了目标检测置信度在遮挡场景下反映的是类别存在而非可见性,并提供了基准与几何真值用于重新评估机器人感知策略。

  12. arXiv · 机器人与计算机视觉78

    LaWAM:基于潜在世界动作模型的机器人策略

    LaWAM 是一种潜在世界动作模型,通过预训练视觉基础模型的潜在空间训练动作模型并复用其前向解码器来预测场景演化的未来观测特征,从而为机器人策略提供动力学感知能力。该方法在 LIBERO、RoboTwin 及真实操作任务中取得了具有竞争力的成功率,且每步推理延迟仅为 187ms,比像素空间方法低约 24 倍。材料已接受于 CoRL 2026。

    推荐理由:该工作提出利用潜在视觉子目标替代视频生成,在保持低延迟的同时实现动力学感知的机器人控制。

  13. arXiv · 机器人与计算机视觉82

    FlatVPR:一种用于基础模型特征流形几何校正的即插即用线性残差适配器

    论文提出了 FlatVPR 范式,旨在平衡地图轻量化与定位精度。该方法通过引入可学习的残差变换和基于拉回平坦性的损失函数,抑制基础模型(如 DINOv2)特征空间中的显著曲率,使特征流形近似线性化。实验在 NCLT 数据集上验证了该方法在极端稀疏锚点间隔和季节变化下的有效性。

    推荐理由:提出 FlatVPR 方法,通过几何校正适配器解决基础模型特征流形曲率问题,在稀疏锚点条件下显著提升视觉定位性能。

  14. arXiv · 机器人与计算机视觉82

    Crazyflow:一款准确、GPU 加速且可微分的无人机仿真器开源发布

    Crazyflow 是一款旨在推动空中机器人算法开发的统一仿真平台,结合高保真动力学与 JAX 框架实现高速与可微分性,支持百万级环境并行及数千架无人机集群。实验表明其支持无需域随机化的分析梯度策略学习与采样避障,并实现了飞行中强化学习:将物理无人机抛起后仅用 0.37 秒即可训练出恢复策略并将其接住。该工具作为开源资源,为合成数据生成及在线优化提供了新能力。

    推荐理由:Crazyflow 提供 GPU 加速的可微分无人机仿真器,支持百万级环境并行与飞行中强化学习,为空中机器人算法开发提供新资源。

  15. arXiv · 机器人与计算机视觉82

    Stay Fair:确保扩散模型在各类引导尺度下的群体公平性

    该研究针对扩散模型中现有去偏技术仅优化单一引导尺度、导致用户调整参数时公平性下降的问题,提出 StayFair 方法。作者将总偏差分解为模型偏差和随引导尺度变化的引导偏差,并扩展了强人口统计学平等条件。

    推荐理由:提出 StayFair 方法,通过分解模型偏差与引导偏差,在扩散模型的各类引导尺度下保持群体公平性。

  16. arXiv · 机器人与计算机视觉78

    Rebalancing Reference Frame Dominance to Improve Motion in Image-to-Video Models

    该论文针对图生视频模型生成内容过于静态的问题,提出了一种名为 DyMoS(Dynamic Motion Slider)的无需训练且与模型无关的方法。研究发现非参考帧过度关注参考帧导致运动被抑制,DyMoS 通过重新平衡初始去噪步骤中的注意力路径来改善这一现象。实验表明该方法在保持视觉质量和图像保真度的同时,显著提升了多种先进图生视频骨干网络的运动动态效果。

    推荐理由:提出无需训练的 DyMoS 方法,通过调节注意力路径改善图生视频的运动抑制问题。

  17. arXiv · 机器人与计算机视觉78

    VGGT-Ω:一种高效高质的静态与动态场景重建模型

    论文介绍 VGGT-Ω,该模型在保持几何感知能力的同时显著提升了重建精度、效率与能力。研究通过简化架构(单头多任务监督)、引入寄存器聚合信息及注册注意力机制,将训练显存占用降至前代的 30%,支持使用比先前工作多 15 倍的监督数据及大量无标签视频数据。

    推荐理由:该文提出 VGGT-Ω,通过架构改进与自监督协议大幅降低显存并提升重建精度,为静态及动态场景提供几何感知特征。

  18. arXiv · 机器人与计算机视觉78

    EvoGround:用于视频时序定位的自进化视频智能体

    论文介绍 EvoGround 框架,由提议者和求解者两个耦合的自进化智能体组成,能从原始视频中学习无需任务特定标注的视频时序定位。该框架通过强化学习循环让两个基于相同主干网络的智能体相互改进。在 2.5K 无标注视频上训练后,EvoGround 在五个基准测试中匹配或超越大多数全监督模型,并展现出细粒度视频描述能力。所有资源已公开。

    推荐理由:提出 EvoGround 框架,利用两个自进化智能体在无标注视频上实现时序定位,在五个基准测试中表现优于多数全监督模型。

  19. arXiv · 机器人与计算机视觉82

    RoboEvolve:基于有限数据的机器人操作规划器 - 模拟器协同进化框架

    该论文介绍 RoboEvolve 框架,通过耦合视觉语言模型(VLM)规划器和视频生成模型(VGM)模拟器构建相互强化的协同进化循环。系统利用无标签种子图像启动自进化,采用认知启发的双阶段机制:日间探索促进物理基础的行为发现,夜间巩固挖掘“差一点成功”的失败案例以稳定策略优化。

    推荐理由:提出 VLM 规划器与视频生成模拟器协同进化的框架,利用无标签种子图像实现数据高效训练并提升底层控制成功率。