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 49 页

10月27日周二第 961–980 条
  1. arXiv · 机器人与计算机视觉78

    Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation

    该论文针对手术器械增量分割中因数据不平衡导致的灾难性遗忘和偏差问题,提出了 SurgCSS 框架。该方法通过生成背景、类感知融合及对比学习损失来平衡分布并修正边缘偏差,同时动态融合新旧模型权重以优化性能。作者构建了新的基准数据集并进行实验验证,结果显示该框架在现有基线基础上有显著改进。

    推荐理由:针对手术器械增量分割中的数据不平衡问题,提出 SurgCSS 框架与基准。

  2. arXiv · 机器人与计算机视觉78

    无 GNSS 环境下无人机群搜索的不确定性感知方法

    该论文研究了在无 GNSS 海洋环境中无人机群的协同搜索问题,其中无人机间测距驱动合作定位,不确定性沿多跳参考链传播,影响连通性、避撞和搜索效果。作者提出一种不确定性感知控制屏障函数框架,通过费希尔信息矩阵近似级联定位协方差,将协方差模型及其变化率纳入连通性和避撞的约束边界中,并采用分层 Voronoi 目标策略保持队形。

    推荐理由:提出不确定性感知控制屏障函数框架,解决无 GNSS 环境下无人机群协同定位误差累积问题。

  3. arXiv · 机器人与计算机视觉82

    PosePlaner:通过成对平面几何去噪任意前馈位姿预测器

    论文提出 PosePlaner 方法,利用流匹配技术恢复对应关系与位姿之间的经典耦合,将位姿精修视为条件生成问题,输入粗略几何匹配和初始位姿以融合假设并输出单一精修估计。该方法在双视图数据上高效训练,可作为无需重训练的周期性精修器服务于流式多视图位姿估计器,实证显示其能纠正前馈预测器的失败、显著改善基于对应关系的求解器并减少长序列累积漂移。材料已获 NeurIPS 2026 录用,属于预印本状态。

    推荐理由:论文提出 PosePlaner,利用流匹配将对应关系与位姿解耦,作为无需重训练的周期性精修器,可纠正前馈预测失败并降低长序列漂移。

  4. arXiv · 机器人与计算机视觉78

    SceneAgent:从三维及四维捕获到仿真环境的代理流水线

    论文介绍 SceneAgent,这是一个通过基于模拟器的视觉检查与修复来协调对象重建、物理建模和中间误差校正的代理流水线。它能处理 3D Gaussian Splatting、摄影测量、LiDAR 捕获、AI 生成的 3DGS 场景以及动态场景的 4D 视频,并结合对象分割、物理参数估计、部件分解、铰链连接和可变形仿真。

    推荐理由:该工作提出 SceneAgent 代理流水线,将多种视觉捕获转化为可交互仿真环境并生成数字孪生体与演示数据,显著提升了策略学习基线。

  5. arXiv · 机器人与计算机视觉78

    从 Sentinel-2 到 1 米影像:基于视觉自回归模型的现实世界×10 跨传感器超分辨率

    该研究针对 Sentinel-2 重访影像与高分一号(Jilin-1)1 米参考影像间的十倍跨传感器超分辨率难题,构建了包含 1.15 万对地理匹配场景的基准数据集。

    推荐理由:提出 CrossVAR 模型,在 Sentinel-2 与 Jilin-1 卫星数据间实现十倍跨传感器超分重建。

  6. arXiv · 机器人与计算机视觉78

    OSMA-Bench:家庭机器人导航中基于障碍物的安全基准测试

    该研究引入 OSMA-Bench 基准和语义敏感性指数(SSI),用于评估 VLM 及视觉语言动作策略在家庭环境下的安全导航能力。实验发现,即便有明确的安全提示,现有策略也无法将障碍物的语义风险等级一致地转化为连续的运动参数调整;针对 VLM 策略,增加显式的参数推断步骤可改善其适应性。该工作揭示了从语义理解到运动控制映射中的关键差距,并提出了相应的改进方向。

    推荐理由:OSMA-Bench 基准揭示 VLA 策略虽能语义区分障碍物却难以将其转化为连续运动参数,为物理 AI 中的语义到运动映射提供新评估视角。

  7. arXiv · 机器人与计算机视觉78

    RobotAgentBench:面向开放世界的机器人自主性基准

    论文介绍 RobotAgentBench(RAB),这是一个用于评估机器人智能体在真实开放世界家庭环境中自主性的综合基准。研究团队通过人环闭环的真实到仿真管线,构建了包含 50 种多样布局、90 个原子任务及多种长短期任务的场景。

    推荐理由:该基准通过人环闭环构建真实家庭场景,系统评估机器人智能体在任务发现、推理与恢复等维度的能力差距。

  8. arXiv · 机器人与计算机视觉84

    文字重要吗?文本对少样本与全样本视觉语言异常检测的贡献分析

    该论文通过理论证明与跨七个医疗数据集的实验表明,在少样本和全样本设置下,视觉语言异常检测器的性能仅取决于提示词向量的有效尺度(scale)和排列方式,而非其语义内容。研究证实,只要保持锚点向量差值的长度一致,替换文本不会改变概率图;打破尺度匹配会引入性能差距,而恢复该尺度即可消除差距,无需依赖具体文本含义。

    推荐理由:研究证明少样本与全样本异常检测器仅读取提示词的尺度与排列,而非语义内容。

  9. arXiv · 机器人与计算机视觉78

    GRASP:无需推理标注的医疗视觉问答混合后训练方法

    针对医疗视觉问答(VQA)数据稀缺且缺乏推理标注的问题,本文提出 GRASP 方法,将强化学习与监督微调结合于每次更新中,利用 RL 探索模型自身推理并由 SFT 提供金标准答案进行直接监督。该方法仅微调约 1% 参数,在 Qwen3-VL-8B、InternVL3-8B 和 Gemma 3-4B 等模型上均优于对比基线。论文开源了包含 12.9K 短答案问题的 MedTerse 数据集及代码。

    推荐理由:提出 GRASP 方法,结合 RL 探索与 SFT 监督解决医疗 VQA 数据稀缺且无推理标注的难题。

  10. arXiv · 机器人与计算机视觉83

    LLM4Robot-Bench:GPT-6 Astra 在机器人操作中的极限有多远?一个分层配对仿真 - 现实基准

    作者引入了 PhysLadder,这是一个用于评估富接触操作中物理交互能力的分层 Sim-Real 基准。其包含的 16 个家庭任务跨越三个累积层级:接触选择与几何对齐(L1)、持续接触内的力调节(L2)以及协调接触重构与力调节(L3)。

    推荐理由:该基准通过分层任务量化了 GPT-6 Astra 在接触密集操作中的能力边界,揭示了从几何对齐到力调节的退化规律。

  11. arXiv · 机器人与计算机视觉78

    无证据下的确信:视觉锚定对医疗视觉 - 语言模型判决稳定性的影响无关紧要

    该论文研究了医疗视觉 - 语言模型在缺乏诊断图像时维持正确诊断的能力,并测试了这种‘无锚定’状态是否会导致模型结论更脆弱。研究者在意大利国家考试题目上进行了图像替换实验,施加两种对抗压力(L4 和 L1),发现无论有无真实图像,模型推翻自身判决的比例差异极小且方向相反。

    推荐理由:该研究通过对抗性压力测试发现,医疗视觉语言模型在缺乏图像证据时仍能维持诊断结论的稳定性,表明‘确信度’无法作为判断模型是否真正利用视觉信息的可靠信号。

  12. arXiv · 机器人与计算机视觉78

    无锥无对偶:一种快速可扩展的非刚性结构从运动求解器

    该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。

    推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。

  13. arXiv · 机器人与计算机视觉78

    TopX:仅凭骨架文件实现未见角色的文本到动作生成

    TopX 是一个拥有 73M 参数的流匹配 Transformer,能够仅根据骨架树、静息姿态和关节名称为任意运动学树生成关节旋转和根轨迹,无需训练片段或微调。该模型通过热核坐标对查询和键进行旋转以处理任意拓扑的骨架图,并在测试集上显著优于 UniMate,特别是在未见过的角色骨架上降低了 FID 分数并减少了穿模现象。

    推荐理由:TopX 模型仅凭骨架文件即可为未见过的角色生成动作,在无需微调或重定向的情况下显著降低了描述符与运动质量指标。

  14. arXiv · 机器人与计算机视觉78

    通过边界排斥 MixUp 学习判别性原型的物体重识别方法

    针对物体重识别中类内变化大且类间相似度高导致的混淆难题,论文提出 PBR-ReID 框架。该方法利用可学习的原型与 DiNOv3 骨干网络联合优化,显式构建混淆身份间的边界代理,并通过边界排斥 MixUp(BRM)正则化将特征推离边界以增强判别性。实验在人与车辆重识别基准上表现优异,代码已开源。

    推荐理由:提出 PBR-ReID 框架,利用原型与边界排斥 MixUp 显式优化类间几何结构以解决重识别任务中的混淆问题。

  15. arXiv · 机器人与计算机视觉82

    ChronoReplay:单一答案接口不足以支撑流式空间智能

    该论文针对训练空间视觉语言模型时出现的‘接口锁定’现象,提出 ChronoReplay 方法。该方法通过将异质空间监督以时间顺序回放、保留原生目标并平衡不同类别的监督,在相同观测访问下同时提升了 OVO-S-Bench、OST-Bench 和 UCS-Bench 三项基准的性能,其中 OST-Bench 提升 13.41 分。

    推荐理由:提出 ChronoReplay 方法解决空间 VLM 的接口锁定问题,通过时序回放异构监督提升多基准性能。

  16. arXiv · 机器人与计算机视觉78

    基于截断 Lp 函数的鲁棒单参数点云配准方法

    本文提出一种名为 TLP 的新型点云配准方法,利用截断 Lp 函数为对应关系分配优先级分数以选择假设并优化模型。该方法仅需一个可调参数即可处理高离群率场景,并通过 GPU 并行化在数千个对应关系下实现亚秒级配准。公开基准数据集评估显示,TLP 精度优于现有单参数方法,且在三个数据集上超越两种常用多参数方法并保持具有竞争力的运行时间。

    推荐理由:提出仅需单参数调优的鲁棒点云配准方法,在公开基准数据集上精度优于现有单参数方法。

  17. arXiv · 机器人与计算机视觉78

    BoundedGS:面向高分辨率训练的内存高效 3D 高斯泼溅技术

    该论文提出 BoundedGS 方法,旨在解决高分辨率 3D Gaussian Splatting 训练中显存占用过高的问题。通过分离光栅化与投影的反向传播、限制活跃局部工作集以及优化缓存释放策略,该方法在固定约 600 万高斯数量的条件下,将渲染工作集从 9.97GB 降低至 1.76GB(降幅 82.3%),并将训练时间从 36.7 分钟缩短至 33.9 分钟。

    推荐理由:提出 BoundedGS 方法,在固定高斯数量下将渲染工作集从约 10GB 降至 1.76GB,同时缩短训练时间并保留重建质量。

  18. arXiv · 机器人与计算机视觉78

    FreezePlan:一种基于空间冻结与步长缓存的扩散模型加速方法

    该预印本提出 FreezePlan 方法,通过冻结已收敛特征与缓存平滑区域实现推理加速,在 Qwen-Image-2.1 上达到 5.05 倍速度提升且保持 PSNR 无显著下降。材料为 arXiv 预印本,未提及同行评审状态或具体开源仓库链接。

    推荐理由:该预印本提出 FreezePlan 方法,通过冻结已收敛特征与缓存平滑区域实现推理加速,在 Qwen-Image-2.1 上达到 5.05 倍速度提升且保持 PSNR 无显著下降。

  19. arXiv · 机器人与计算机视觉83

    HumanoidNDM:通过人形神经动力学模型弥合运动跟踪的训练与部署差距

    针对人形机器人在真实部署中因物理扰动或仿真不准导致的训练 - 部署差距问题,本文提出 HumanoidNDM 在线微调框架。该方法在数据采集阶段引入低频自适应参考扰动机制,在模型训练阶段利用可微前向运动学构建基于本体的神经动力学模型以消除对昂贵动作捕捉系统的依赖,并在策略微调阶段通过反向传播梯度直接优化策略。

    推荐理由:提出首个无需动作捕捉的在线微调框架,通过本体感知神经动力学模型实现人形机器人对扰动的快速适应。

  20. arXiv · 机器人与计算机视觉83

    X-World:将视频先验迁移至可变视角机器人控制框架

    该论文提出了 X-World 框架,旨在解决将视频扩散模型生成的交互表示迁移到机器人控制的问题。方法上,通过残差跨视角注意力分支扩展预训练视频骨干网络以支持一到三个视角,利用层对齐的 Q-Former 聚合特征,并通过数据集特定模块映射原生状态与动作接口至共享动作专家。

    推荐理由:该框架将视频先验通过固定长度 token 序列迁移至共享动作专家,在 LIBERO 基准上达到 98.5% 成功率,并展示了跨视角融合与去耦训练对真实双臂任务的效果。