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 54 页

10月23日周五第 1061–1080 条
  1. arXiv · 机器人与计算机视觉82

    UniVOE:一种面向交互感知的通用视频对象编辑的移除驱动框架

    该论文提出了 UniVOE 框架,旨在统一训练视频对象移除和注入模型。方法首先利用视频修复先验训练一个感知效果的移除器,将含物视频转换为无物版本以构建大规模配对监督数据;随后在反向方向上训练注入模型以恢复物体及其动态与交互效果;最后引入基于奖励的后训练方法对齐人类偏好。实验表明该框架在对象移除和注入任务上均达到最先进水平,尤其在处理复杂的交互效应方面表现突出。

    推荐理由:提出以移除驱动的统一框架,利用视频修复先验解决注入任务的大规模配对监督难题,在交互效应场景下达到开源与商业系统领先水平。

  2. arXiv · 机器人与计算机视觉80

    WorldForge V2:激发视频扩散模型中的相机 - 轨迹对齐

    论文提出了 WorldForge V2 方法,旨在解决视频扩散模型在空间任务中相机控制不精确及时空不一致的问题。该方法采用无需训练的引导框架,利用 warped references 迭代优化生成过程,并通过光流分析分离运动控制与外观特征。

    推荐理由:提出无需训练的引导框架与轨迹 LoRA,在视频扩散模型中实现精确相机控制并保留生成能力。

  3. arXiv · 机器人与计算机视觉85

    F2G-Pose:面向类别级物体位姿估计的几何感知基础特征提升方法

    该论文提出 F2G-Pose 框架,旨在解决无需实例特定 CAD 模型或参考视图的类别级 RGB-D 物体位姿估计难题。该方法通过单次前向传播预测类别级位姿、度量尺寸及相机坐标系下的完整形状,利用 DGCNN 编码局部几何并集成专家混合 Transformer。

    推荐理由:该工作提出 F2G-Pose 框架,在无需实例 CAD 模型下实现类别级物体位姿估计与形状补全,代码与预训练模型已开源。

  4. arXiv · 机器人与计算机视觉82

    基于注意力机制接触的类人机器人移动性研究

    该论文提出一种结合数据驱动运动先验与强化学习的混合框架,旨在解决类人机器人在复杂地形中的全身协调控制难题。核心方法包括一个自监督的、基于注意力的接触规划器用于预测未来身体与环境交互,以及一个接触条件化的跟踪器将计划转化为协调动作。

    推荐理由:提出利用运动数据作为训练先验的强化学习框架,通过自监督接触规划器与跟踪器实现人形机器人在复杂地形的稳健移动。

  5. arXiv · 机器人与计算机视觉78

    Ask About the Right Moment:训练自由型物体身份推理用于视频语言模型

    该研究针对视频语言模型难以在时间序列中区分同一物体的问题,提出了'Track, Then Bind'的无需训练方法。通过可提示的视频追踪器固定候选对象并编号,再由冻结的视觉 - 语言模型对识别证据进行静态问答以绑定目标与轨迹,最终基于追踪状态推导答案。

    推荐理由:提出无需训练的'先追踪后绑定'方法,解决视频语言模型在长时序物体身份维持上的难题。

  6. arXiv · 机器人与计算机视觉78

    一种用于可扩展跨会话室内导航的稀疏拓扑度量图

    该论文提出稀疏拓扑度量图作为室内环境的高效结构表示,通过节点编码局部 3D 几何、边捕获可通行连通性,利用学习到的图匹配网络在跨会话中建立稳定对应。实验显示该方法在 Gibson 数据集上达到 77.1% 的成功率,在 3D-FRONT 场景变化下为 40.0%,内存占用比点级表示减少两个数量级以上,支持跨会话对齐与目标导向导航。

    推荐理由:提出稀疏拓扑度量图方法,在跨会话室内导航任务中实现高成功率并大幅降低内存消耗。

  7. arXiv · 机器人与计算机视觉82

    FastHarness:面向视觉语言动作策略的经验驱动审查调度

    论文介绍 FastHarness,一种经验驱动的机器人执行框架,用于自适应调度 GPT-6 Astra 对{π}0.5 策略的监督。该方法通过阶段记忆和已审查结果减少审查频率,并在发现错误时聚焦于纠错;验证恢复后继续常规执行并保留失败经验以指导未来干预。

    推荐理由:FastHarness 提出经验驱动的审查调度机制,在不训练模型前提下将 GPT-6 Astra 监督的 Token 使用量平均降低 57.2%,并在四项仿真任务中将成功率从 80% 提升至 97.19%。

  8. arXiv · 机器人与计算机视觉84

    FocusVLA:面向视觉语言动作模型的意图引导动态视图路由方法

    针对现有视觉语言动作模型过度依赖腕部视角、缺乏跨任务阶段全局与局部观察自适应协调的问题,论文提出 FocusVLA 框架。该方法通过历史动作预测未来交互意图并指导动态视图路由,在不修改核心架构的前提下适配现有 VLA 系统。

    推荐理由:提出 FocusVLA 框架,利用未来意图引导动态视图路由,在 RoboTwin 2.0 及真实场景中显著提升 VLA 模型成功率。

  9. arXiv · 机器人与计算机视觉83

    概率能量建模统一了多样化的群体控制

    arXiv 发布了一篇关于机器人集群控制的预印本论文,提出利用概率能量建模作为统一表示来协调多样化任务。该方法将基本群体行为编码为可复用的能量项,通过轻量级策略门控组合去中心化策略而无需重新训练。实验在无人机集群上验证了该框架在六个任务类别、10 至 100 个智能体以及两种硬件平台上的零样本泛化能力,仿真成功率达 96% 至 100%,且物理部署证实了对真实平台和无序环境的迁移效果。

    推荐理由:该预印本提出概率能量建模统一框架,支持多任务零样本迁移与跨平台部署。

  10. arXiv · 机器人与计算机视觉78

    基于全身运动引导的不确定性感知顺从性辅助参考生成方法

    该论文针对外骨骼在复杂交互中难以可靠提供辅助的问题,提出一种结合多模态轨迹生成与可变导纳控制的双环策略。系统利用全身人类运动和外骨骼本体感知数据,通过去噪过程合成未来轨迹,并将任务描述作为语义线索。

    推荐理由:该预印本提出结合全身运动与本体感知的双环辅助策略,通过轨迹方差量化不确定性以调节刚度,实验显示能降低肌肉激活与代谢能耗。

  11. arXiv · 机器人与计算机视觉78

    Memory before Goal:面向人形机器人移动操作任务的预历史记忆研究

    针对动态场景中非马尔可夫特性导致线索消失的问题,本文提出 WholeBodyMem 方法,利用 SAM3 追踪任务物体并因果选择关键帧构建感知记忆,供动作专家通过交叉注意力读取。该方法在仿真和真机(宇树 G1)上均显著优于无记忆及均匀采样基线,将基础策略成功率分别提升至 72.6% 和 88.3%,同时改善了标准 SIMPLE 任务表现。作者开源了包含六个仿真与六个真机任务的 HuMeGo 基准。

    推荐理由:提出 WholeBodyMem 方法,利用预历史记忆将仿真与真机任务成功率分别提升至 72.6% 和 88.3%,并开源 HuMeGo 基准。

  12. arXiv · 机器人与计算机视觉78

    GM-GReFEL:面向鲁棒动态面部表情识别的几何引导时空状态空间学习

    针对无约束视频中的面部表情识别问题,该研究提出 GM-GReFEL 模型,采用 Modulated GroupMamba 骨干网络将计算复杂度从二次方降至线性,并引入 GReFEL 可靠性模块利用可训练几何锚点提升不确定区域的判断。实验显示其在 DFEW 和 MAFW 数据集上达到 SOTA 水平,且延迟接近 ViT-B/16 基线。代码已开源。

    推荐理由:该工作提出几何引导的状态空间网络,以线性复杂度替代自注意力机制并引入可靠性模块,在 DFEW 等基准上表现优异。

  13. arXiv · 机器人与计算机视觉78

    长描述在何处失效?基于位置感知的诊断与强化学习用于详细图像描述

    该研究指出自回归视觉语言模型生成的长描述存在位置性失效:中部易产生无依据的具体细节,尾部则转向模糊的非证据性语言。作者提出 PAGER 框架,通过位置感知 rubric 分解人类参考并验证生成内容,利用 GRPO 训练目标分别优化中位证据、尾部延续及长度控制。实验表明该方法在提升位置级定位与成对偏好排序的同时保持了全局描述质量。论文已被 NeurIPS 2026 接收。

    推荐理由:提出位置感知诊断框架与强化学习目标,揭示长描述中位部幻觉与尾部泛化的不同失效模式。

  14. arXiv · 机器人与计算机视觉78

    一种用于多视图医学图像分割的通用双路径交互框架:缓解小样本依赖

    针对医学图像分割在小样本场景下性能下降的问题,作者提出 DPIF 通用双路径交互框架。该框架兼容任意编码器 - 解码器网络,利用跨视图解剖互补性减少标注依赖。方法包括基于 Sinkhorn 最优传输的跨视图分布对齐、条件互信息引导的特征解耦以及基于持久同调的拓扑正则化。

    推荐理由:提出通用双路径交互框架,通过拓扑正则化缓解小样本依赖,在心脏超声等数据稀缺场景下实现多视图分割性能提升。

  15. arXiv · 机器人与计算机视觉85

    RECAP:单次观看不足以支撑视觉语言推理

    针对长思维链推理中模型偏离图像证据且强化学习仅提供最终奖励的问题,本文提出 RECAP 方法。该方法将视觉重访痕迹转化为信用分配信号,无需额外奖励或推理时改动,即可在 Qwen2.5-VL-7B、InternVL3-8B 和 LLaVA-OV-7B 等模型上提升图像 grounding 推理能力并保留文本性能。

    推荐理由:提出 RECAP 方法,利用视觉重访信号优化 GRPO 训练,提升多模型在图像 grounding 上的推理准确率。

  16. arXiv · 机器人与计算机视觉80

    DRILL:通过改进策略而非预测像素来训练世界模型

    论文指出当前世界模型多用于预测下一帧像素,但这并非强化学习中想象回放的唯一目的;作者提出 DRILL 框架,利用下游回报信号更新世界模型。实验显示该方法在五个操作仿真器和两个 VLA 骨干上均能提升策略成功率,且能与 RLVR 预训练互补而非竞争。

    推荐理由:提出 DRILL 框架,证明以策略效用为目标的世界模型训练优于单纯像素预测,在多个仿真器与 VLA 骨干上提升成功率。

  17. arXiv · 机器人与计算机视觉78

    FilmFlow:用于三维虚拟电影摄影的智能体系统

    论文介绍 FilmFlow,这是一个将自然语言指令或参考视频转换为动态三维环境中明确相机轨迹的智能体框架。系统由导演智能体主导,协同解释器、侦察员和评论家三个专用智能体,通过组合原子操作控制平移、旋转和构图。

    推荐理由:该工作提出 FilmFlow 智能体框架,将自然语言或参考视频转化为可执行的三维相机轨迹,并在 CinemaBench 基准上表现最优。

  18. arXiv · 机器人与计算机视觉83

    ShadowBench:诊断 VLMs 的阴影推理缺陷及从图像生成模型借用缺失先验

    论文介绍了 ShadowBench 基准,该基准基于真实照片构建正确、无阴影和错误方向三种状态,用于评估视觉语言模型(VLMs)对阴影方向的读取、缺失阴影推断及物理一致性判断能力。

    推荐理由:该研究揭示了 VLMs 在阴影推理上的短板,并证明利用图像生成模型作为先验可显著提升其物理一致性判断能力。

  19. arXiv · 机器人与计算机视觉85

    Learning from Next-Frame Prediction: Towards Unified and Scalable Visual World Modeling (arXiv:2610.30724)

    论文提出 VANE 框架,利用冻结语义分词器提供的固定嵌入空间进行下一帧预测,通过因果编码器总结过去观测以推断整个下一帧的表示,并辅以轻量生成解码器重建细粒度细节。

    推荐理由:该工作提出基于嵌入空间的下一帧预测框架 VANE,在统一图像与视频建模及动作预期任务上取得 SOTA 效果。

  20. arXiv · 机器人与计算机视觉78

    PhyEvolve:面向物理感知的视频生成的多智能体状态演化规划方法

    针对现有文生视频模型难以理解用户提示中隐含的物理演化问题,本文提出 PhyEvolve 框架。该框架包含导演、物理演化和作曲三个智能体,通过结构化状态演化规划将自然语言提示转化为具有因果联系的状态转换序列。

    推荐理由:提出多智能体框架通过结构化状态演化规划增强提示词,在不重新训练现有生成模型的情况下提升视频生成的物理一致性与状态连续性。