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 55 页

10月23日周五第 1081–1100 条
  1. arXiv · 机器人与计算机视觉78

    ParaLin++:通过内在部分线性结构加速并行扩散积分器

    该论文提出 ParaLin++,这是一种步数平行的采样器,旨在保留全步离散化同时加速求解器迭代。研究指出,传统免训练少步采样方法在语义组合、密集指令和长文本渲染基准上存在质量下降风险,而平行采样是例外。

    推荐理由:该工作提出 ParaLin++,在保留全步离散化同时加速求解器迭代,实验显示其在 Stable Diffusion-v2 等模型上可将采样速度提升 1.68 至 4.8 倍且保持质量。

  2. arXiv · 机器人与计算机视觉85

    LoRA 在预训练模型间的叠加:一种无需路由的跨模型微调方法

    该研究提出将针对同一任务在不同预训练骨干上独立训练的 LoRA 直接求和并应用于所有贡献骨干的方法,称为 LoRA 叠加。实验显示,该方法在七个 ViT-B/16 CLIP 骨干和八个图像分类任务上的全部 56 对组合中均提升性能,平均准确率增益达 30.21 个百分点,仅比单独训练低 0.28 个百分点。

    推荐理由:论文验证了不同预训练骨干上的独立 LoRA 可直接叠加且互不干扰,为跨模型微调提供了无需路由的组件化方法。

  3. arXiv · 机器人与计算机视觉78

    AgentDreamer:面向文本可控物理仿真的代理式三维运动推理

    论文提出了 AgentDreamer,这是一个由智能体引导的优化框架,旨在通过显式的三维运动规划将文本指令与仿真运动对齐。给定文本指令和场景几何,现成的智能体将其转化为结构化语义运动先验(指定移动对象、方向及时间顺序),并用参数化函数表示以生成密集三维轨迹。

    推荐理由:提出 AgentDreamer 框架,利用智能体生成语义运动先验并优化可微 MPM 模拟器以对齐文本指令与物理可行运动。

  4. arXiv · 机器人与计算机视觉78

    Co^2Gen:无需遥操作自动生成多机器人协作任务计划以微调 VLA 模型

    针对视觉语言动作(VLA)模型在与其他机器人或人类协作方面的能力不足问题,本文提出 Co^2Gen 框架。该框架利用去中心化协同规划方法生成可执行的多机器人协作计划,进而产生协作演示数据用于微调 VLA 模型。实验表明,基于该方法生成的数据进行微调的模型,在执行去中心化协作任务时的表现与使用人类遥操作数据微调的模型相当。

    推荐理由:提出无需遥操作的协同规划框架,生成数据微调 VLA 模型效果媲美人类演示。

  5. arXiv · 机器人与计算机视觉78

    GSHeadRelight:面向3D高斯头像合成的快速重光照技术

    论文 GSHeadRelight 针对人像摄影、VR/AR 等应用中的人像重光照与新颖视角合成任务,提出基于生成式3D高斯的解决方案。该方法采用统一的神经辐射传输表示构建线性响应入射光的照明模型,仅需野外图像即可实现优于现有工作的重光照效果,且渲染速度较以往3D感知人像重光照研究提升12倍。材料为预印本论文,未涉及真实机器人部署或硬件发布。

    推荐理由:原文提出基于生成式3D高斯的快速重光照方法,在野外图像上实现优于现有工作的效果且渲染速度提升12倍。

  6. arXiv · 机器人与计算机视觉78

    GlobMP:一种具有全局收敛性的连续时间运动规划与转向方法

    论文提出了 GlobMP(Global Motion Planning)算法,这是一种基于梯度投影的连续时间规划方法,旨在同时满足避障约束和保持轨迹接近学习策略提出的初始路径。

    推荐理由:提出 GlobMP 算法,在连续时间框架下解决多机器人避障与轨迹平滑优化问题。

  7. arXiv · 机器人与计算机视觉78

    OASIS:面向动态环境开放词汇检索与导航的在线锚点中心场景推理系统

    针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。

    推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。

  8. arXiv · 机器人与计算机视觉78

    基于车道变更预测的自动驾驶决策与乘坐舒适度评估

    该论文研究了将基于知识图谱嵌入和贝叶斯推断的车道变更预测集成到自动驾驶决策中的效益。在 CARLA 仿真的高风险合流场景中,模型能提前约 3-4 秒预测周围车辆的变道意图。

    推荐理由:该研究在 CARLA 仿真中验证了基于知识图谱嵌入与贝叶斯推断的变道预测,相比反应式策略显著降低峰值减速度并提升乘坐舒适性。

  9. arXiv · 机器人与计算机视觉82

    外部化记忆:一项关于具身智能体经验应存储在哪里的预注册研究

    该论文通过预注册实验对比了将具身智能体的经验嵌入策略权重与作为外部检索缓冲器的效果。结果显示,将冻结的检索缓冲器附加到固定学生权重上比仅行动控制提升 34 个百分点,显著优于将记忆蒸馏进权重的方案(后者因统计功效不足被撤回)。研究结论建议采用外部化记忆架构,即保留独立缓冲器而非将其参数化入模型权重。

    推荐理由:预注册研究表明将记忆外置并作为检索缓冲器使用时,比嵌入权重更能提升具身智能体在视觉条件化任务上的表现。

  10. arXiv · 机器人与计算机视觉87

    SplatLab:面向 3DGS 研究的自主科学发现系统

    SplatLab 是一个针对 3D Gaussian Splatting 领域的自主研究系统,解决了现有系统在模板限制和可执行性上的不足。该系统能根据提示或论文链接复现基线、提出扩展方案并在 Mip-NeRF 360 等数据集上训练消融实验,同时将手稿中的每个数据点绑定到具体的日志运行记录。

    推荐理由:该系统实现了端到端的自主科研闭环,能复现基线、提出扩展并绑定实验数据生成手稿。

  11. Hugging Face Daily Papers78

    AgentVQA:面向智能体视觉理解的统一离线基准

    针对现有智能体评估成本高且碎片化的问题,研究团队构建了 AgentVQA 离线基准,涵盖 Web、机器人、第一人称视频、游戏和空间规划五类场景。该基准从 23 个源数据集人工筛选出 1000 个挑战性实例,其模型排名与在线评测结果一致。

    推荐理由:该基准通过人工筛选构建跨五类智能体场景的离线评测集,揭示了模型在视觉状态维持与空间推理上的主要瓶颈。

  12. Hugging Face Daily Papers78

    超越观看与搜索:面向视频中心深度研究报告的智能体基准测试

    针对现有基准未评估以视频为核心源头的深度研究问题,该工作提出 Video-Centered Deep Research Report Generation 任务,要求智能体根据视频和用户请求生成交互式报告并链接关键片段。

    推荐理由:该工作提出以视频为核心的深度研究报告生成任务,并开源 OmniDR-Bench 基准与评测体系,为多模态智能体评估提供新工具。

  13. Hugging Face Daily Papers84

    SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型

    论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。

    推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。

  14. Hugging Face Daily Papers82

    RynnUnify:迈向统一的具身大脑

    Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。

    推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。

  15. Hugging Face Daily Papers82

    WorldCast:具备世界一致性的角色视频生成与大角度相机控制

    针对现有方法难以跟随结合旋转、平移和半径变化的大角度相机轨迹并导致几何失真的问题,该工作提出 WorldCast 框架与 CLACT 基准。WorldCast 通过将初始帧反投影至三维点云并与目标轨迹对齐来提供显式几何引导,同时利用 Geometry-Aligned Memory Attention 机制在统一坐标系下检索注入角色特征以维持身份一致性。

    推荐理由:该工作提出 WorldCast 框架与 CLACT 基准,解决大角度相机运动下的角色几何一致性问题。

10月22日周四
  1. Hugging Face Daily Papers78

    ToM2Vec:面向多智能体协作的连续思维向量研究

    为了解决大语言模型难以在文本空间中准确表征多个可能伙伴状态的问题,该研究提出 ToM2Vec 方法,利用固定预算的连续推理令牌学习抽象思维理论。训练时通过匹配伙伴的实际思想进行监督,测试时生成的令牌作为智能体思考与行动的条件器。

    推荐理由:该文提出连续思维向量方法,在多智能体协作中通过潜在空间推理提升对伙伴状态的抽象理解与泛化能力。

  2. arXiv · 机器人与计算机视觉82

    BiMoGen:基于统一掩码离散扩散的双向运动文本生成

    BiMoGen 是一个统一的掩码离散扩散框架,用于双向运动文本建模。该方法采用解耦的单模态与跨模态两阶段训练策略,并引入生成感知自修正机制以缓解训练测试不匹配问题。实验在 HumanML3D 和 KIT-ML 数据集上验证了其在文本生成动作描述及动作描述文本任务上的竞争力。

    推荐理由:该文提出基于掩码离散扩散的双向运动文本生成框架,通过解耦训练与生成感知自修正机制解决时序一致性问题。

  3. arXiv · 机器人与计算机视觉78

    超越外观偏移:面向 VLA 模型的基于任务语义的动作校准

    论文提出 BAS-VLA 框架,旨在解决视觉语言动作(VLA)模型难以区分应保留行为的外观变化与需调整行为的语义变化的问题。该框架在冻结基座模型上构建以‘破坏性’为中心的校准核心,并辅以选择性证据门控机制来修正外观诱导的漂移。实验显示,BAS-VLA 将任务切换成功率从 2.3% 提升至 68.5%,同时在保持风格不变的外观偏移下将成功率从 42% 提升至 70%,且未降低原始性能。

    推荐理由:提出 BAS-VLA 框架解决 VLA 模型在外观变化与语义变化下的策略漂移问题,显著提升任务切换成功率。

  4. arXiv · 机器人与计算机视觉78

    NormLift:从提升特征到 3D 高斯泼溅的语义可靠性

    论文提出 NormLift 框架,无需训练即可将 2D 语义特征映射到 3D 高斯泼溅模型中。作者从 3D 视角重新审视特征提升过程,将其建模为 CLIP 单位球上的余弦对齐问题,证明 L2 归一化后的反向投影特征是闭式解。

    推荐理由:该文提出 NormLift,从 3D 视角重新解释特征提升机制,利用特征范数量化语义可靠性并指导模式投票修正漂移方向。

  5. arXiv · 机器人与计算机视觉82

    结构化剪枝的统一响应几何方法

    针对传统通道剪枝忽略响应互补性的问题,该方法将剪枝定义为选择具有大联合响应容量的子集,并通过统一响应几何映射与 Schur 贪婪残差筛选非冗余坐标。构建包含无标签实例和任务条件实例的两个版本,后者结合激活梯度方差与相关性进行尺度与互补性判断。

    推荐理由:提出基于统一响应几何的结构化剪枝方法,在无需微调下实现更高精度。