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 58 页

10月22日周四第 1141–1160 条
  1. arXiv · 机器人与计算机视觉78

    DriftNeRF:一种解决稀疏视角神经辐射场密度不一致问题的正则化方法

    论文 DriftNeRF 指出传统 NeRF 在稀疏视角下因缺乏射线间密度比较机制而导致渲染质量下降。作者提出一种无需预训练模型、外部几何或额外图像即可使用的 drop-in 正则化器,通过掩蔽指数核聚合邻近点密度以生成停止梯度的共识目标,从而惩罚未支持的密度分歧并保持边界完整。

    推荐理由:DriftNeRF 通过显式测量并惩罚射线间密度不一致,解决了稀疏视角 NeRF 的缺陷,无需预训练模型即可提升 PSNR。

  2. arXiv · 机器人与计算机视觉82

    OccJEPA:以遮挡为掩码的无模态视频分割方法

    该论文提出 OccJEPA 方法,将无模态视频分割任务转化为世界模型预测问题,利用预训练的 V-JEPA 2.1 填补被遮挡区域特征,实现确定性推理。相比基于扩散模型的基线,该方法在 SAIL-VOS、TAO-Amodal 等基准上速度提升 33.5 倍且精度更高(+4.00 AP50),代码已开源。

    推荐理由:将遮挡视为掩码利用预训练世界模型实现无模态视频分割,速度提升 33.5 倍且精度优于扩散基线。

  3. arXiv · 机器人与计算机视觉78

    单图食物质量估计器无法跨数据集迁移其克级尺度

    该研究在 Nutrition5k 等四个数据集上对比了微调后的 DINOv2-base 与零样本 Qwen3-VL-32B,发现前者虽在本域误差更低,但在外部数据集表现不优于后者。

    推荐理由:研究指出单图食物估重模型无法跨数据集迁移,且存在场景依赖与食物特异性偏差。

  4. arXiv · 机器人与计算机视觉78

    HyperDrone:百万帧每秒的仿真到现实转移技术

    HyperDrone 是一个专注于高性能批量渲染的四旋翼模拟器,其渲染速度比现有最先进方案快 20 倍以上。该系统结合优化的多旋翼动力学与 HyperLux 光追引擎,支持 Nvidia OptiX、Vulkan、Apple Metal 和 WebGPU 后端,完全在 GPU 上运行。

    推荐理由:HyperDrone 结合多旋翼动力学与 HyperLux 光追引擎,在消费级 GPU 上实现百万帧每秒的渲染速度,支持将纯仿真训练的视觉策略迁移至真实四旋翼。

  5. arXiv · 机器人与计算机视觉78

    Real2Sem2Real:基于单一人类 RGB 演示的 3D 语义增强与机器人学习

    论文提出了 Real2Sem2Real (R2Sem2R) 方法,旨在解决现有方法依赖深度传感或仅针对演示对象生成数据的局限。该方法利用 DINOv3-distilled Gaussian splats 跟踪 SE(3) 姿态,结合语义对齐将数字孪生体与演示物体匹配,并将人类手部动作映射为可行的机器人抓取策略。

    推荐理由:该方法利用单个人类 RGB 演示生成跨语义实例的机器人数据,在真实机器人上验证了策略泛化能力。

  6. arXiv · 机器人与计算机视觉78

    超越正确答案:组合线索如何塑造视觉判断

    针对视觉问答中的视觉绑定问题,本文通过固定图像与陈述的对照实验,分析了对象角色、关系等字段标签在不同模型上的差异化效果。研究发现,添加对象角色标签对 Qwen3 有利但对 Qwen2 有害,且保留提示词的优势主要源于避免错误互换;更清晰的提示词虽提升文本匹配但未必改善视觉判断,而直接选择图像中的关系则能部分降低特定提示下的误差。

    推荐理由:该研究通过控制变量实验揭示了结构化提示中不同标签对视觉绑定任务的具体影响,为优化多模态模型指令提供了实证依据。

  7. Hugging Face Daily Papers82

    SpatialBrain:一种从经验中生长出空间智能的框架

    SpatialBrain 是一个保留关于何时进行直接观察、重建或改变参考系等决策经验的框架。它通过 3DFusionMemory 融合场景观测,利用 Spatial Skill Library 提供可复用的工具程序,并通过 Spatial Cognition 关联任务条件与使用记忆和技能的时机方式。

    推荐理由:该框架在固定视觉语言主干下,通过融合场景观测与抽象执行轨迹来积累推理经验,并在五个基准测试中优于直接回答。

  8. Hugging Face Daily Papers82

    ALPS:用于世界模型的视觉状态编码器

    ALPS 是一种预训练的视觉状态编码器,旨在将物理状态信息、原生语言对齐和像素重建能力统一于单一的 patch token 表示中。研究团队仅使用静态图像和文本数据,从 scratch 预训练了 ViT-B/16 模型,并通过跨视图自蒸馏进行优化。

    推荐理由:该预训练视觉状态编码器统一了物理状态、语言对齐与像素重建,在多项基准上实现最优聚合误差并支持下游策略规划。

  9. Hugging Face Daily Papers82

    AW-0:一种结合代码规划与世界动作预测的代理机器人框架

    论文介绍 AW-0 框架,通过统一架构联合建模代码、未来视频和机器人动作,利用代码专家生成可复用的技能程序以连接规划与执行。作者还提出了自动化策展流程来构建技能库。在 RoboTwin 2.0 及物理双手操作任务上的评估显示,该方法在任务性能、语言遵循、语义推理及鲁棒性方面均优于 VLA 和 WAM 基线。材料为预印本论文,未提及同行评审状态或具体开源代码仓库。

    推荐理由:该工作提出结合代码规划与视频预测的代理世界动作模型,在仿真及物理任务上优于基线。

  10. Hugging Face Daily Papers83

    面向未来预测的递归自我进化:DeepEvolve 系统发布

    DeepEvolve 是一个基于未来事件预测的可持续进化智能体系统,通过与动态变化的环境交互实现内部与外部经验的积累。该系统通过解耦搜索与预测适应开放环境,并利用蒸馏技术从有限轨迹中演化出可复用技能。

    推荐理由:DeepEvolve 系统展示了基于动态开放环境的递归自我进化框架,在真实事件预测榜单上连续三周排名第一。

  11. Hugging Face Daily Papers78

    R^2Orch:基于技能内化循环中自博弈的智能体编排递归自改进

    针对智能体编排学习中依赖人工设计课程、优势坍塌及评估信号噪声等挑战,论文提出 R^2Orch 新范式。该方法包含两个循环:内环通过自博弈在自选任务上优化编排器,外环优化内环的改进方式。研究引入递归可学性目标以奖励能产生多样化结果的任务选择,并提出技能撤出机制,当自博弈评估显示无需某项技能时将其移除。实验表明该范式在问答、数学、代码及交互任务上均优于基线。

    推荐理由:提出 R^2Orch 范式,通过技能内化循环与递归自博弈解决编排学习中的课程设计与评估信号噪声问题。

  12. Hugging Face Daily Papers82

    DirCast:基于单一流式视频语言模型的实时电竞导播与解说

    论文 DirCast 提出一种单流式视频语言模型,能够仅凭过去画面同时完成多机位导播决策与实时解说。该模型每秒以低分辨率扫描所有摄像头决定切换,再以高分辨率读取选定画面进行语音生成,并通过上下文管理控制计算成本。

    推荐理由:该工作提出单流视频语言模型同时完成直播导播与解说,在 Dota 2 数据集上表现优于规则基线与零样本方法。

  13. Hugging Face Daily Papers78

    Dual Exam:多模态智能体与世界模型的受控评估

    Hugging Face Daily Papers 收录了一篇题为《Dual Exam: Controlled Evaluation of Multimodal Agents and World Models》的论文,作者来自上海 AI 实验室等机构。

    推荐理由:该工作提出 Dual Exam 框架,分别在固定环境响应和动作干预下评估多模态智能体与世界模型的解耦性能。

10月21日周三
  1. Hugging Face Daily Papers78

    Self-Credit:基于组内重缩放的长视界代理强化学习信用分配

    针对长视界任务中稀疏奖励导致的信用分配难题,本文提出 Self-Credit 方法,利用策略模型生成的带引用摘要作为自生信用信号,并通过比较同一提示下成功与失败轨迹的引用动作进行组内重缩放以剔除不当信用。

    推荐理由:提出 Self-Credit 方法,通过组内重缩放将稀疏奖励转化为稠密监督信号,在 BrowseComp-Plus 等基准上显著优于基线。

  2. arXiv · 机器人与计算机视觉82

    基于赤字驱动的分层采集构建 STRATA-S12:一个用于自监督学习的开源 SAR-光学语料库

    该研究针对合成孔径雷达与光学卫星数据配准中存在的地理缺失问题,提出了一种名为 DDSA 的算法,通过分层配额控制、严格时间配对及人机协同修复机制来优化数据采集。实测显示,该算法在部分预算下即可覆盖所有分层,且修复循环提供了近四成的有效样本对。作者公开了 STRATA-S12 语料库及其元数据侧车,预注册线性探针检查证实其适用于自监督预训练任务。

    推荐理由:作者提出一种分层采集算法以解决多模态遥感数据的地理缺失问题,并公开了包含修复机制的自监督预训练语料库。

  3. arXiv · 机器人与计算机视觉78

    $S^3$: 谱域零空间交换让推理模型更高效

    论文提出S3(Spectral Null-Space Swap)方法,这是一种无需训练的成对检查点组合策略。研究指出推理能力的核心存在于非思考模型主导奇异方向投影的零空间中,移除该分量可大幅提升效率而不损害准确率。实验在2B至30B参数量的稠密及MoE架构上验证,相比完整思考模型,S3平均降低27.4%推理token开销,同时整体任务准确率提升1个百分点(如在HMMT25上准确率达+8.3%)。

    推荐理由:提出S3方法,通过交换非思考与思考模型的零空间权重,在推理效率提升27.4%的同时保持准确率。

  4. arXiv · 机器人与计算机视觉82

    PURE:利用无标签数据优化前馈式三维重建

    PURE 是一种无需真值监督的后训练细化框架,旨在解决现有前馈式三维重建模型在处理动态真实世界视频时因非刚性运动、遮挡和光照变化而表现脆弱的局限。该方法通过蒸馏最先进的 2D 先验中的鲁棒结构知识至 4D 前馈架构,利用相对深度约束、仿射不变几何蒸馏及基于特征对应的姿态细化来稳定几何预测。

    推荐理由:PURE 框架利用无标签数据进行后训练,通过蒸馏 2D 先验知识提升模型在动态场景下的深度与姿态估计鲁棒性。

  5. arXiv · 机器人与计算机视觉78

    EMERGE:一种基于等变图扩散的分辨率无关点云生成方法

    论文介绍 EMERGE 框架,这是首个专为点云生成设计的完全 SE(3) 等变图神经网络扩散主干网络。该方法克服了现有 Transformer 和 VAE 架构忽略 3D 空间连续非网格拓扑的问题,通过引入几何归纳偏置实现了分辨率无关的零样本推理,并在标准指标上达到最先进质量且训练收敛更快。

    推荐理由:提出首个基于 SE(3) 等变图神经网络的点云生成框架,实现分辨率无关的零样本推理与更快的训练收敛。

  6. arXiv · 机器人与计算机视觉78

    DriveVLA-M0:面向自动驾驶的失败感知记忆增强方法

    论文提出 DriveVLA-M0,一种带失败感知隐式记忆的检索增强视觉语言动作模型。该方法构建存储失败案例及场景结构表示的记忆池,设计专用检索模型解耦静态道路结构与动态交互以支持结构化检索。

    推荐理由:提出带失败感知隐式记忆的检索增强 VLA,在 NAVSIMv1/v2 基准上提升性能且仅增加 26.44ms 推理开销。