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 63 页

10月20日周二第 1241–1260 条
  1. arXiv · 机器人与计算机视觉82

    TestDG:面向持续测试时适应的测试时域泛化方法

    该论文研究了持续测试时适应(CTTA)任务,即模型在测试阶段不断适应未见过的新域同时保留先前知识。现有方法多仅关注当前域而忽视对未来域的泛化能力。为此,作者提出了 TestDG 框架,旨在测试过程中在线学习对当前及历史测试域均不变的特征,并提出新的模型架构、适应策略以及原型选择更新机制以管理历史信息。

    推荐理由:提出 TestDG 框架,在测试时学习域不变特征以应对未来未知领域,在三个公开基准上达到最先进水平。

  2. arXiv · 机器人与计算机视觉82

    无需语言预训练的文本生成图像建模:Halcyon 系列模型研究

    本文提出 Halcyon,一个完全从头预训练的早融合多模态自回归模型家族,基于 100M 对图像 - 文本数据集 GPIC 训练。实验显示,Halcyon-0.52B 和 Halcyon-1.6B 在生成质量上分别优于 LlamaGen-XL/8 和 JiT-T2I-XXL/8++,且预训练计算量分别减少 18.2 倍和 275 倍。

    推荐理由:研究表明无需互联网级语言预训练即可实现强文本生成图像能力,且早融合多模态自回归模型在计算效率上显著优于现有方案。

  3. arXiv · 机器人与计算机视觉84

    Self-Improving Video-to-Action Models:一种通过环境交互进行自我改进的视频到动作模型

    论文介绍 Mirror 方法,这是一种无需人工奖励或专家动作数据的自监督视频到动作映射方法。该方法通过在环境中尝试执行对视觉计划的猜测来学习,并利用生成的视频 - 动作对增量式自我改进,从而更紧密地跟随视觉规划器。

    推荐理由:提出无需人工奖励或专家动作数据的自监督视频到动作映射方法,在 Atari、Minecraft 等基准上实现超越现有观测学习方法的性能。

  4. arXiv · 机器人与计算机视觉78

    DS-Net:一种用于端云协同推理的动态分割网络

    针对现有端云协同方法在多分割点切换时存储开销大、延迟高的问题,本文提出了 DS-Net 动态分割网络。该方法设计了动态切换框架以支持单模型内的灵活分割点选择,并引入分层补偿机制来缓解特征分布偏移与信息丢失。

    推荐理由:提出动态分割网络架构,在降低存储开销的同时实现毫秒级切换与精度提升。

  5. arXiv · 机器人与计算机视觉80

    Physical Words:一种用于机器人操作中结构化潜在推理的词汇表

    该论文介绍 PhysWord 基础模型,利用原子动作动词作为共享语义锚点来组织连续物理动态表示。模型预测未来原子动作词并将上下文隐藏状态与来自未来观测的潜在目标对齐,构建具有视觉和可选触觉变体的时间结构化空间。

    推荐理由:提出基于原子动作动词的潜在推理框架,在视觉触觉任务中取得最先进成功率并支持长程操作。

  6. arXiv · 机器人与计算机视觉82

    LLM-as-policy 的物理递归自我改进能力来源:一项观测缩放律研究

    本文系统研究了物理递归自我改进(Physical RSI)的机制、缩放行为与泛化性,引入 PhysRSI-eval 通过首次尝试性能、效率、成功率、预算和失败后改进五个维度量化 VLM 在 18 个操作任务中的表现。

    推荐理由:该文提出物理递归自我改进观测缩放律,通过五轴指标量化 VLM 在操作任务中的表现与改进机制。

  7. arXiv · 机器人与计算机视觉84

    GPT-6 Astra:原生视觉 - 触觉策略用于富接触操作

    GPT-6 Astra 作为原生视觉 - 触觉策略,首次演示直接通过现有视觉接口解读基于图像的触觉观测并利用接触线索进行富接触操作控制。在十九个 UniVTAC 和 OpenViTac 仿真任务中,使用视觉 - 触觉输入的平均成功率分别为 93.8% 和 81.8%,分别超过最强专用基线 22.9 和 13.1 个百分点;仅视觉性能也达到 76.3% 和 80.6%。

    推荐理由:该工作首次演示 GPT-6 Astra 直接解读视觉触觉图像并在十九个仿真任务中实现闭环控制,成功率超最强基线。

  8. arXiv · 机器人与计算机视觉84

    PICA-WAM:通过跨外观自对齐实现视觉扰动不变性的世界动作模型研究

    论文指出世界动作模型(WAMs)在联合预测视频和生成动作时,对任务无关的视觉外观变化过于敏感。为此提出 PICA-WAM 框架,将扰动不变性建模为辅助的跨外观自对齐任务,利用 EMA 教师网络处理正常观测以提供深层目标,引导在线 WAM 的浅层动作表示与之对齐。

    推荐理由:针对世界动作模型对无关视觉扰动的敏感性,提出自监督框架 PICA-WAM 以提升鲁棒性。

  9. arXiv · 机器人与计算机视觉78

    CAOS-SLAM:面向动态环境的类无关对象感知实时 vSLAM 框架

    针对动态环境下移动物体会导致视觉 SLAM 建图错误和定位精度下降的问题,该研究提出 CAOS-SLAM 框架,在 ORB-SLAM3 基础上扩展了混合感知管线。

    推荐理由:该工作提出 CAOS-SLAM,通过混合感知管线在动态环境中实时剔除移动物体干扰,显著降低定位误差并支持轨迹估计。

  10. arXiv · 机器人与计算机视觉78

    DenseHap:基于单目图像的稠密手部触觉估计方法

    针对灵巧操作中人手 - 物体交互标注稀缺及现有方法存在背侧误分类、精度不足等问题,作者提出 DenseHap 统一端到端框架。该方法通过三个独立定义的头部,结合预训练三维重建骨架与增强数据集,从单目图像同时实现手距离场识别、全面接触检测、压力分析及手部重建。

    推荐理由:该工作提出统一框架,从单目图像同时估计手距离场、接触检测与压力分析,在四个数据集上显著优于现有模型。

  11. arXiv · 机器人与计算机视觉84

    PrismWAM:在世界动作模型中解耦状态表示

    论文提出 PrismWAM,旨在解决世界动作模型(WAM)将外观与物理构型纠缠的问题。该方法将世界状态分离为语义上下文和受物理规律支配的演化过程,构建了从语义规划到物理卷展再到可执行动作的流水线。

    推荐理由:提出将语义与物理状态解耦的 PrismWAM,仅凭 RGB 输入在仿真和真实环境中实现操作性能超越大规模预训练基线。

  12. arXiv · 机器人与计算机视觉78

    Learn the Task, Not the Schedule:减少双臂模仿学习中的虚假跨臂耦合

    该论文针对双臂演示中存在的虚假时间调度耦合问题,提出了约束保持时序重组(CTR)训练干预方法。该方法在保留记录的手臂局部传感运动内容同时,对对应片段进行重定时以实现可接受的调度方案并维持任务所需的跨臂约束。

    推荐理由:提出 CTR 训练干预方法,在双臂模仿学习中消除虚假耦合,显著提升真实机器人任务成功率。

  13. arXiv · 机器人与计算机视觉78

    基于递归语言模型的长形式视频到文本摘要

    针对现有 VideoLLM 在长视频摘要中面临的性能退化、时序连续性难保持及事件描述缺乏语义丰富度等问题,本文提出了首个递归视频语言摘要模型(RVLSM)。该模型将视频分解为语义连贯片段并委托子模型推理,采用场景感知的分块策略维持时序一致性,并通过路由机制调用动作识别、OCR 等辅助工具增强摘要的语义信息。

    推荐理由:提出首个递归视频语言摘要模型,通过语义分解与工具调用解决长视频理解难题。

  14. arXiv · 机器人与计算机视觉78

    CALIPER:基于可验证奖励的空间推理自适应信用分配方法

    针对图像空间推理训练中瓶颈阶段动态变化的难题,论文提出 CALIPER 自适应过程奖励框架及 SpatialTrace 轨迹语料库。该方法通过组内岭回归估计各阶段参考覆盖率与答案正确性的关联,利用其作为效用代理逐步更新奖励权重;同时引入闭环机制监控估计器可靠性以指导回滚、多样化 rollout 及早停。

    推荐理由:提出 CALIPER 自适应过程奖励框架,利用 SpatialTrace 解决图像空间推理训练瓶颈动态变化问题。

  15. arXiv · 机器人与计算机视觉82

    One Fact, Many Places:长文档中的冗余证据破坏单一黄金标准评估

    该研究指出在长视觉文档中,事实常以图表重述或摘要复现等形式多次出现,导致基于单一黄金位置的评估失效。作者标注了 MMLongBench-Doc 和 MMDocRAG 基准中的 420 个问题及其独立证据位置,发现跨模态复制普遍存在且会显著低估检索召回率与引用准确性。研究提供了冗余感知指标与数据,以修正现有评测偏差。

    推荐理由:作者标注了长文档中跨模态冗余证据,揭示单金标准低估召回与引用准确率,并开源相关指标。

  16. arXiv · 机器人与计算机视觉78

    从原因到结果:在视频中生成中间事件链

    针对视频语言模型在因果推理上的不足及现有评测缺陷,本文引入因果链生成(CCG)新任务,要求模型生成连接原因与结果的中间事件序列。研究提供了 SF20K-CC 和 CMD-CC 两个测试集,并定义了 SODA-Embedding 与 Causal-QA 两项指标以评估语义匹配度和因果连贯性。

    推荐理由:提出因果链生成任务与评测指标,通过微调提升视频语言模型对叙事因果的理解能力。

  17. arXiv · 机器人与计算机视觉84

    面向受限感知场景的多机器人水下结构三维检测 GPU 流水线

    本文介绍了一种针对水下结构的完整 GPU 驻留多机器人三维检测流水线。给定三角网格和携带短距窄视场相机的 K 个机器人,该流程计算六自由度轨迹以覆盖目标表面比例并最小化总成本。

    推荐理由:作者提出了一套完整的 GPU 驻留多机器人水下结构三维检测流程,包含可见性计算与路径规划等核心模块的 CUDA 实现。

  18. arXiv · 机器人与计算机视觉78

    OmniInteract:面向双类人机器人的统一全身交互控制研究

    该论文针对双类人机器人协作中因形态差异导致的接触界面破坏及技能多样性下的控制保真度下降问题,提出 OmniInteract 框架。通过表面感知重定向技术利用人体与机器人表面的密集对应关系保留交互几何上下文;采用可扩展基于流的交互策略,将全身运动先验与伙伴感知的残差修正解耦,在共享残差动作空间统一两者。

    推荐理由:提出表面感知重定向与可扩展流策略,解决双机器人交互中的形态差异与控制保真度难题。

  19. arXiv · 机器人与计算机视觉82

    PaceVLA:视觉语言动作模型中的自适应时序动作量化

    论文针对 VLA 模型执行效率低的问题,提出 PaceVLA 框架,利用共享动作专家构建多粒度解码器,并通过可量化性引导的模式选择与上下文路由机制,在仿真基准和真实世界任务中实现高效且可靠的灵巧操作。

    推荐理由:提出 PaceVLA 框架,通过自适应时间量化在保持任务成功率的同时提升 VLA 模型执行效率。