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 65 页

10月20日周二第 1281–1300 条
  1. arXiv · 机器人与计算机视觉82

    知识分流:一种用于可分解图像生成模型预训练的新范式

    针对大规模预训练模型中可迁移知识与任务特定知识纠缠的问题,本文提出知识分流(KDiv)范式。该方法在预训练前将随机初始化权重分解为秩一的知识单元,并组织成学习基因和尾部模块;通过连续的条件感知路由机制,在预训练过程中将跨条件的共享知识聚合到学习基因,而将条件依赖的变化导向尾部模块。实验表明,该模型在类、文本及图像条件下的生成任务中,能以与低秩适配方法相当的参数预算实现最强的平均下游性能。

    推荐理由:提出知识分流预训练范式,通过结构化权重分解实现生成先验与条件知识的解耦复用。

  2. arXiv · 机器人与计算机视觉83

    GazeAct:用于注意力正则化策略的人眼注视标注操作数据集

    GazeAct 是一个配备人眼注视信号的实物机器人操作数据集与训练框架,旨在解决视觉语言动作模型(VLA)将指令锚定到正确物体和接触点的问题。研究团队通过屏幕遥操作记录操作员在机器人摄像头画面上的注视信号,获得包含 12000 次演示、覆盖 40 个任务及五个领域的多视图数据,且注视信号以 300 Hz 与图像、本体感知及动作同步。

    推荐理由:该工作提出 GazeAct 数据集与框架,利用遥操作记录的人眼注视信号作为软监督来正则化 VLA 模型的视觉注意力,在真实机器人任务中显著提升成功率。

  3. arXiv · 机器人与计算机视觉83

    O-SCD++:通过递归证据融合实现无回放在线场景变化检测

    论文 O-SCD++ 提出一种无需回放缓存的在线场景变化检测方法,解决了原有方法在速度与精度间的权衡问题。该方法将参考场景表示为高斯泼溅图并固定不变,利用渲染器的反向传播直接更新新观测数据,仅需每高斯点两次标量递归即可完成多视角融合,避免了存储和重访历史观测。

    推荐理由:提出无需回放缓存的在线场景变化检测新框架,在保持因果性前提下将处理速度提升至每秒 25.6 帧并提升精度。

  4. arXiv · 机器人与计算机视觉78

    CRISP:一种用于低光视频增强的递归框架

    CRISP 是一种用于低光视频增强的递归框架,通过两帧架构利用时序上下文信息,并在训练中采用渐进式光照课程逐步提升亮度与色彩校正难度。该框架可选地融合冻结的 DINOv3 语义特征以辅助结构重建,无需微调基础模型。在 DID 和 BVI-RLV 数据集上的实验表明,CRISP 在多项指标上优于对比方法且保持了计算效率。

    推荐理由:该工作提出利用渐进式光照课程与冻结语义特征提升低光视频增强效果,为相关算法设计提供新参考。

  5. arXiv · 机器人与计算机视觉78

    机器人工作暴露度:职业、行业与地理维度的能力映射研究

    该研究构建了首个基于技术能力的机器人暴露度量体系(ROE/RIE/RGE),通过大模型将 16 项机器人能力与 52 项 ONET 工作能力进行关联评分。研究发现,机器人暴露度集中在建筑、农业等体力密集型领域及低工资职业,且当前指数反映的是技术相关性而非实际部署就绪状态,应视为物理自动化影响工作的上限估计。

    推荐理由:构建了首个基于能力的机器人暴露指数,量化了物理自动化对职业、行业及地理区域的潜在影响范围。

  6. arXiv · 机器人与计算机视觉78

    Ghost Attack:用 19 世纪光学错觉欺骗 21 世纪生物识别系统

    该研究提出'Ghost Attack'攻击方法,利用低成本自由空间硬件和透明介质将高分辨率面部数据投射到物理三维空间,成功绕过现代人脸识别系统的匹配器、呈现攻击检测和变形攻击检测三个组件。

    推荐理由:论文提出利用 Pepper's Ghost 原理的'Ghost Attack',证明透明投影可绕过现代人脸识别系统的匹配与防御模块。

  7. arXiv · 机器人与计算机视觉78

    FLASH-CBF-RRT:一种基于 Lipschitz 自适应的安全视界 CBF 转向快速运动规划方法

    本文提出 FLASH-CBF-RRT,旨在解决传统直线转向浪费样本和二次规划控制器计算开销大的问题。该方法通过闭式运动学边界计算碰撞清除时间视界,使规划器能在安全范围内使用恒定速度进行自适应步长转向(障碍物附近短、开阔空间长)。

    推荐理由:FLASH-CBF-RRT 通过闭式解计算安全时间视界,在保持 RRT-Connect 100% 成功率的同时将规划耗时降低 3.82 倍。

  8. arXiv · 机器人与计算机视觉78

    单步决策分数实现可调节阈值的快速医疗多模态大模型分类

    针对多模态大语言模型(MLLMs)回答二元临床问题时阈值固定且隐式的问题,本文提出一种方法:通过单次前向传播对 yes/no 概率进行重归一化以生成连续决策分数,从而无需重新训练即可根据临床需求调整阈值。

    推荐理由:该方法通过单次前向传播归一化概率,实现无需重训即可调整决策阈值,在多个医学影像数据集上提升了分类性能与推理速度。

  9. arXiv · 机器人与计算机视觉78

    预训练特征作为教师而非状态:用于视觉规划的紧凑潜在世界模型

    论文提出了 Anchor-WM 方法,利用预训练的 DINO 特征作为教师来学习紧凑的潜在状态,而非直接将其作为世界模型的状态空间。该方法通过动作条件化的动力学学习和仅用于蒸馏的训练头,在保留视觉信息的同时避免表示坍塌。

    推荐理由:提出用预训练特征指导学习紧凑潜在状态,在四个环境中实现最佳成功率并显著加速规划。

  10. arXiv · 机器人与计算机视觉85

    Time-JEPA:利用物理时间序列锚定视频世界模型

    论文 Time-JEPA 针对视频世界模型缺乏物理状态演化信息的不足,提出用低维时序对齐的物理量作为辅助监督信号进行微调。该方法在自动驾驶、机器人操作和人体运动等多个领域均提升了当前状态解码、多步未来预测及运动学重建性能,且在跨条件与变量分布偏移下表现更稳健。外部评估显示其能增强对物理异常及交互的敏感度,且方法可迁移至不同视频骨干网络。

    推荐理由:该工作提出用低维时序物理量辅助监督视频世界模型,在自动驾驶、操作与人体运动等多域任务上提升状态解码与未来预测能力。

  11. arXiv · 机器人与计算机视觉78

    PhaseGuard+: 基于时序采样扰动的稀疏帧视频问答信任度学习与重观测策略

    PhaseGuard+ 提出一种无需微调即可评估稀疏帧视频语言模型答案可靠性的方法,通过控制时序偏移探测冻结 VLM 并预测修复动作收益。在 Qwen3-VL-8B 上可靠性 AUROC 从 68.0% 提升至 74.8%,将 30% 问题路由至更强模型后准确率达 67.87%,显著优于随机路由。

    推荐理由:PhaseGuard+ 方法在冻结 VLM 上独立评估答案风险与修复动作价值,显著提升了稀疏帧视频问答的可靠性与路由效率。

  12. arXiv · 机器人与计算机视觉76

    自监督投影头捕获物体共现统计规律

    该论文提出自监督学习 pretext task 隐含建模物体共现统计的假设。研究通过三个分割数据集验证发现:视觉骨干网络捕捉物体类别,而投影头专门编码类别间的共现关系,且在对齐人类相似度判断上优于骨干网络。控制预训练期间的共现模式可显著加速类别级表征的涌现。该工作揭示了自监督学习的一个隐藏原则,为设计更有效的 pretext task 提供了新路径。

    推荐理由:研究发现自监督预训练的投影头隐含编码物体共现统计,能加速类别表征涌现并优于骨干网络对齐人类判断。

  13. arXiv · 机器人与计算机视觉82

    当编辑意图被拆分:一种针对大型图像编辑模型的跨模态越狱攻击

    本文形式化了大型图像编辑模型中有害意图分布在多模态输入下的风险,提出 Split-Intent Jailbreak Attack (SIJA) 方法,通过将编辑指代放在文本而将关键安全动作隐藏在视觉语义中。

    推荐理由:该工作提出跨模态越狱攻击并构建基准,揭示大图像编辑模型在图文意图拆分时的安全隐患。

  14. arXiv · 机器人与计算机视觉78

    ContraSafe-VL:面向视觉语言模型的对比式安全偏好数据集发布

    作者发布了 ContraSafe-VL 数据集,旨在解决视觉语言模型在多模态安全对齐中视觉上下文监督不足的问题。该数据集为固定文本查询构建了对应的成对视觉情境以区分不同安全标签,并提供基于无害性与有用性的响应偏好对。实验表明,使用该数据集训练能提升跨模态安全识别能力并改善安全与过度拒绝之间的权衡,同时保留通用多模态能力。

    推荐理由:该数据集针对多模态安全对齐中视觉上下文监督不足的痛点,通过构建成对视觉情境与响应偏好对,直接指导模型平衡安全性与过度拒绝。

  15. arXiv · 机器人与计算机视觉78

    ContactKernels:基于几何条件力矩的接触丰富操作自适应提案方法

    针对感知与控制不确定性导致的意外接触问题,论文提出 ContactKernels 方法,利用几何条件力矩测量估计接触位置与局部几何,直接适配采样分布以引导修正运动。仿真与真实机器人实验显示,该方法在预测采样和模型预测路径积分控制下,平均插入成功率提升超 50 个百分点,真实机器人插入成功率从 53.3% 提升至 90.0%,平均插入时间减少 33%。

    推荐理由:提出利用几何条件力矩测量估计接触状态,自适应调整采样分布以引导修正运动。

  16. arXiv · 机器人与计算机视觉82

    从似然到效用:面向端到端自动驾驶的质量轴扩散

    论文提出 QualiDrive 方法,将端到端自动驾驶中的轨迹生成沿驾驶质量轴而非高斯噪声轴进行扩散。该方法通过构建场景特定的质量阶梯,根据测得的驾驶效应对观测到的轨迹排序,并学习通过有序的低质到高质细化来逆转这种退化。

    推荐理由:提出沿驾驶质量轴进行扩散的 QualiDrive 方法,在 NAVSIM 上实现 SOTA EPDMS 并显著提升高分候选比例。

  17. Hugging Face Daily Papers78

    TokenWorth:资源约束下的记忆价值学习方法

    针对终身智能体在生成、交互和内存预算紧张时的失效问题,论文提出 TokenWorth 轻量级在线框架,通过稀疏执行反馈学习查询依赖的记忆价值,并应用于检索与有界管理。实验显示该方法在三类环境及本地/API部署中均取得最高任务成功率且输出 token 最少。代码已开源。

    推荐理由:提出 TokenWorth 框架,在资源受限下学习记忆价值以优化终身适应。

  18. Hugging Face Daily Papers82

    EgoXperience:基于人类经验的以自我为中心的世界 grounding 表示学习

    该论文提出 EgoXperience 全栈范式,旨在解决从第一人称视频中重构人类活动所需的运动、几何与手物交互一致性难题。核心包括自动标注引擎 EgoX-Engine,结合几何验证的目标跟踪与 SLAM 世界对齐;以及由此构建的 EgoX-Data-6M 数据集(50 小时室内外任务驱动数据)和评测基准 EgoX-Bench。

    推荐理由:该工作提出 EgoXperience 全栈范式,通过自研引擎构建百万级数据与统一模型,在单目视频下实现相机、场景及手物交互的联合度量重建。

  19. Hugging Face Daily Papers85

    Fréchet Forcing:基于短片段训练长视界流式世界模型

    论文提出 Fréchet Forcing 方法,用于微调世界模型以解决长序列生成中的漂移问题。该方法在无需教师模型或在线评论器的情况下,利用流匹配损失、上下文保真度和现实匹配三个约束,使模型在机器人操作和相机控制探索任务中能在超过 4,000 帧的长序列内保持稳定性并遵循动作指令。材料为 arXiv 预印本,未提及同行评审状态或具体部署许可。

    推荐理由:提出无需教师模型的 Fréchet Forcing 方法,通过流匹配与统计约束解决长序列生成漂移问题。

  20. Hugging Face Daily Papers78

    RoAR-VAE:通过鲁棒预测提升潜在扩散能力

    该研究提出 RoAR-VAE 模型,旨在解决视觉分词器在保持图像保真度的同时优化下游扩散模型学习效率的问题。方法上,移除原有扩散目标与生成块,转而利用受损潜变量进行语义特征预测(RobustAlign)和清洁图像重建(RobustRecon)。

    推荐理由:提出 RoAR-VAE,通过鲁棒预测平衡重建保真度与下游生成学习性。