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 79 页

10月12日周一第 1561–1580 条
  1. arXiv · 机器人与计算机视觉82

    Splat2Act:从捕获场景到个性化 VLA 操作

    针对通用操作策略在用户家中零成功率且采集演示成本高昂的问题,该研究提出 Splat2Act 自动化实到仿再到实流程。该方法利用手持设备扫描与物体图片构建包含碰撞几何的逼真数字孪生,自动发现收纳位并生成成功演示。在 101 个校园环境中,策略经两阶段微调后,目标场景整体拾取成功率达 62.5%,真实机器人部署子集任务成功率为 63.9%。

    推荐理由:该工作提出自动化实到仿再到实的流程,仅凭手机扫描与物体图片即可将通用 VLA 策略个性化至特定场景。

  2. arXiv · 机器人与计算机视觉83

    Chronos Policy:在物理时间上学习机器人策略

    针对现有机器人策略将物理时间隐含于序列位置的问题,本文提出 Chronos Policy,通过在扩散 Transformer 中显式利用观测捕获时间和动作执行时间来增强鲁棒性。

    推荐理由:提出显式利用物理时间条件的机器人策略方法,通过时间感知 RoPE 提升动态任务鲁棒性。

  3. arXiv · 机器人与计算机视觉82

    GenVerOpt:一种统一生成、验证与优化的机器非语言推理框架

    论文介绍 GenVerOpt 框架,旨在解决机器人在视觉非语言推理上的局限。该框架将生成候选解、验证正确性及迭代优化整合为单一推理管道,支持样本级优化而非仅依赖训练时的数据集趋势。

    推荐理由:提出 GenVerOpt 框架,通过生成、验证与优化闭环实现机器非语言推理,在抽象智力测试及医学影像分割任务上超越人类或专家基线。

  4. arXiv · 机器人与计算机视觉78

    SpatialASM:将主动心智化内化为空间推理能力

    论文介绍 SpatialASM 框架,旨在解决大视觉语言模型(LVLM)缺乏主动从相关视角重构空间布局的能力。该方法利用离心新颖视图生成器锚定假设视角,提供显式的 ASM 轨迹监督以教导模型何时及如何进行视图规划与想象,并构建自动化的观点采择任务强化场景想象。

    推荐理由:提出 SpatialASM 框架,通过训练时注入主动视角规划与场景想象监督,提升 LVLMs 在复杂空间推理任务上的准确率。

  5. arXiv · 机器人与计算机视觉78

    SimVTA:基于仿真的视频 - 轨迹对齐用于驾驶世界动作模型

    针对驾驶世界动作模型(WAMs)在强化学习后训练阶段缺乏替代轨迹视觉监督的问题,本文提出 SimVTA 框架。该方法结合轨迹优化与视频监督,利用真实世界模拟器渲染高奖励候选轨迹的未来视频,并在有限渲染预算下优先处理高误差未来以更新共享表征。

    推荐理由:提出 SimVTA 框架,利用仿真生成视频监督以解决驾驶世界动作模型的轨迹规划问题。

  6. arXiv · 机器人与计算机视觉78

    地理空间基础模型嵌入中的捷径学习与跨灾害损害评估

    该研究针对地理空间基础模型在熟悉灾害上高准确率可能掩盖捷径学习的问题,利用 TerraMind、Prithvi-EO-2.0 等模型在 xView2 和 BRIGHT 数据集上进行测试。

    推荐理由:研究揭示地理空间基础模型在跨灾害评估中存在捷径学习风险,提出特征变换方法可提升泛化能力。

  7. arXiv · 机器人与计算机视觉78

    SmolWAM:面向边缘设备的潜在世界 - 动作机器人操作模型

    论文提出 SmolWAM,这是一种从 Cosmos Policy 衍生出的潜在世界 - 动作模型(latent WAM),旨在解决视频扩散 Transformer 在资源受限边缘设备上计算成本过高的问题。

    推荐理由:该工作提出 SmolWAM,通过保留预训练主干并重构推理接口,在边缘设备上实现了高效的世界 - 动作联合预测。

  8. arXiv · 机器人与计算机视觉78

    KVeil:ECCV 2026 LifeGenIP 挑战赛不可学习视频挑战冠军方案

    该报告介绍了 ECCV 2026 LifeGenIP 挑战赛的两个阶段的一等奖解决方案,旨在通过极小扰动保护面部视频免受身份定制攻击。第一阶段引入参考容量坍塌损失和运动引导 EOT 机制;第二阶段针对基于微调的定制和未见过的生成模型,设计双层框架分别保护人脸与背景区域。该方法在白色盒参考定制下实现近乎完美的防护,并对其他定制范式、多种模型及时间攻击保持有效。代码已公开。

    推荐理由:报告了 ECCV 2026 LifeGenIP 挑战赛的冠军方案,提出双阶段框架以在有限扰动下防御面部视频的身份定制攻击。

  9. arXiv · 机器人与计算机视觉78

    GLIMPSE:用于可探索视频世界模型的全球 - 局部索引与多精度频谱编码

    arXiv 论文 GLIMPSE 提出一种带多精度坐标和几何条件谱衰减的全局 - 局部记忆接口,以解决相机回看场景时因深度或姿态误差导致的鬼影问题。该方法通过位置传输避免重采样,利用局部块记忆提供视图特定外观,用循环全局记忆提供场景上下文,并在匹配检索与读取预算下提升了几何对应和光度一致性。材料为预印本,未报告真实机器人部署结果。

    推荐理由:提出带多精度坐标与几何条件谱衰减的全局 - 局部记忆接口,旨在降低相机回看场景时的鬼影误差。

  10. arXiv · 机器人与计算机视觉83

    X-AVDD:一种基于交叉注意力的音频 - 视觉数据集蒸馏方法

    论文提出了 X-AVDD,这是一种基于交叉注意力的音频 - 视觉数据集蒸馏方法,旨在从大规模配对数据集中合成小数据集并保留训练效用。该方法通过解耦跨模态对齐与联合优化,显著降低了内存需求,将端到端合成成本减少了约 8 倍 GPU 小时。

    推荐理由:针对现有音频 - 视觉数据集蒸馏方法内存占用高且跨模态语义对应弱的问题,提出基于交叉注意力的 X-AVDD 方法。

  11. arXiv · 机器人与计算机视觉80

    ATHLETE:通过轨迹引导的运动匹配学习反应式人形网球

    ATHLETE 是一个从通用运动数据和普通网球视频中学习反应式人形网球技能的框架。该方法结合 LAFAN1 步态与视频衍生的击球动作,利用轨迹引导的运动匹配构建任务条件化的全身参考,并通过基于物理的教师 - 学生学习与在线 DAgger 蒸馏转化为反应策略,最后经 PPO 微调实现无需参考运动输入的部署。

    推荐理由:该工作提出 ATHLETE 框架,利用通用运动数据与视频演示学习人形机器人网球技能,在真实机器人上实现高命中率的多拍对打。

  12. arXiv · 机器人与计算机视觉78

    ELMA:用于长期文本到动作生成的指代性组合基准

    本文介绍 ELMA,一个具有密集分段注释的长期动作生成数据集,旨在解决现有模型难以处理涉及指代关系的跨段约束问题。研究团队通过全自动管道从网络视频中提取高质量连续 30 秒片段,并微调了最先进的动作生成模型以融入长程上下文。

    推荐理由:ELMA 数据集与基准揭示了现有模型在处理长程指代性指令时的不足,为长期动作生成提供了新的评估标准。

  13. arXiv · 机器人与计算机视觉78

    对现有 VLM 基准评估运行的审计:揭示图像依赖度不足与评分偏差

    该研究提出一种审计框架,复用 VLM 评估运行中已生成的预测、正确性及元数据工件,通过 VLMEvalKit 新增的六个检测器及纯文本重跑层进行后处理分析。在 MMStar 基准上发现,20.2%的问题无需图像即可达到零准确率增益,其中数学与科学类别存在显著偏差;另有 134 个问题因所有模型均选择同一非标准答案而引发评分争议。

    推荐理由:作者利用现有评估运行产生的原始工件,为 VLMEvalKit 新增审计层以检测基准缺陷与评分偏差。

  14. arXiv · 机器人与计算机视觉83

    高效置信度感知稠密化用于 3DGS

    arXiv 发布了一篇关于 3D Gaussian Splatting 改进方法的研究论文。该方法在固定预算的 MCMC 框架下,通过误差驱动而非不透明度采样实现更优重建效果。

    推荐理由:该方法在固定预算的 MCMC 框架下,通过误差驱动而非不透明度采样实现更优重建效果。

  15. arXiv · 机器人与计算机视觉78

    ManeuverFlow:基于未来证据的机动假设生成与端到端自动驾驶轨迹评估及优化

    ManeuverFlow 是一种用于复杂场景端到端规划的新方法,旨在解决多查询回归模式坍塌及候选集规模受限的问题。该方法通过混合专家 MeanFlow 场一步生成不同意图的轨迹,并利用世界模型预测的当前与未来特征聚合为路径证据,进而预测 PDM 因子并优化局部 Frenet 残差以筛选最佳候选。

    推荐理由:该文提出 ManeuverFlow,利用世界模型预测的未来证据对轨迹进行生成与精细化评估,在 NAVSIM 和 WorldEngine 基准上取得领先分数。

  16. arXiv · 机器人与计算机视觉78

    Robot-WATCHDOG:基于物体中心图表示的机器人操作故障检测

    论文介绍 Robot-WATCHDOG 框架,通过构建物体中心的时空图实现无需显式定义失败模式的自监督故障检测。方法包含非参数化的轨迹投影与相关性评分(TPC)及结合 Transformer 的图注意力网络(GnnT),在公开基准与新数据集上均优于图像基线,尤其擅长捕捉语义和交互级错误。

    推荐理由:提出基于物体中心时空图框架的自监督故障检测方案,在语义与交互级错误上优于图像基线。

  17. arXiv · 机器人与计算机视觉78

    EndoRSI:基于物理证据的内窥镜机器人策略递归改进

    EndoRSI 是一个由嵌入式 EndoForge 编码代理驱动、以物理实验证据进行递归自我改进的人机共驾内窥镜机器人研究系统。物理执行在安全受限运行时且经人类授权下进行。

    推荐理由:该工作提出由嵌入式代理驱动、以物理实验证据递归改进内窥镜机器人策略的系统,展示了从初始失败到最终在六例离体猪标本中表现最优的自主策略演进过程。

  18. arXiv · 机器人与计算机视觉78

    PartiGen:面向语言条件的人形运动生成的部件感知表示

    论文介绍 PartiGen,这是一个将解剖结构融入全身运动表示的部件感知潜在扩散框架。模型通过特定部位的注意力处理掩码帧特征并融合局部肢体信息与全身上下文,基于文本和运动历史自回归生成运动原语。

    推荐理由:提出 Part-Aware 潜在扩散框架,在 Unitree G1 上实现肢体级 FID 降低与时长预测误差减少。

  19. arXiv · 机器人与计算机视觉78

    为何缺乏长跨层连接的 DiT 模型在表征学习中表现不佳

    本文指出尽管扩散 Transformer(DiT)生成能力强,但其提取的特征往往较弱。研究通过从头训练证实引入长跨层连接(LSCs)可显著提升特征质量,并揭示其机制:输入包含潜变量和噪声信号,主骨干网络同时传递两者会污染图像信号,而 LSCs 能直接短路噪声至所需位置,保留更纯净的图像信息。代码已开源。

    推荐理由:通过从头训练揭示长跨层连接能提升扩散模型特征质量,并阐明其机制与扩散目标的关系。

  20. arXiv · 机器人与计算机视觉78

    VideoAWR:通过解耦时间步优势加权校正强化视频流模型

    该论文针对基于回归的 RL 在流模型中面临的冷启动病理与几何引导爆炸问题,提出 VideoAWR 方法。该方法通过将采样与优化锚点解耦,利用 EMA 参考策略生成引导式 rollout 恢复奖励可分性,同时训练策略对无引导条件锚点进行校正。

    推荐理由:提出 VideoAWR 方法解决视频流模型优化中的冷启动问题,实现单分支推理且保留 CFG 语义。