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 80 页

10月12日周一第 1581–1600 条
  1. arXiv · 机器人与计算机视觉78

    NovaSplat:基于 3D Gaussian Splatting 的无模型 6D 物体位姿估计

    arXiv 论文 NovaSplat 提出一种无需 CAD 模型的 6D 位姿估计流程,通过手机视频训练 3DGS 作为检测与粗估计模板及可微分优化骨干。该方法在家庭物体基准上超越所有基于模型的方法,并在含无纹理和镜面表面的工业基准上优于同类无模型方法且缩小了与基于模型方法的差距。

    推荐理由:该工作提出 NovaSplat,利用手机视频训练 3DGS 实现无 CAD 模型的 6D 位姿估计,在家庭与工业基准上超越现有方法。

  2. arXiv · 机器人与计算机视觉78

    解码寄存器令牌以保留全局场景细节

    该研究调查了在已有完整空间补丁表示的情况下,保留寄存器特征是否能改善图像解码效果。作者使用冻结的编码器与联合自注意力解码器进行实验,发现保留寄存器特征能将基于 DINOv2 和 DINOv3 的重建 FID 分别降低 9.5% 和 5.2%,PSNR 提升至 19.73 dB 和 20.54 dB。在生成任务中,该方法使 DINOv2 的 FID 比仅用补丁的基线低 9.8%。

    推荐理由:研究证明保留非空间寄存器特征能显著降低图像重建误差并提升生成质量,为现有视觉模型利用全局场景信息提供了新路径。

  3. arXiv · 机器人与计算机视觉82

    CV-OPD:一种解决视觉语言模型后训练中视觉捷径问题的对比式同策略蒸馏方法

    针对现有视觉语言模型(VLM)在同策略蒸馏中过度依赖文本答案提示而忽略真实视觉证据的缺陷,本文提出 Contrastive Vision On-policy Distillation (CV-OPD) 方法。

    推荐理由:提出对比式同策略蒸馏方法,通过引入负样本教师与差异感知门控机制,解决现有 VLM 后训练依赖答案捷径、忽视视觉证据的问题。

  4. arXiv · 机器人与计算机视觉82

    Grounded-Dreamer:基于世界模型合成数据的机器人学习框架

    论文介绍 Grounded-Dreamer 框架,旨在解决机器人操作策略学习中大规模多样化动作标注数据稀缺的问题。该方法结合视频生成模型的视觉真实性与仿真器的物理引擎,从少量描绘任务初始状态的真实图像出发,自动重建任务相关物体和相机几何并在仿真中对齐,进而收集符合物理规律的轨迹。

    推荐理由:该工作提出利用视频世界模型与物理引擎结合,从少量真实图像生成带物理约束的操作数据以训练策略。

  5. arXiv · 机器人与计算机视觉82

    Human2Dex:基于手腕的灵巧机器人学习与人机演示接口

    针对为每个机械手重复采集特定任务数据的难题,本文提出 Human2Dex,一种将人类观察与运动语义同具身执行解耦的手腕中心演示接口。该方法通过局部外观适配和共享 21 点手部表示对齐观测,利用融合的人手动作重定向构建可执行监督,并引入握持口袋交互表示(GPIR)表达物体相对位置。

    推荐理由:提出基于手腕的人机演示接口,实现跨机械手复用自然人类数据,在六项任务中达成 80.8% 至 90.8% 成功率。

  6. arXiv · 机器人与计算机视觉83

    Forward Dynamics Models:一种耦合动作与未来世界状态预测的机器人动作模型家族

    针对现有视觉语言动作模型缺乏显式监督、世界动作模型存在额外推理成本及误差传播问题,本文提出 Forward Dynamics Models(FDM)。该模型通过动作到未来的范式,利用真实未来状态监督策略学习,在推理阶段完全跳过未来生成以降低成本。实验表明,该方法在仿真和真机任务上均有效,在 LIBERO 基准上平均成功率达 99.4%,相比 VLA 和 WAM 方法在现实任务中提升最高 13%。

    推荐理由:提出动作到未来范式,通过动作特征条件化预测未来状态,避免误差传播并跳过推理时的生成成本。

  7. arXiv · 机器人与计算机视觉82

    Belief-Overlap Partial Inversion:面向人形机器人搬运动作的物体中心流重规划

    该研究针对质量与万向节刚度未知的推车任务,提出 Belief-Overlap Partial Inversion(BOPI)框架,将在线估计、基于流的规划与全身控制闭环。

    推荐理由:提出 BOPI 方法解决信念更新时的重规划冲突,在仿真与硬件上显著降低误差并实现非完整约束移动。

  8. arXiv · 机器人与计算机视觉78

    UniMergeTrack:面向通用 RGB-X 视觉目标跟踪的分层模型合并方法

    针对现有通用 RGB-X 跟踪器面临的知识隔离或优化干扰问题,本文提出 UniMergeTrack 新范式,通过分层模型合并保留任务特定优化并实现跨任务知识融合。

    推荐理由:提出了 UniMergeTrack 分层模型合并范式,解决多模态跟踪中的知识隔离与优化干扰问题。

  9. arXiv · 机器人与计算机视觉83

    世界动作模型需要何种视觉表征?R^2-WAM 实现具身智能新 SOTA

    世界动作模型(WAMs)继承了预训练视频生成模型的先验,但其变分自编码器(VAE)的视觉表征是为重建优化的而非操作。本文系统对比了多种视觉表征、五种融合机制及特征组合,发现强通用视觉表征能提供更广鲁棒性;通道级联合预测取得最高平均成功率;额外信息源需根据任务相关性选择。

    推荐理由:系统对比了视觉表征与融合机制,提出 R^2-WAM 架构,在 RoboCasa GR1 Tabletop 任务上达到 84.7% 成功率。

  10. arXiv · 机器人与计算机视觉78

    FAD-ViT:以特征轴注意力作为医疗影像迁移先验的研究

    针对自然图像预训练模型在医疗影像上迁移不可靠的问题,论文提出 FAD-ViT 架构,严格解耦空间与特征轴注意力,使特征轴注意力成为主要全局算子。实验显示,该设计在保持从头性能不变的同时,显著增强了跨域迁移能力,ImageNet 预训练带来的增益提升约三倍,且在参数更少、计算更低的情况下表现一致。

    推荐理由:提出 FAD-ViT 架构,通过解耦空间与特征轴注意力机制,在医疗影像任务中实现显著更强的迁移效果。

  11. arXiv · 机器人与计算机视觉78

    EgoReveal:基于以自我为中心演示的主动视觉与物体操作学习(IROS 2026)

    论文提出 EgoReveal 框架,旨在解决日常环境中物体常被部分遮挡的问题。该框架通过模仿学习,从以自我为中心的演示中同时习得视点重定位策略与物体操作动作,利用两个模仿策略根据目标可见性动态切换:一个预测未来的相机 - 机械臂姿态序列以调整视角,另一个基于物体关键点与控制历史预测未来控制指令。

    推荐理由:提出 EgoReveal 框架,通过模仿学习从以自我为中心的演示中同时习得视点重定位与操作动作,解决部分遮挡下的任务可靠性问题。

  12. arXiv · 机器人与计算机视觉78

    MVGraph:面向多图推理的大语言模型证据组合基准

    作者引入 MVGraph 基准,用于评估大语言模型在多图推理任务上的表现,其中查询所需的证据分布在多个互相关联的视觉图视图中。该基准包含 8000 个实例,涵盖 8 种图论任务,源自部分图和时序快照两种多视图场景。

    推荐理由:MVGraph 基准通过多视图图结构拆解了大模型的感知、对齐与组合能力,揭示了跨视图证据融合的瓶颈。

  13. arXiv · 机器人与计算机视觉78

    基于世界模型的采样运动规划方法

    论文提出利用视觉世界模型作为树搜索传播器的采样运动规划方法,解决传统优化器在长视界任务中停滞的问题。作者设计了最近邻引导的 RRT 和投影基 KPIECE 两种探索策略,并在四个仿真域及真实推方块任务上验证了该方法在规划时间和成功率上的优势。

    推荐理由:针对长视界任务中优化器停滞问题,提出将采样策略应用于世界模型潜在空间的方法,在仿真与真实机器人实验中均优于传统基线。

  14. arXiv · 机器人与计算机视觉78

    Win-Win Fusion:一种基于视觉 - 语义协作的多模态图像融合方法

    针对现有多模态图像融合方法在视觉与语义域存在优化鸿沟的问题,本文提出 W2F 新范式。该方法通过分割引导的融合损失增强对象感知结构指导,利用嵌入信息恢复先验提升退化条件下的可靠证据提供能力;引入交互式门控混合注意力与渐进耦合注意力模块确保局部全局场景表征;构建协作机制耦合视觉与语义融合任务,并通过特征搜索提取互补关键特征及梯度修正策略优化一致性。

    推荐理由:提出 W2F 范式解决多模态图像融合中视觉与语义域的优化鸿沟,通过特征互补与信息交互机制提升感知能力。

  15. arXiv · 机器人与计算机视觉78

    LeapBot-JAC:面向世界动作模型的联合动作链方法

    论文提出 LeapBot-JAC 方法,旨在解决固定动作令牌预算下的执行组织问题。该方法在共享动作专家内分配稀疏的未来控制引用和密集的当前执行目标,利用定向注意力机制让执行令牌读取受可见性约束的参考令牌。

    推荐理由:提出 LeapBot-JAC,在固定动作令牌预算下通过联合动作链组织稀疏参考与密集执行,提升 LIBERO 任务成功率。

  16. arXiv · 机器人与计算机视觉82

    ROSETTA:一种用于免训练跨模态对齐的旋转子空间估计方法

    针对查询需匹配由不同传感器构建的数据库这一场景,独立训练的编码器在特征空间引入不同的坐标系且缺乏统一参考系。该方法证明任意两系统间的相对变换是白化特征空间中保持空间的旋转,其角速度具有白噪声特性但协方差低秩,使得局部对齐可行。

    推荐理由:提出无需训练的校准层,通过旋转子空间估计解决不同传感器或编码器间的跨模态对齐问题。

  17. arXiv · 机器人与计算机视觉85

    VLMs are Native Action Models:通过显式动作空间定位释放 VLM 的操作能力

    论文介绍 EASG(Explicit Action-Space Grounding)框架,旨在解决将预训练视觉语言模型转化为通用机器人策略的挑战。该方法通过将工具中心点(TCP)坐标系投影到手腕相机观测中,并将连续机器人动作表达为 VLM 原生文本生成接口,使 VLM 能直接利用其现有的视觉 - 空间推理能力生成可执行的动作,无需机器人动作预训练或额外动作模块。

    推荐理由:提出 EASG 框架,利用预训练 VLM 原生文本生成接口实现零样本机器人操作,无需额外动作模块或预训练。

  18. arXiv · 机器人与计算机视觉78

    LeWAM:基于 JEPAs 的端到端世界与动作建模

    论文提出 LeWAM,这是一种端到端的联合嵌入预测架构(JEPA),旨在无需像素重建的情况下学习紧凑的潜在世界模型以支持直接控制执行和高效规划。该方法通过联合训练下一个潜在状态预测与动作流匹配,并施加各向同性高斯约束,使单一模型能同时支持策略执行与采样动作评估。

    推荐理由:LeWAM 通过联合嵌入预测架构实现了端到端控制,在接触丰富任务上成功率提升至 89.7%,规划速度提升 32.3 倍。