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 95 页

10月6日周二第 1881–1900 条
  1. arXiv · 机器人与计算机视觉84

    LoCoSplat:具备最小 3D 推理能力的实时前馈 3D 高斯泼溅

    论文提出 LoCoSplat(Local-Context Splatting),利用锚点周围点云的局部平均替代重型学习网络来预测高斯参数,实现无动态稀疏计算的单图 CUDA 编码。

    推荐理由:提出无需重型网络的局部上下文高斯泼溅方法,在多项指标上超越现有最先进的前馈模型。

  2. arXiv · 机器人与计算机视觉82

    面向欠冗余人形机械臂的实时 conformal-seeded 混合逆运动学方法

    该论文针对具有偏移结构的欠冗余 7-DoF 人形机械臂,提出了一种结合解析近似与数值精修的混合逆运动学框架。该方法首先利用近似解析模型枚举有限候选解,再通过轻量级学习预测器结合 split-conformal 预测对候选解进行难度排序并选出最佳种子,最后使用 Levenberg-Marquardt 求解器在完整运动学模型上进行高精度修正。

    推荐理由:提出一种结合解析近似与数值精修的混合逆运动学框架,利用校准的种子选择实现实时高精度求解。

  3. arXiv · 机器人与计算机视觉83

    ROOT:发现用户指定具身行为的奖励函数

    ROOT 是一种用于发现奖励函数的框架,旨在使学习策略与用户指定的具身行为对齐。该方法将奖励设计转化为对持久实验树的观察引导搜索,利用视频语言模型提炼的行为洞察来诊断失败并指导奖励优化。

    推荐理由:ROOT 框架通过可观测树搜索与视频语言模型诊断,解决了 LLM 生成奖励函数难以捕捉细微行为属性的问题。

  4. arXiv · 机器人与计算机视觉82

    Continual Humanoid Motion Learning:一种防止灾难性遗忘的渐进式神经网络策略

    针对人形机器人全身控制器在线学习新技能易导致旧技能遗忘的问题,研究提出 Similarity-guided LoRA-PNN 方法。该方法通过动态时间规整聚合的最优传输构建两级运动相似性度量,自动决定基于何种先验技能及分配多少新容量,从而在无需重访历史数据的情况下实现强正向迁移与高平均准确率。

    推荐理由:提出利用动态时间规整与最优传输构建相似性引导策略,在六个连续技能类别中实现最佳正向迁移并节省 94.5% 可训练参数。

  5. arXiv · 机器人与计算机视觉78

    Referring Multi-Object Tracking in Moving-Camera Videos via Global Motion Compensation

    该论文针对移动摄像头视频中的指代多目标跟踪(RMOT)任务,提出通过估计相机运动并提取残差运动来补偿全局运动干扰的方法。研究将运动匹配程度与现有 RMOT 方法的预测结果进行后期融合,并在不同宿主模型中验证了作为插件的性能增益。材料为预印本版本,未报告真实机器人部署或量产结果。

    推荐理由:提出通过估计驾驶员视角视频的相机运动并提取残差运动,以解决移动镜头下物体表观位移与真实运动不一致的问题。

  6. arXiv · 机器人与计算机视觉82

    水印和指纹作为内容溯源软绑定:图像、音频和视频的开源许可基准

    本文对多种开源水印和指纹方法进行了基准测试,评估其在感知质量、鲁棒性、误报率和成本方面的表现。PixelSeal 在图像和视频水印中平衡最佳,AudioSeal 适用于音频;但 TrustMark 变体的纠错检测器在未标记图像上存在较高误报率。指纹检测方面,基于非商业数据的复制检测器对变换图像的检出率最高,DINOv2 次之,且未观察到几何验证带来的改进。

    推荐理由:该基准评测了开源水印与指纹方法的鲁棒性与误报率,为内容溯源技术选型提供了实证依据。

  7. arXiv · 机器人与计算机视觉78

    LocusCT:基于常规临床标注的腹部 CT3D视觉定位大模型

    该研究提出自动化流程,将放射科日常报告中的二维标注(如测量、箭头)转化为大规模短语 - 掩码监督数据,无需额外人工标注。在单机构 PACS 系统中处理了5.9万例腹部CT,生成了10.5万个短语 - 掩码 - 体积三元组。

    推荐理由:提出利用放射科常规标注自动生成大规模短语 - 掩码数据集,并训练出在腹部 CT 定位任务上表现优异的 LocusCT 模型。

  8. arXiv · 机器人与计算机视觉85

    PhysMamba:一种基于选择性状态空间模型的肢体模拟器

    该论文介绍了 PhysMamba,这是首个基于选择性状态空间模型(SSM)的肢体模拟器,能够仅凭位置、旋转和关节动作历史预测下一帧全身状态,无需速度输入。研究对比了四种架构及三种训练协议,发现从头开始的 rollout 训练在部分观测下为 Mamba2 提供了优异的短中期精度(s10=43mm),而两阶段教师模型方案则导致其不稳定。

    推荐理由:论文提出首个基于选择性状态空间模型的肢体模拟器,在部分观测下表现优异且具备低延迟推理能力。

  9. arXiv · 机器人与计算机视觉85

    SUAVE:一种基于掩码扩散的统一视频动作模型

    论文 SUAVE 提出了一种名为 SUAVE 的单词汇统一动作 - 视频模型,利用掩码扩散 Transformer 同时处理语言、视频和动作模态,并将三者表示为共享序列中的离散 token。

    推荐理由:SUAVE 提出基于掩码扩散的统一架构,在单一网络中通过推理时的掩码选择实现世界建模、策略生成与视频预测的切换。

  10. arXiv · 机器人与计算机视觉78

    REDIRECT:仅用 1% 样本修复机器人不良习惯的方法

    论文提出 REDIRECT 方法,针对遥操作数据中因局部动作异常导致的“坏习惯”问题,利用任务级标签定位并修正分支行为,无需帧级标注或额外交互。实验显示,该方法在三个随机化 ManiSkill 任务和 PiPER 机械臂上,将平均成功率从 68.2% 提升至 90.3%,恢复了 88.8% 的纯清洁训练差距,优于同等计算量的微调方案。

    推荐理由:REDIRECT 方法仅需 1% 的样本预算即可修复遥操作数据中的局部不良习惯,在三个任务中将成功率从 68.2% 提升至 90.3%,显著优于同等计算量的微调。

  11. arXiv · 机器人与计算机视觉78

    Masked Privileged-Information Distillation for Multimodal Skin Lesion Classification Under Missing Clinical Metadata

    该论文针对多模态皮肤病变分类中临床元数据缺失及资源受限的挑战,提出了一种基于掩码特权信息蒸馏的框架。通过用完整元数据的教师模型监督随机掩码了部分临床字段的更小(9.2 倍)学生模型,实现了在任意元数据可用性水平下均优于交叉熵训练的平衡准确率提升。

    推荐理由:针对临床元数据缺失场景,提出基于掩码特权信息蒸馏的框架,在 PAD-UFES-20 数据集上验证了模型在资源受限下的鲁棒性与注意力稳定性。

  12. arXiv · 机器人与计算机视觉83

    FADE:基于帧感知的扩散 Transformer 多概念擦除用于视频遗忘

    FADE 是一种针对预训练文本到视频模型的多种类概念擦除框架,旨在移除指定概念同时保留其他行为。该方法先应用联合闭式键值编辑抑制目标概念,再训练由帧索引和去噪步长门控的每概念帧感知低秩适配器以消除残留泄漏。

    推荐理由:FADE 框架通过帧感知低秩适配器解决了视频去概念化中的残留问题,在多个模型上验证了多概念擦除的有效性。

  13. arXiv · 机器人与计算机视觉78

    Are We Measuring Anticipation? Auditing Privileged Information in Procedural Video Evaluation

    本文针对程序化视频预测评估协议提出审计,发现即使协议保持时序因果且无经典目标泄露,仍可能通过提供特权中间表示导致能力宣称与实测构造不匹配。在 Breakfast 数据集上,使用识别器历史与真值历史的得分分别为 30.3% 和 62.3%,存在显著差距。研究通过固定检查点干预、无视频来源探测及边界无关查询控制等实验量化了这一特权信息差距,并提出了可复用的四条件审计框架以支持更可靠的评估。

    推荐理由:该研究通过审计发现,现有视频预测基准因泄露中间表示而高估模型能力,并提出了可复用的四条件审计框架以验证评估有效性。

  14. arXiv · 机器人与计算机视觉82

    可验证奖励教会了视频语言模型关于时间的什么?一项受控的多模型研究

    该研究通过微调四个开源视频语言模型(Qwen3-VL、Gemma-3 等),发现使用可验证奖励的训练策略虽能显著提升模型在合成数据上的表现,但并未带来真正的时序理解能力。实验显示,纯合成数据会导致模型在真实视频上泛化性能严重下降,而混合真实视频数据能有效缓解这一问题。此外,研究指出模型准确率的提升主要源于非视觉因素,而非对事件顺序的掌握。

    推荐理由:研究表明可验证奖励虽能提升视频语言模型在基准上的准确率,但并未赋予其真正的时序理解能力,且纯合成数据会导致域外泛化严重下降。

  15. Hugging Face Daily Papers78

    PAIR:在视觉语言动作模型中连接感知与动作

    论文提出 PAIR 框架,旨在解决连续动作视觉语言动作模型中感知表示到动作生成的过渡问题。该框架利用掩码动作自编码器将专家动作编码为动作潜在令牌,并通过桥接模块从当前视觉语言特征中提取任务相关信息以形成桥接令牌。

    推荐理由:该框架通过引入桥接令牌,在感知与动作表示间建立共享中间层,显著提升了 OpenVLA-OFT 和 VLA-Adapter 在多基准及真实任务中的成功率。

  16. Hugging Face Daily Papers82

    nanoMuse:一款运行于你所有设备上的开源个人代理

    该论文定义了个人代理的概念框架,并介绍了 nanoMuse,这是一个基于 GPL-3.0 许可的开源项目,旨在让每个用户拥有的设备(手机和电脑)都能运行独立的代理实例。

    推荐理由:报告定义了个人代理的五项核心问题,并基于 Meta Muse 公开记录构建了 GPL-3.0 许可的开源替代方案 nanoMuse。

  17. Hugging Face Daily Papers78

    自我反思蒸馏:将事后经验转化为事前预见

    针对强化学习中组间相对目标奖励信号消失的问题,本文提出了前瞻性学习方法 Self-Retrospection Distillation(SRD)。该方法利用已完成轨迹中的后验知识监督交互前的前瞻预测,将其作为训练目标而非推理时的显式生成。

    推荐理由:该工作提出利用事后经验蒸馏前瞻预测,在奖励信号稀缺的长程任务中显著提升强化学习性能。

  18. Hugging Face Daily Papers78

    CADFather:通过协同工具使用实现自动 CAD 重建

    论文介绍 CADFather,这是一个自主智能体系统,用于从 3D 网格重建可编辑的参数化 CAD 程序。该系统利用预训练模型协调视觉语言助手与生成/算法工具,决定扩展候选程序、调用工具及何时结束,并通过数值优化细化参数。研究在 DeepCAD、Fusion360、MCB 等数据集上评估了重建质量与执行有效性,并分析了计算成本与质量的权衡。

    推荐理由:该工作提出 CADFather,通过协调生成与算法工具自主重建参数化 CAD 程序,在多个基准上评估了质量、有效性与成本权衡。

10月5日周一
  1. arXiv · 机器人与计算机视觉78

    Platonic Task Arithmetic:一种跨架构的任务向量算术方法

    该论文提出‘普朗图任务算术’框架,通过引入与架构无关的‘通用任务描述符’矩阵,实现不同预训练模型间任务更新的传输与组合。实验在六种模型家族、八个任务及音频文本模型上验证,显示跨模型转移能保留目标模型自身描述符所得增益的 74% 至 80%,支持通过最小二乘法求解线性算子或低秩适配器进行实现。

    推荐理由:提出跨架构任务向量传输方法,在六种模型家族上验证了通用任务描述符的有效性。