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 97 页

10月5日周一第 1921–1940 条
  1. arXiv · 机器人与计算机视觉82

    XGenAct:基于跨任务生成的几何增强世界动作模型

    arXiv 论文发布 XGenAct 模型,该工作旨在解决现有世界动作模型在机器人操作中对空间理解不足的问题。作者提出将 RGB、深度、法线和功能分割统一表示为 RGB 视频,利用单一视频扩散 Transformer 进行跨模态时序预测,无需特定模态的独立头。

    推荐理由:该预印本提出通过确定性编码器将深度、法线和功能分割统一为 RGB 视频,利用单一扩散 Transformer 进行跨模态时序预测。

  2. arXiv · 机器人与计算机视觉82

    I2CD:基于单张 RGB 图像的图像到凸体分解方法

    I2CD 冻结预训练的 Hunyuan3D-2 扩散模型并训练轻量级交叉注意力头,直接从单张 RGB 图像预测用于物理仿真的凸碰撞几何。该方法无需后处理即可加载到 MuJoCo、PyBullet、Genesis 和 Isaac Sim 等引擎中,在 OmniObject3D 数据集上体积 IoU 最高且速度提升 6-37 倍。

    推荐理由:I2CD 直接预测凸分解,无需后处理即可加载到物理引擎,在 MuJoCo 等跨模拟器测试中表现优于传统重建 - 分解流水线。

  3. arXiv · 机器人与计算机视觉78

    ChromaGS:一种基于文本驱动的 4D 高斯头像语义编辑方法

    论文提出了 ChromaGS 方法,用于对可动画化的 3D 高斯头像进行实时的语言引导颜色编辑。该方法通过将每个高斯基元增强为学习到的语义区域软分配,并将颜色分解为区域级基础颜色和基元级残差,从而在无需重训练的情况下实现渲染时即应用的确定性、精确局部化色彩修改。实验表明该方法能在不同主体上保持外观的忠实性和交互的直观性。

    推荐理由:该方法通过分解高斯基元实现语言引导的语义颜色编辑,无需重训练即可实时修改可动画化头像的区域色彩。

  4. arXiv · 机器人与计算机视觉78

    OuroReward:面向文本到三维生成的强化学习序列奖励调度

    该论文针对文本到三维(Text-to-3D)生成中多质量维度同时优化导致的干扰失衡问题,提出了 OuroReward 框架。该方法通过估计维度间依赖关系构建循环优化路径,并结合尾部到头部依赖以捕捉全局兼容性;将循环转化为单遍序列后从累积干扰最低的维度开始优化,且根据当前维度的剩余优化空间自适应决定何时推进至下一奖励,而非分配固定预算。

    推荐理由:针对文本生成三维模型中的多奖励维度冲突问题,提出基于依赖关系的序列调度策略与自适应提示选择方法。

  5. arXiv · 机器人与计算机视觉82

    NAVA-WAM:基于视频的原始动作先验学习用于世界动作模型

    论文介绍 NAVA-WAM 方法,旨在解决世界动作模型依赖动作标注数据可扩展性受限的问题。该方法直接从仅含观测的视频中预训练动作策略,无需间接表示迁移或单独的动作潜变量模型。

    推荐理由:提出 NAVA-WAM,通过原生动作先验直接从观测视频预训练策略,无需动作标注即可实现机器人控制。

  6. arXiv · 机器人与计算机视觉82

    从修补到剪枝:视觉语言模型中的视觉计算优化方法

    论文提出无需训练的 Patch-to-Prune (P2P) 框架,利用激活修补技术识别并替换 VLM 解码器中可被固定中性代理向量替代的区域,从而绕过冗余的视觉计算。

    推荐理由:提出无需训练的 Patch-to-Prune 框架,在保留序列长度与预训练权重的情况下,通过固定中性代理向量绕过冗余视觉计算,将 FLOPs 降低 55%。

  7. arXiv · 机器人与计算机视觉82

    KungfuAthleteBot:从视频学习高动态人形运动及统一鲁棒恢复

    论文提出 KungfuAthleteBot(KAB)框架,旨在解决将视频中丰富的高动态人类动作迁移到人形机器人时的物理不一致、缺乏执行信息及无法处理失败与恢复三大难题。

    推荐理由:该框架提出物理引导的轨迹修正与伪低动能采样机制,解决视频数据物理不一致问题,使机器人能从视频学习高动态动作并实现约 0.7 秒的统一策略跌倒恢复。

  8. arXiv · 机器人与计算机视觉83

    COSMI:一种基于组合合成的多对象交互生成方法

    针对现有多对象交互数据集采集成本高昂的问题,该研究提出 COSMI 方法,利用单对象捕捉片段通过镜像、转移及语言与几何一致性检查进行组合合成,构建了包含 22.2 万序列和 275 小时视频的多对象交互数据集。基于此数据训练的文本到交互扩散模型在未见对象与交互组合的基准测试中展现出优异的泛化能力,且在文本对齐与接触精度上优于基线方法。代码、模型及数据处理管线将在项目页面发布。

    推荐理由:COSMI 数据集通过组合单对象捕捉生成多对象交互,显著扩展了训练数据规模并提升了模型对未见对象的泛化能力。

  9. arXiv · 机器人与计算机视觉83

    Contextual Flow Matching:面向高效视觉生成的流模型自适应步长选择

    论文提出 COFLOW 方法,在推理阶段根据提示词特征自适应选择生成步数,平衡效率与质量。该方法无需重训底层生成模型,支持图像和视频生成,实现超过 2.5 倍加速且保持感知和语义质量。研究提供了理论分析,证明在标准正则性条件下前向欧拉离散化误差界为 O(1/K)。材料来源于 arXiv 预印本,已获 NeurIPS 2026 接收。

    推荐理由:提出 COFLOW 方法,通过提示词自适应选择生成步数实现推理加速,无需重训底层模型。

  10. arXiv · 机器人与计算机视觉78

    视频 MLLM 后训练中的行为包优化方法

    针对现有视频多模态大模型过度依赖外观和语言先验、忽视时序证据的问题,提出行为包优化(BPO)方法。该方法用反事实视图的行为包替代单一响应进行联合评分,要求模型在无关干预下保持稳定、关键证据缺失时敏感且无证据时放弃回答。

    推荐理由:提出行为包优化方法,通过反事实视图联合评分提升视频多模态大模型的时序证据推理能力。

  11. arXiv · 机器人与计算机视觉78

    In-Distribution Forcing:测试时强制分布以生成分钟级长视频

    针对现代自回归视频扩散模型在生成长视频时出现的颜色纹理漂移和运动衰减问题,本文提出 In-Distribution Forcing 框架。该方法通过自缓存机制,确保滚动窗口内的 KV 缓存条目始终处于训练分布内,从而解决传统 KV 条件化假设失效导致的源端 OOD 问题。实验表明,该方法在标准基准上保持竞争力,并显著优于现有工作以抑制漂移现象。

    推荐理由:提出 In-Distribution Forcing 框架,通过自缓存机制解决长视频生成的漂移问题。

  12. arXiv · 机器人与计算机视觉78

    ViTok:利用 PHI-S 和掩码图像建模改进 AM-RADIO 风格的多教师蒸馏以增强稠密语义

    本文研究了如何将 ViTok 项目的进展整合进单一多教师蒸馏方案,以同时保留全局识别与稠密语义。研究基于从 SigLIP2 和 DINOv3-L 蒸馏出的学生模型,发现单纯优化 ImageNet-1K 分类精度会损害 ADE20K 分割性能。

    推荐理由:本文总结了 ViTok 项目的多教师蒸馏经验,通过拆分适配头与掩码图像建模平衡全局识别与稠密语义,为未来迭代提供具体教训。

  13. arXiv · 机器人与计算机视觉78

    Found but Not Read:提取文本如何填补文档视觉语言模型的检索 - 阅读差距

    论文指出文档问答任务中存在‘找到但未读’的现象,即检索到的页面图像虽含证据但模型难以利用。研究通过对比仅用图像与加入 OCR 提取文本的效果发现,在 FoveDoc-Bench 基准上,添加 CPU-OCR 文本使严格准确率提升 13 至 16 个百分点,精确文本层可进一步将增益翻倍。

    推荐理由:该研究揭示了文档视觉语言模型中检索与阅读之间的差距,证明提取文本能显著提升基于文本证据的问答准确率,但对图表无效。

  14. arXiv · 机器人与计算机视觉78

    从可报告的空间事实到可用状态:多模态大语言模型的局限与改进

    论文指出多模态大语言模型虽能正确陈述空间事实,却未必能在后续推理中有效利用该状态。作者提出 SpaceConflict 基准(含 23,196 个输入),涵盖局部绑定、关系组合及变换下的状态判断等任务,揭示模型在驱动变换时存在可用性差距。

    推荐理由:提出 SpaceConflict 基准揭示多模态模型存在‘可见可述但不可用’的差距,并引入 OSS 方法提升状态利用能力。

  15. arXiv · 机器人与计算机视觉78

    置换鲁棒性不足:多智能体 Transformer 策略中的动作坍缩问题

    针对多智能体机器人学习,作者发现 Transformer 策略虽能建模交互但存在顺序敏感性与动作同质化风险。研究提出除返回值和置换鲁棒性外,还需引入动作多样性、同行动作比例等诊断指标以检测动作坍缩。实验表明弱等价正则化可在保持行为多样性的同时提升 N=3 智能体团队的鲁棒性,而 N=4 团队需更小权重。论文强调评估多智能体策略应关注其是否维持非坍缩的差异化行为。

    推荐理由:本文指出仅凭置换鲁棒性无法保证多智能体策略的有效性,提出需结合动作多样性诊断指标来评估是否存在动作坍缩现象。

  16. arXiv · 机器人与计算机视觉82

    FastOPD:面向轻量级 VLA 部署的同策略蒸馏方法

    针对大规模视觉语言动作模型计算成本高难以部署的问题,本文提出了 FastOPD 框架,通过同策略蒸馏将大模型知识迁移至紧凑学生网络。该方法结合单状态教师监督与自一致性目标,理论上可恢复理想少步模型的分布特性。

    推荐理由:提出基于同策略蒸馏的轻量化框架,在仿真与真机实验中验证了大幅降低推理延迟同时保持性能的方法。

  17. arXiv · 机器人与计算机视觉78

    学习用于富接触操作的反射行为

    该论文提出了一种本体感觉反射策略,旨在解决机器人富接触操作中的局部几何约束问题。通过在仿真中学习弹簧、平面和导轨三种交互原型的映射关系,该方法将任务空间指令转换为关节位置目标,无需直接测量力或几何信息。

    推荐理由:该研究在仿真中训练了一种无需直接力控测量的本体感觉反射策略,将其作为底层执行层嵌入现有控制器。实验显示该方法在双臂抬箱和精密插销任务中显著降低了接触力并提升了硬件成功率,为复杂接触场景提供了稳健的解决方案。

  18. arXiv · 机器人与计算机视觉78

    SimpleTouch:无需触觉策略预训练的 VLA 模型能否掌握接触丰富的操作?

    论文 SimpleTouch 提出一种简单的 VLA 扩展方法,通过冻结的触觉编码器生成专家网络,仅利用动作监督和多步预测进行单阶段训练,无需额外的触觉策略预训练或视觉 - 触觉对齐。

    推荐理由:该工作提出无需额外触觉策略预训练即可提升 VLA 模型在接触丰富任务中的表现,为简化机器人学习流程提供了新路径。

  19. arXiv · 机器人与计算机视觉78

    Proprioceptive Sketches 作为长视界意图的生成式动作策略

    论文提出 Proprioceptive Action Models (PAM),旨在解决生成式机器人策略缺乏明确长视界意图的问题。该方法在一个 Transformer 去噪器内联合生成紧凑的关节空间路径草图和密集的可执行动作块,利用弧长参数化几何意图以消除对执行时间的依赖。

    推荐理由:提出 Proprioceptive Action Models,通过生成关节空间路径草图与动作块联合建模,在仿真与真实双任务中显著提升成功率。