跳到正文

技术方向

空间智能 最新动态

三维重建、空间表示、视觉定位和可交互环境中的感知与推理。

760 条精选近 30 天 559 条共收录 4,114 条

更新

精选归档 · 第 15 页

11月3日周二第 281–300 条
  1. arXiv · 机器人与计算机视觉84

    基于机器人渲染的因子化世界模型

    该论文提出了机器人因子化世界模型(RoFacto),通过将动作实现与场景响应预测解耦:首先利用控制器和运动学将指令序列转化为无需未来状态的名义轨迹,随后通过 URDF 进行机器人渲染以显式处理几何、运动学和外观。该方法利用末端执行器深度和静态 RGB 上下文构建共享视觉接口,实验表明其优于向量条件基线,支持未见过的机器人本体迁移,并能从重定向的人类演示中生成操作视频。

    推荐理由:提出将机器人动力学与渲染显式分离的世界模型架构,支持跨本体迁移及从人类演示生成操作视频。

  2. arXiv · 机器人与计算机视觉82

    IMPose:面向交互式多人姿态标注的闭环修正传播方法

    针对多人视频姿态标注中稀疏人工修正易导致跨身份位置不可靠的问题,论文提出 IMPose 框架。该方法将传播的修正视为几何先验而非最终预测,利用目标帧视觉证据进行解码器修正,并结合关键点感知的身份状态保持对应关系,形成闭环时序修正机制。

    推荐理由:提出 IMPose 框架,通过闭环修正传播解决多人姿态标注中的身份歧义问题,在 PoseTrack21 数据集上显著提升了稀疏修正下的跟踪精度。

  3. arXiv · 机器人与计算机视觉82

    Look as You Leap:面向高自由度机器人的运动与感知同步规划方法

    该研究针对动态空间中机器人需持续感知环境的挑战,提出一种名为 PS-PRM 的 GPU 并行化概率路图规划器。该方法利用神经代理模型近似感知分数(如目标检测置信度),将其融入运动规划搜索过程,以解决运动与感知需求冲突及实时评估成本高的问题。实验表明,该规划器在静态和动态环境下的仿真及真实机器人实验中,均优于基于强化学习和轨迹优化的基线方法。

    推荐理由:提出 PS-PRM 规划器,利用神经代理模型近似感知分数并引入 GPU 并行,解决高自由度机器人在动态环境中运动与感知的联合优化难题。

  4. arXiv · 机器人与计算机视觉82

    Parametric CAD Bench v3:基于文本与工程图纸的代理参数化 CAD 创作评估基准

    本文发布 Parametric CAD Bench v3,这是一个包含 100 个任务的基准,涵盖从文本生成 CAD、文本生成并编辑以及从工程图纸重建机械零件。

    推荐理由:该基准通过几何相似度与规范一致性评估代理生成 CAD 脚本的能力,并开放了任务、配置及结果工件。

  5. arXiv · 机器人与计算机视觉82

    大规模神经系统中在线主动学习的端到端稳定性分析

    该预印本论文针对安全关键应用中的在线主动学习(OAL)提出了稳定性理论框架。研究将预测误差作为反馈信号更新结构化深度模型,并证明仅靠输出误差收敛不足以保证全局参数收敛。通过分离输出调节、内部零动力学及层间耦合,结合持续激励与主动阻尼消除残差空模态,利用级联李雅普诺夫分析确立了整体学习过程的渐近稳定性,同时利用单调激活函数和微分同胚映射确保目标参数轨迹的唯一性。

    推荐理由:该文提出基于李雅普诺夫稳定性的在线主动学习框架,解决了大规模多层神经网络在动态环境下的参数收敛与稳定性问题。

  6. arXiv · 机器人与计算机视觉78

    基于地球嵌入的自适应土地单元:一种低成本的无监督建模方法

    该论文提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元(约 320 倍减少),无需标签即可拟合全境。相比规则网格,新单元在匹配土地用途标签和作物声明时仅需其五分之一到四分之一数量的单元格;相比直接对卫星图像聚类,达到相同纯度所需的单元数减半。

    推荐理由:该研究提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元,显著降低计算成本并支持全境建模。

  7. arXiv · 机器人与计算机视觉78

    ReVA-HPE:基于合成姿态监督与个性化虚拟锚点的相对 6DoF 头部姿态估计

    论文提出 ReVA-HPE 方法解决单目头部姿态估计问题,将任务定义为相对于锚点图像的几何变化估计。该方法通过从单张未标注注册图像重建个性化 Avatar 并渲染已知姿态的虚拟锚点库来消除对真实锚点姿态的需求,利用多锚点共识提供鲁棒的旋转假设,并通过地标 PnP 处理平移分支。

    推荐理由:该方法利用合成数据训练实现单目人脸相对 6DoF 姿态估计,无需真实标注即可达到 SOTA 旋转精度。

  8. arXiv · 机器人与计算机视觉78

    VerifLM:面向机器人操作的物理验证图像编辑引导目标位姿生成

    VerifLM 是一个将图像编辑生成的目标配置转换为经物理验证的六自由度物体位姿的框架。该方法利用编辑后的图像恢复主动与被动物体间的初始相对位姿,提示视觉语言模型生成分轴采样约束和任务特定验证程序,并在物理模拟器中评估候选位姿。

    推荐理由:该框架将图像编辑目标转化为经物理验证的位姿,在无需预定义网格的情况下实现高成功率。

  9. arXiv · 机器人与计算机视觉82

    Visual-to-Executable Procedural Reconstruction of Buildings

    Zichong Zhu 等人提出了 Visual-to-Executable Procedural Reconstruction of Buildings 方法,旨在从野外图像中恢复可执行的程序化建筑描述以生成可编辑的 3D 资产。

    推荐理由:该工作提出从单张图像恢复可执行的 CGA 程序以生成建筑资产,为从非结构化数据构建编辑型 3D 模型提供了新路径。

  10. arXiv · 机器人与计算机视觉78

    Ray-SCR:实现跨相机模型的通用场景坐标回归

    针对场景坐标回归(SCR)在鱼眼、全景等不同相机模型间泛化能力差的问题,本文提出 Ray-SCR 方法。该方法将局部视觉特征条件化为校准后的观测射线,并利用稀疏 SfM 点作为度量锚点连接不同视图与相机模型。实验表明,Ray-SCR 显著提升了跨相机场景的泛化性能,在针孔、鱼眼及全景相机设置下均达到最先进定位效果。

    推荐理由:Ray-SCR 通过射线条件化与稀疏 SfM 锚点,解决了场景坐标回归在多相机模型间的泛化难题。

  11. arXiv · 机器人与计算机视觉78

    单图即够:基于自生成监督的测试时人类视频扩散个性化方法

    针对姿态驱动的人类视频扩散模型难以在大幅变姿时保持身份一致的问题,该研究提出一种无需主体视频、真实标签或地面真值的个性化方案。通过域调整的姿态条件生成器合成关键姿态下的伪真值帧,利用推理时的参考仅采样器引导候选帧以维持身份一致性,并基于静态片段训练每个主体的低秩适配器。

    推荐理由:该工作提出在测试时利用自生成监督实现单图个性化视频扩散,无需主体视频或标签即可提升身份保持与动作一致性。

  12. arXiv · 机器人与计算机视觉78

    RESONATE:一种用于自主服务机器人的真实社会导航测试床

    针对自主服务机器人在人类环境中社会导航进展受限的问题,该工作提出了 RESONATE 基准,基于统一机器人平台和共享 ROS 2 软件栈,提供精确轨迹真值和结构化社交交互场景。

    推荐理由:该工作提供了基于统一平台的社会导航基准,包含可复用的基线、数据及评测协议,支持社区开展人类感知导航研究。

  13. arXiv · 机器人与计算机视觉78

    History Forcing:面向长视界视频世界模型的蒸馏历史依赖续写方法

    论文提出 History Forcing 统一在线策略蒸馏框架,旨在解决少步自回归视频扩散模型在长序列生成中的一致性难题。该方法利用教师模型在有/无历史信息下的预测残差来解耦监督信号,将历史信息约束融入学生模型的分数或速度预测目标中。

    推荐理由:提出 History Forcing 蒸馏框架,利用历史信息约束长序列生成,在 1.3B 参数规模下实现 VBench 质量分 85.07。

  14. arXiv · 机器人与计算机视觉83

    OctreeSplat:一种层级八叉树引导的前馈高斯泼溅方法

    该研究提出了 OctreeSplat 方法,这是一种层级八叉树引导的前馈高斯泼溅技术,旨在解决固定分辨率限制局部复杂度分配的问题。该方法从冻结的视觉基础模型中提取多视图特征和几何先验,构建层级八叉树并预测稠密化分数,从而根据局部复杂度在空间上变化密度地分配高斯原语。

    推荐理由:提出层级八叉树引导的前馈高斯泼溅方法,利用冻结视觉基础模型提取特征并预测稠密化分数,在多个基准上实现高质量重建。

  15. arXiv · 机器人与计算机视觉78

    PixelBench:LLM 能否逐像素理解并生成图像?

    该研究报告了 PixelBench 基准,评估大语言模型在无专用图像解码器的情况下直接通过词汇表生成 RGB 像素的能力。研究发现强模型在文本到像素任务中能直接生成可识别图像,且像素理解能力与生成性能高度相关。作者还提出了像素重建微调(PRT)方法,通过混合指令数据提升模型在视觉基准上的表现,表明显式像素重建可作为有效的辅助监督信号。

    推荐理由:该报告提出 PixelBench 基准与 PRT 微调方法,证明大模型无需专用解码器即可直接生成像素图像。

  16. arXiv · 机器人与计算机视觉83

    EvoOcc:一种基于受控动力学的快速 - 慢速演化占用预测方法

    论文提出了 EvoOcc 框架,旨在解决自动驾驶中高精度与低延迟难以兼顾的问题。该方法将占用预测建模为连续时间控制动力学系统,分解为自我状态演化以补偿坐标偏移和场景状态演化以捕捉真实几何变化。实验表明,EvoOcc 在三种快慢系统组合及不规则预测到达场景中,均能显著优于快速系统基线并保持更低的延迟,实现了良好的精度 - 延迟平衡与稳定行为。

    推荐理由:该工作提出 EvoOcc 框架,通过控制动力学将快慢系统融合以平衡精度与延迟。

  17. arXiv · 机器人与计算机视觉82

    Gnomon4D:基于几何运动的视频 - 动作联合建模研究

    论文提出 Gnomon4D 世界动作模型,通过 GeoDelta 几何运动场显式编码物体与机器人点的跨帧位移和深度变化,结合 InSAttn 注意力机制聚焦任务相关交互区域。

    推荐理由:该工作提出 GeoDelta 几何运动场与 InSAttn 注意力机制,在仿真基准上超越最强基线,为理解物理交互提供新范式。

  18. arXiv · 机器人与计算机视觉78

    GEAR:面向 VR 旅行的场景条件化服装检索生成编辑框架

    该论文提出了 GEAR(Generative Editing for Asset Retrieval)框架,旨在解决虚拟环境中用户着装需与周围场景和谐共存的挑战。

    推荐理由:提出 GEAR 框架,通过生成中间查询桥接场景与服装资产跨域差距,在虚拟旅行场景中实现实时检索与试穿。

  19. arXiv · 机器人与计算机视觉78

    AgiWorld:一种用于构建持久化世界的代理式视频世界模型

    arXiv 论文发布 AgiWorld,这是一种代理式视频世界模型,旨在从单张图像和自由指令出发构建并探索持久化世界。系统包含负责高层规划与路径设计的 AgiWorld-Agent 和负责逐帧生成视频的 AgiWorld-WM,两者共享空间记忆以维持状态一致性与用户意图忠实度。

    推荐理由:提出 AgiWorld,通过智能体与视频模型的闭环及空间记忆机制解决长序列探索中的持久性问题。