LoD-Loc v4:通过全景观测 LoD 3D 地图配准实现通用化空中视觉定位
论文发布 LoD-Loc v4,提出融合 OpenStreetMap、数字高程模型与细节层级资产的统一全景观测 LoD 3D 地图,将空中视觉定位重构为全景配准任务。
推荐理由:提出融合 OSM、DEM 与 LoD 资产的泛化空中定位方案,解决无建筑区域失效问题。
技术方向
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。
768 条精选近 30 天 535 条共收录 4,279 条
论文发布 LoD-Loc v4,提出融合 OpenStreetMap、数字高程模型与细节层级资产的统一全景观测 LoD 3D 地图,将空中视觉定位重构为全景配准任务。
推荐理由:提出融合 OSM、DEM 与 LoD 资产的泛化空中定位方案,解决无建筑区域失效问题。
论文指出当前世界模型虽在图像相似度上表现优异,却忽略了质量、形变等关键物理细节。作者提出 Roz 评估框架,包含 10 个对比任务和 3 个连续任务共 1734 个场景,仅需静态帧或视频输入即可运行。该研究旨在推动基准测试的快速迭代与跨模型比较,并已在 NeurIPS 2026 相关研讨会接受。
推荐理由:提出 Roz 评估框架,通过对比与连续任务验证世界模型是否编码物理属性,解决现有评测不透明问题。
针对长视频复杂问答任务,文章指出标准 Best-of-N 流程的头号指标混淆了验证器的选择增益与自身解题增益。研究在五个基准上测量了选择增量(SI),发现弱验证器主要依赖候选答案提升,而强验证器则能超越多数投票;同时揭示了部分弱验证器存在按选项列表位置而非视频内容选择的失败模式。代码已开源。
推荐理由:文章分离了验证器在 Best-of-N 流程中的选择增量与自身解题能力,揭示了弱验证器依赖候选答案而强验证器超越多数投票的规律。
Xinyi Shi 在 arXiv 发布论文,指出绝对轨迹误差(ATE)作为相机运动标准指标的局限性。研究发现,在恒定速度假设下,简单将预测轨迹拉直反而能降低 ATE 得分,且该指标忽略相机朝向导致几何评估失真。作者提出一种修正后的位姿锚定 ATE 方案,能更准确地追踪重投影误差并区分不同模型性能。代码、预测结果与数据将在后续发布。
推荐理由:该研究指出绝对轨迹误差指标存在缺陷,提出一种修正方案以更好评估几何精度。
该论文研究了联合嵌入预测架构(JEPAs)在 LeWorldModel 中的测试时间鲁棒性。分析发现,物体状态主导了潜在距离,但编码器无法轻易隔离或重定向这种几何结构。实验表明,仅对单帧输入施加极小的白盒扰动即可让编码器将物体姿态记录为攻击者任意选择的状态,导致 Push-T 等任务的规划成功率从 87% 骤降至 32%,且该漏洞在四个标准基准测试中均存在。
推荐理由:该研究揭示了 LeWorldModel 在测试时对微小图像扰动的脆弱性,攻击可诱导规划器将物体状态误判为任意姿态,导致任务成功率大幅下降。
论文提出了 TAP-Out 方法,这是一种离线算法,利用生成式视频外推作为世界模型先验来解决目标离开相机视场后的跟踪问题。该方法将窄视场输入视频外推为完整的 360°全景视频,通过视频对象分割定位目标,并合成以物体为中心的视角裁剪供标准帧内跟踪器运行。
推荐理由:该工作提出利用生成式外推构建世界模型先验,在 TAPVid360 基准上实现离屏目标跟踪的最优性能。
针对现有具身检索增强生成(RAG)系统易累积语义标签、物体位置及空间关系错误的局限,论文提出 SPARK 框架。该框架在首个任务集后利用语义批评标记知识库错误区域,通过规划器生成针对性重访,并基于新观察结果选择性合并信息以修正记忆。
推荐理由:提出 SPARK 框架,通过语义批评与目标重访修正具身记忆错误,在 AirSim 仿真环境中显著降低存储开销并提升问答性能。
arXiv 预印本发布了一种名为 Déjà Vu 的测试时解码模块,旨在提升跨图像语义关键点匹配的精度。该方法将匹配问题重构为‘先召回后重排序’流程,利用大模型特征中零样本能力优于贪心选择的特性,通过自适应候选集和循环一致性评分进行优化。实验显示其在 SPair-71k 等基准上显著提升了 [email protected] 与 Keypoint Average Precision 指标。
推荐理由:提出测试时重排序模块,利用循环一致性解决语义匹配解码瓶颈。
Archon Robotics 发布 Anchor 1,一种面向人形机器人全身精准稳定操控的控制器及基准测试集。该方法采用校准后的稀疏运动参考以保留任务相关的人体运动结构,无需在线关节空间重定向;通过离线整理机器人运动数据塑造训练分布,并引入与运动编码解耦的显式误差反馈以提升控制精度。
推荐理由:该工作提出 Anchor 1 控制器与基准,在仿真和硬件上均实现更优的全身操控精度与稳定性。
针对机器人生成的平面图缺乏建筑知识评估的问题,作者将行业生产软件中的接受规则编码为六项固定顺序的检查,并校准房间形状限制以匹配真实公寓的 5% 拒收率。研究在四项生成器和两个真实数据集上验证发现,仅凭比例检查即可拒绝 33.7% 的 House-GAN++ 平面图,而现有邻接关系指标无法反映这些缺陷。作者已开源校验工具 floorcheck v0.1.1,但指出通过检查并不等同于实际工程验收。
推荐理由:作者将建筑规范编码为六项检查,揭示现有生成模型在比例与合规性上的缺陷,并开源了校验工具。
针对大视觉语言模型推理中冗余视觉 Token 导致计算量大的问题,本文提出 CausalPrune 框架。该方法将推理建模为结构因果模型,引入因果 Token 重要性评分(CTIS)来估计干预每个视觉 Token 的平均处理效应,并利用后门调整缓解跨模态混淆。
推荐理由:提出基于反事实因果的视觉 Token 剪枝框架,通过结构化因果模型区分关键与虚假关联 Token,在降低计算量的同时保持多模态性能。
该论文提出一种利用单目摄像头结合空气阻力模型和球场几何信息来估算羽毛球速度的方法。通过拟合重力与阻力轨迹,并利用球网平面约束优化,该方法将相对于立体视觉参考的绝对速度差异中位数从13.3%降低至8.6%,验证了融合运动学与动力学进行单目测速的有效性。
推荐理由:该方法结合空气阻力与场地几何,利用单目视频将羽毛球速度估算误差从13.3%降至8.6%,为低成本运动分析提供新路径。
该论文提出了 TRACE-CBM(Temporal Relational Activity Concept Evolution)模型,旨在解决概念瓶颈模型无法预测未来概念演化的问题。
推荐理由:提出 TRACE-CBM 模型,通过稀疏时空图预测概念演化并支持干预编辑,在视频活动预测任务上显著优于现有方法。
论文提出 SAGA 方法,利用稀疏锚点辅助高斯泼溅表示实现动态场景的体素视频压缩。该方法采用分层稀疏锚点构建时空骨架,通过核插值生成精细特征并共享参数,结合正交性感知槽位更新策略捕捉长程依赖以优化熵编码。在 Neu3D 测试集上,相比 GIFStream、TED-4DGS 和 OMG4,其基于 PSNR 的 BD-rate 分别降低了 90.88%、64.30% 和 65.14%。
推荐理由:提出基于稀疏锚点的体素视频压缩新架构,在 Neu3D 数据集上显著降低比特率。
该论文提出 SV-WAM,旨在解决现有世界模型因生成未来视频导致推理开销大、常被迫仅用单前向摄像头的局限。方法利用未来视频预测作为训练监督而非推理输出,通过动作中心因果掩码防止动作 token 关注未来视频 token,使部署时可丢弃视频分支实现高效规划;同时引入可微驾驶区域合规正则器以增强安全与边界感知。
推荐理由:SV-WAM 利用未来视频预测作为训练监督而非推理输出,结合因果掩码与可微合规正则器,在保持六路摄像头输入的同时实现低延迟规划。
论文介绍 Adaptive-WAM,这是一种构建于 Wan2.2-5B 骨干网络上的质量感知多出口规划器。该方法将轨迹扩散头附加到选定的 DiT 块上,利用轻量级评分器在满足质量阈值时终止推理,从而避免完整的迭代去噪和 VAE 解码过程。
推荐理由:该工作提出基于中间层特征的质量感知早退规划器,在 NAVSIM 上取得最佳结果并实现低延迟推理。
本文研究利用机械臂运动进行无燃料姿态控制的可行性,将其视为执行机构而非仅作为干扰源。通过构建包含关键关节和避撞约束的轨迹优化问题,使用内点法求解非线性程序,计算了多种航天器 - 机械臂系统的复杂变轨与去旋轨迹。
推荐理由:提出利用机械臂运动实现无燃料姿态控制,通过轨迹优化解决关节与碰撞约束,为在轨组装提供新方案。
针对稀疏视角户外场景下高斯泼溅(Gaussian splatting)重建的挑战,本文提出 AdaGS 框架以解决扩散引导重建中易将伪影误判为真实结构的缺陷。该方法引入感知伪影的双阶段适配器,在扩散修复前抑制漂浮物视觉线索;采用双向置信度融合机制,仅当生成区域获得跨视角几何证据支持时才接受其结果;同时利用高斯稳定化策略衰减多视图不一致的高斯分布,防止后续优化中反复触发幻觉。
推荐理由:针对稀疏视角无位姿重建中扩散模型易产生幻觉的问题,提出基于置信度门控的自适应框架以抑制伪影并提升渲染保真度。
针对单张照片无法获取多帧信息的限制,本文提出 PBSR 方法,利用零样本新视角合成技术生成具有真实视差的伪多帧序列,并结合几何感知对齐模块与抗伪影微调的超分骨干网络进行重建。实验表明该方法在 BurstSR 数据集上相比单帧基线显著提升了 PSNR、SSIM 和 LPIPS 指标。论文已接受发表于 New Generation Computing。
推荐理由:提出利用零样本新视角合成生成伪多帧,使单图超分任务获得类多帧重建效果。
论文提出 MoETok,这是一种针对 1D 视觉 Tokenizer 的稀疏专家路由方法。研究揭示查询在语义监督下自发分化为 Content(内容)和 Detail(细节)两类角色,路由器据此学习适应不同 token 表示的特化处理路径。
推荐理由:该工作揭示了查询在语义监督下自发分化为内容与细节两类角色,并提出稀疏专家路由机制以提升重建与生成性能。