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 24 页

10月23日周五第 461–480 条
  1. arXiv · 机器人与计算机视觉85

    F2G-Pose:面向类别级物体位姿估计的几何感知基础特征提升方法

    该论文提出 F2G-Pose 框架,旨在解决无需实例特定 CAD 模型或参考视图的类别级 RGB-D 物体位姿估计难题。该方法通过单次前向传播预测类别级位姿、度量尺寸及相机坐标系下的完整形状,利用 DGCNN 编码局部几何并集成专家混合 Transformer。

    推荐理由:该工作提出 F2G-Pose 框架,在无需实例 CAD 模型下实现类别级物体位姿估计与形状补全,代码与预训练模型已开源。

  2. arXiv · 机器人与计算机视觉78

    Ask About the Right Moment:训练自由型物体身份推理用于视频语言模型

    该研究针对视频语言模型难以在时间序列中区分同一物体的问题,提出了'Track, Then Bind'的无需训练方法。通过可提示的视频追踪器固定候选对象并编号,再由冻结的视觉 - 语言模型对识别证据进行静态问答以绑定目标与轨迹,最终基于追踪状态推导答案。

    推荐理由:提出无需训练的'先追踪后绑定'方法,解决视频语言模型在长时序物体身份维持上的难题。

  3. arXiv · 机器人与计算机视觉78

    一种用于可扩展跨会话室内导航的稀疏拓扑度量图

    该论文提出稀疏拓扑度量图作为室内环境的高效结构表示,通过节点编码局部 3D 几何、边捕获可通行连通性,利用学习到的图匹配网络在跨会话中建立稳定对应。实验显示该方法在 Gibson 数据集上达到 77.1% 的成功率,在 3D-FRONT 场景变化下为 40.0%,内存占用比点级表示减少两个数量级以上,支持跨会话对齐与目标导向导航。

    推荐理由:提出稀疏拓扑度量图方法,在跨会话室内导航任务中实现高成功率并大幅降低内存消耗。

  4. arXiv · 机器人与计算机视觉84

    FocusVLA:面向视觉语言动作模型的意图引导动态视图路由方法

    针对现有视觉语言动作模型过度依赖腕部视角、缺乏跨任务阶段全局与局部观察自适应协调的问题,论文提出 FocusVLA 框架。该方法通过历史动作预测未来交互意图并指导动态视图路由,在不修改核心架构的前提下适配现有 VLA 系统。

    推荐理由:提出 FocusVLA 框架,利用未来意图引导动态视图路由,在 RoboTwin 2.0 及真实场景中显著提升 VLA 模型成功率。

  5. arXiv · 机器人与计算机视觉78

    基于全身运动引导的不确定性感知顺从性辅助参考生成方法

    该论文针对外骨骼在复杂交互中难以可靠提供辅助的问题,提出一种结合多模态轨迹生成与可变导纳控制的双环策略。系统利用全身人类运动和外骨骼本体感知数据,通过去噪过程合成未来轨迹,并将任务描述作为语义线索。

    推荐理由:该预印本提出结合全身运动与本体感知的双环辅助策略,通过轨迹方差量化不确定性以调节刚度,实验显示能降低肌肉激活与代谢能耗。

  6. arXiv · 机器人与计算机视觉78

    GM-GReFEL:面向鲁棒动态面部表情识别的几何引导时空状态空间学习

    针对无约束视频中的面部表情识别问题,该研究提出 GM-GReFEL 模型,采用 Modulated GroupMamba 骨干网络将计算复杂度从二次方降至线性,并引入 GReFEL 可靠性模块利用可训练几何锚点提升不确定区域的判断。实验显示其在 DFEW 和 MAFW 数据集上达到 SOTA 水平,且延迟接近 ViT-B/16 基线。代码已开源。

    推荐理由:该工作提出几何引导的状态空间网络,以线性复杂度替代自注意力机制并引入可靠性模块,在 DFEW 等基准上表现优异。

  7. arXiv · 机器人与计算机视觉78

    一种用于多视图医学图像分割的通用双路径交互框架:缓解小样本依赖

    针对医学图像分割在小样本场景下性能下降的问题,作者提出 DPIF 通用双路径交互框架。该框架兼容任意编码器 - 解码器网络,利用跨视图解剖互补性减少标注依赖。方法包括基于 Sinkhorn 最优传输的跨视图分布对齐、条件互信息引导的特征解耦以及基于持久同调的拓扑正则化。

    推荐理由:提出通用双路径交互框架,通过拓扑正则化缓解小样本依赖,在心脏超声等数据稀缺场景下实现多视图分割性能提升。

  8. arXiv · 机器人与计算机视觉78

    FilmFlow:用于三维虚拟电影摄影的智能体系统

    论文介绍 FilmFlow,这是一个将自然语言指令或参考视频转换为动态三维环境中明确相机轨迹的智能体框架。系统由导演智能体主导,协同解释器、侦察员和评论家三个专用智能体,通过组合原子操作控制平移、旋转和构图。

    推荐理由:该工作提出 FilmFlow 智能体框架,将自然语言或参考视频转化为可执行的三维相机轨迹,并在 CinemaBench 基准上表现最优。

  9. arXiv · 机器人与计算机视觉85

    Learning from Next-Frame Prediction: Towards Unified and Scalable Visual World Modeling (arXiv:2610.30724)

    论文提出 VANE 框架,利用冻结语义分词器提供的固定嵌入空间进行下一帧预测,通过因果编码器总结过去观测以推断整个下一帧的表示,并辅以轻量生成解码器重建细粒度细节。

    推荐理由:该工作提出基于嵌入空间的下一帧预测框架 VANE,在统一图像与视频建模及动作预期任务上取得 SOTA 效果。

  10. arXiv · 机器人与计算机视觉78

    ParaLin++:通过内在部分线性结构加速并行扩散积分器

    该论文提出 ParaLin++,这是一种步数平行的采样器,旨在保留全步离散化同时加速求解器迭代。研究指出,传统免训练少步采样方法在语义组合、密集指令和长文本渲染基准上存在质量下降风险,而平行采样是例外。

    推荐理由:该工作提出 ParaLin++,在保留全步离散化同时加速求解器迭代,实验显示其在 Stable Diffusion-v2 等模型上可将采样速度提升 1.68 至 4.8 倍且保持质量。

  11. arXiv · 机器人与计算机视觉78

    AgentDreamer:面向文本可控物理仿真的代理式三维运动推理

    论文提出了 AgentDreamer,这是一个由智能体引导的优化框架,旨在通过显式的三维运动规划将文本指令与仿真运动对齐。给定文本指令和场景几何,现成的智能体将其转化为结构化语义运动先验(指定移动对象、方向及时间顺序),并用参数化函数表示以生成密集三维轨迹。

    推荐理由:提出 AgentDreamer 框架,利用智能体生成语义运动先验并优化可微 MPM 模拟器以对齐文本指令与物理可行运动。

  12. arXiv · 机器人与计算机视觉78

    GSHeadRelight:面向3D高斯头像合成的快速重光照技术

    论文 GSHeadRelight 针对人像摄影、VR/AR 等应用中的人像重光照与新颖视角合成任务,提出基于生成式3D高斯的解决方案。该方法采用统一的神经辐射传输表示构建线性响应入射光的照明模型,仅需野外图像即可实现优于现有工作的重光照效果,且渲染速度较以往3D感知人像重光照研究提升12倍。材料为预印本论文,未涉及真实机器人部署或硬件发布。

    推荐理由:原文提出基于生成式3D高斯的快速重光照方法,在野外图像上实现优于现有工作的效果且渲染速度提升12倍。

  13. arXiv · 机器人与计算机视觉78

    OASIS:面向动态环境开放词汇检索与导航的在线锚点中心场景推理系统

    针对现有机器人建图方法在语义上下文与计算成本间的权衡难题,论文提出 OASIS 统一系统,利用稀疏锚点节点整合多模态表征以支持推理、验证与导航。系统在仿真和真实环境中演示了复杂开放词汇检索、动态环境导航以及在场景变化后对位移物体的重定位能力。材料为预印本,已获 ACM Multimedia 2026 口头报告录用。

    推荐理由:提出基于锚点的在线推理系统,在仿真与真实环境中验证了动态场景下的开放词汇检索、导航及物体重定位能力。

  14. Hugging Face Daily Papers78

    AgentVQA:面向智能体视觉理解的统一离线基准

    针对现有智能体评估成本高且碎片化的问题,研究团队构建了 AgentVQA 离线基准,涵盖 Web、机器人、第一人称视频、游戏和空间规划五类场景。该基准从 23 个源数据集人工筛选出 1000 个挑战性实例,其模型排名与在线评测结果一致。

    推荐理由:该基准通过人工筛选构建跨五类智能体场景的离线评测集,揭示了模型在视觉状态维持与空间推理上的主要瓶颈。

  15. Hugging Face Daily Papers84

    SkeLAM:一种用于机器人世界模型的骨架引导潜在动作模型

    论文提出了 SkeLAM 模型,旨在解决传统重建驱动方法中机器人运动与环境响应混杂的问题。该方法将潜在动作分解为由机器人骨架监督的刚体运动分量和保留互补视觉动态的残差分量,并通过跨模态交换重构确保两者可互换。

    推荐理由:提出基于骨架引导的潜在动作模型 SkeLAM,通过解耦运动与视觉动态提升机器人世界模型的生成可控性与零样本迁移能力。

  16. NVIDIA Blog · Physical AI82

    NVIDIA Cosmos 开放新工具以训练、评估和部署世界模型

    NVIDIA 扩展了 Cosmos 平台,推出新的训练工具、仿真检查点和 Cosmos Data Factory 蓝图,帮助开发者快速构建用于理解与模拟现实世界的世界模型。

    推荐理由:NVIDIA Cosmos 平台新增数据工厂蓝图与训练工具,支持多模态合成数据生成及开源模型适配,旨在加速物理 AI 系统的开发与部署。

  17. Hugging Face Daily Papers82

    RynnUnify:迈向统一的具身大脑

    Hugging Face Daily Papers 转述了一篇 arXiv 论文,介绍 RynnUnify 这一 16B 参数规模的统一具身模型。该模型结合视频语言推理实现长视界视觉规划与物理预测,并通过强化学习扩展智能体能力以推断未观测状态,同时开发世界 - 动作扩展将理解转化为机器人控制。

    推荐理由:该预印本介绍了 RynnUnify 统一具身模型,展示了其在视觉规划、物理预测及机器人控制上的实验结果与基准。

  18. Hugging Face Daily Papers82

    WorldCast:具备世界一致性的角色视频生成与大角度相机控制

    针对现有方法难以跟随结合旋转、平移和半径变化的大角度相机轨迹并导致几何失真的问题,该工作提出 WorldCast 框架与 CLACT 基准。WorldCast 通过将初始帧反投影至三维点云并与目标轨迹对齐来提供显式几何引导,同时利用 Geometry-Aligned Memory Attention 机制在统一坐标系下检索注入角色特征以维持身份一致性。

    推荐理由:该工作提出 WorldCast 框架与 CLACT 基准,解决大角度相机运动下的角色几何一致性问题。

10月22日周四
  1. arXiv · 机器人与计算机视觉78

    NormLift:从提升特征到 3D 高斯泼溅的语义可靠性

    论文提出 NormLift 框架,无需训练即可将 2D 语义特征映射到 3D 高斯泼溅模型中。作者从 3D 视角重新审视特征提升过程,将其建模为 CLIP 单位球上的余弦对齐问题,证明 L2 归一化后的反向投影特征是闭式解。

    推荐理由:该文提出 NormLift,从 3D 视角重新解释特征提升机制,利用特征范数量化语义可靠性并指导模式投票修正漂移方向。

  2. arXiv · 机器人与计算机视觉78

    ReStruct:基于物理感知的任务结构重配置实现推理时机器人行为引导

    论文提出了 ReStruct 方法,旨在解决部署学习到的机器人策略时的推理时行为引导难题,即在无需重新训练的情况下将策略导向用户偏好。该方法构建于神经自动机策略之上,将其分解为捕捉任务结构的高层状态机骨架和表示残差策略的低层连续控制器。

    推荐理由:提出 ReStruct 方法,通过重构任务结构实现推理时行为引导,在仿真与真实世界中均优于现有方法及 VLA 模型。