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 32 页

10月16日周五第 621–640 条
  1. arXiv · 机器人与计算机视觉78

    Video Depth Anything:超长视频一致深度估计新模型

    针对单目深度估计在视频中存在的时序不一致问题,该研究提出 Video Depth Anything 模型。基于 Depth Anything V2 架构替换为高效时空头,通过约束时间梯度设计一致性损失,无需额外几何先验即可实现超长视频(数分钟)的高质量一致深度估计。采用关键帧策略支持长视频推理,在多个基准测试中达到零样本状态最先进水平,最小模型可实现实时性能。

    推荐理由:该工作提出 Video Depth Anything,在超长视频上实现高质量一致深度估计,且无需额外几何先验或牺牲效率。

  2. arXiv · 机器人与计算机视觉82

    GroundGUI:基于高质量数据与蒸馏强化学习的 GUI 定位模型

    针对 GUI 智能体构建中高质量视觉定位资源稀缺的问题,作者提出了包含 58.6 万截图和 63.3 万指令实例的 ScreenRef 数据集,并设计了从监督微调到强化学习的 D2RL 训练方法。

    推荐理由:作者提出 D2RL 方法并基于 ScreenRef 数据集训练出 GroundGUI-8B,在多项 GUI 基准测试中表现优异。

  3. arXiv · 机器人与计算机视觉78

    All-St3R SLAM:基于像素级运动掩膜的实时 RGB 动态 SLAM

    该论文提出 All-St3R SLAM 框架,旨在解决现有动态 SLAM 存在的过度去除和计算成本高问题。系统结合 DUSt3R 的自运动预测与 All-Tracker 的点跟踪结果,仅分析两者差异来移除当前运动的像素区域,允许暂时静止部分用于跟踪。

    推荐理由:该工作提出无需预定义标签的像素级运动掩膜方法,在仅用 RGB 输入下实现约 10 FPS 实时动态 SLAM,优于现有稠密方法。

  4. arXiv · 机器人与计算机视觉82

    DynThinker:统一静态 3D 与动态 4D 空间推理框架

    该论文针对现有模型难以同时兼顾静态 3D 和动态 4D 理解的难题,提出 DynThinker 统一框架。通过解耦指数移动平均(D-EMA)约束干扰敏感参数漂移,并结合语义引导的空间 - 动态融合(SDF)整合时空先验。在涵盖九个静态与动态基准的十项指标中,DynThinker 取得最高平均分,并在 ReVSI、DSR-Bench 及 DSI-Bench 等任务上刷新开源模型记录。

    推荐理由:该工作提出统一框架解决静态与动态空间推理的干扰问题,在多项基准测试中取得开源模型最佳平均分数。

  5. arXiv · 机器人与计算机视觉82

    GeoThinker-F:用于快速空间智能的内源性预测世界表征

    现有几何感知的多模态大语言模型(MLLM)通常依赖外部 3D 编码器提供结构先验,但这在推理时引入显著延迟和计算开销。本文提出 GeoThinker-F 框架,通过将因果 MLLM 隐藏状态转化为预测性潜在世界表征来内部化时空感知。

    推荐理由:该工作提出 GeoThinker-F 框架,通过内部化时空感知消除对外部 3D 编码器的依赖,推理速度提升 3.6 倍。

  6. arXiv · 机器人与计算机视觉82

    Player-1:通过合成经验学习游戏控制

    该论文介绍 Player-1 框架,旨在超越演示数据限制,通过学习合成经验来提升计算机智能体的游戏控制能力。研究扩展了动作空间以支持相对指针运动和复合操作,并在 6,044 条精选轨迹上进行监督微调初始化。

    推荐理由:该工作提出 Player-1 框架,利用合成数据与复合动作提升游戏控制能力,为通用数字代理训练提供新路径。

  7. arXiv · 机器人与计算机视觉78

    面向自然户外环境的实时同步规划与分层分辨率体素映射

    该论文提出一种分层分辨率体素映射机制,将 LiDAR 数据同时整合为两种分辨率:机器人当前计划走廊内采用精细分辨率,其余区域采用粗糙分辨率。与传统导航管线不同,该方法建立反馈回路,让规划过程动态指导信息在不同叶节点的整合。

    推荐理由:提出分层分辨率体素映射机制,在保持路径规划成本的同时显著降低存储与计算开销。

  8. arXiv · 机器人与计算机视觉83

    InfiniSplat v2:通过冻结几何分支与大角度监督改进前馈 3DGS 渲染

    InfiniSplat v2 针对前馈高斯重建在大视角变化下难以学习高质量属性的问题,提出解耦几何与属性预测的架构。方法在训练时使用真实相机位姿对齐预测高斯,并采用大角度目标视图监督。实验显示,该方法在六个数据集上实现了 SOTA 的 LPIPS 和 DISTS 指标,相比最强基线分别降低 25.8% 和 32.9%。研究还发现仅用图像重建监督学习的透明度会抑制几何不一致点。

    推荐理由:该文分析前馈高斯重建在几何与属性解耦上的局限,提出冻结几何分支与大角度监督等新架构,在六个数据集上实现 SOTA 性能。

  9. arXiv · 机器人与计算机视觉82

    水印有效即身份无效:空间 - 谱对抗性人脸规避与水印保留

    该研究提出了一种在水印保护设置下的对抗性人脸规避攻击(PGD-L_2),旨在暴露仅依赖溯源或篡改检测无法保证可靠生物特征身份的结构性缺口。实验在受控面部图像、两种水印方案及两个数据集上评估,结果显示攻击在操作阈值下逃逸率超过 92%,同时保持 StegaFormer 水印恢复率高于 93% 和 FaceSigns 高于 99.7%,视觉质量 PSNR 高于 47dB。

    推荐理由:论文揭示了水印有效但生物特征识别失效的结构化漏洞,在保持水印可恢复的同时实现了高逃逸率。

  10. arXiv · 机器人与计算机视觉78

    GLoD-LVSM:面向大视角合成模型的几何感知连续细节层级场景表示学习

    该论文提出了 GLoD-LVSM,一种用于大视角合成模型(LVSM)的紧凑、几何感知的场景表示方法,采用连续细节层级以匹配预算。

    推荐理由:提出几何感知的连续细节层级场景表示,在保持渲染质量的同时显著降低 token 数量并加速推理。

  11. arXiv · 机器人与计算机视觉78

    cuVSLAM 稀疏光束法平差中的自适应视觉 -IMU 加权方法

    该研究针对 cuVSLAM 中视觉与 IMU 残差融合权重固定、无法运行时自适应的问题,引入标量因子 alpha 调整视觉信息矩阵权重。实验发现性能呈现两个经验区域:IMU-TRUST(alpha=1,2)和 VISION-TRUST(alpha=10,20),中间值 alpha=5 为过渡区。

    推荐理由:提出轻量级视觉质量估计器,通过自适应调整 cuVSLAM 中视觉与 IMU 的权重分配,在 EuRoC MAV 和 TUM-VI Room 数据集上显著降低轨迹误差。

  12. arXiv · 机器人与计算机视觉78

    Atomic-WAM:面向世界动作模型的执行 grounded 原子运动推理

    论文介绍 Atomic-WAM,这是一个理解后执行的框架,旨在解决任务级指令对物理交互定义不足的问题。该方法利用视觉语言推理器描述局部运动以引导世界动作模型预测视频和动作片段,并通过自动标注流程从多视角 DROID 演示中获取接触丰富的监督信号。

    推荐理由:提出 Atomic-WAM 框架,通过原子运动描述连接任务推理与动作生成,在 RoboLab 上实现执行 grounded 的奖励优化。

  13. arXiv · 机器人与计算机视觉78

    HM3D-M3:多智能体多模态多目标导航新基准发布

    论文提出了 HM3D-M3 基准,旨在解决现有研究将多智能体、多模态与多目标导航割裂的问题。该基准在一个光真实室内场景中,让 K 个机器人团队从分布位置出发,搜索由类别名、实例图片或口语描述指定的 M 个无序目标。

    推荐理由:该基准填补了多智能体、多模态与多目标导航同时存在的空白,提供了千集验证数据及两个基线方法。

  14. arXiv · 机器人与计算机视觉78

    GeoCloak:一种通过边缘线索操作实现语义保留的地理位置隐私代理框架

    针对大视觉语言模型(LVLM)从单张图片推断用户位置带来的隐私风险,本文提出 GeoCloak 代理框架。该框架利用地理定位线索与视觉信息的不对称性,作为感知线索的规划器分析图像,识别关键地理线索并执行针对性的语义编辑以直接抑制这些边缘线索,同时自主配置对抗扰动进一步压制残留特征。

    推荐理由:提出 GeoCloak 框架,利用边缘线索操作在保持语义的同时显著降低图像地理定位精度。

  15. arXiv · 机器人与计算机视觉78

    为何 3D 重建在冰下 AUV 视频中失效及其预测方法

    针对冰下 AUV(Icefin)视频进行 3D 结构重建不准确的问题,本文测试了四种模型:经典特征匹配 SfM、可微光度泼溅、体素深度融合和无姿态前馈基础模型。结果显示四者均失败且表现各异,但一致归因于小相机基线与场景深度的比率。作者据此提出了一种检测系统,可在几分钟内标记此类失效,避免浪费计算资源。

    推荐理由:作者测试了四种重建模型在冰下视频上的失败模式,并提出了一种可在几分钟内检测此类失效的检测系统。

  16. arXiv · 机器人与计算机视觉78

    互补未来 Token 剪枝用于世界动作模型

    针对预训练的世界动作模型(WAMs)在处理密集未来帧 Token 时产生的高推理延迟问题,本文提出了 CF-Prune 这一无需训练的剪枝框架。该方法利用指令与动作注意力机制识别任务相关 Token,并通过基于熵的相位识别机制保留高精度计算阶段以缓解性能下降。

    推荐理由:提出无需训练的剪枝框架,在保持任务成功率的同时显著降低推理延迟。

  17. arXiv · 机器人与计算机视觉85

    SAM3RL:基于强化学习的视觉目标跟踪记忆控制

    该论文提出了 SAM3RL,一种针对 Segment Anything Model 3 的扩展,通过强化学习训练轻量级控制器来优化视频对象分割中的记忆管理策略。

    推荐理由:提出用强化学习训练轻量级控制器优化 SAM3/SAM2 的记忆管理,在多项基准上超越手工规则且无运行时开销。

  18. arXiv · 机器人与计算机视觉78

    视觉语言动作模型中世界建模的关键因素研究

    论文提出将世界模型集成到视觉语言动作模型(VLAs)以增强策略对未来动态的预测能力。研究通过统一框架系统评估了四种范式:隐式未来对齐、显式未来查询、MoT 未来专家和外部分布预测器,并在域内/外、长视界及真实场景下进行了测试。

    推荐理由:该研究通过统一框架系统评估了四种世界模型集成范式,发现解耦的 MoT Future Expert 在跨域鲁棒性上表现优异,且 2D 语义表示具有通用增益。

  19. arXiv · 机器人与计算机视觉83

    SPECTRA-VLA:在冻结视觉 - 语言 - 动作接口上的基座微调与超光谱令牌传输

    论文 SPECTRA-VLA 提出一种方法,在不重新训练视觉编码器或动作解码器的情况下,为预训练的视觉 - 语言 - 动作模型提供原生宽度的光谱升级。该方法通过学习到的连续残差丰富每个目标令牌,并利用投影、归一化控制和验证校准的注入来调节变化。

    推荐理由:提出在冻结 VLA 接口上通过连续残差注入提升高光谱识别,无需重训编码器或动作解码器。

  20. arXiv · 机器人与计算机视觉78

    E2DRL:用于四足机器人 3D 避障的端到端可微强化学习

    该论文针对腿式运动控制中硬碰撞约束破坏梯度信号的问题,提出 E2DRL 框架,通过软可微障碍物交互公式与速度条件停止梯度塑造提供训练信号。系统利用 Soft Analytic Policy Optimization 训练的教师在仿真中蒸馏深度基学生策略,并结合地形感知门控模块实现部署。

    推荐理由:提出软可微障碍物交互公式,在四足机器人上实现端到端视觉避障的仿真到现实验证。