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 33 页

10月16日周五第 641–660 条
  1. arXiv · 机器人与计算机视觉78

    多图像 Schema 应用中的失效因素:因子化 Oracle 干预揭示实例信息瓶颈

    该研究针对现代视觉语言模型在多图像上下文下的推理失效问题,设计了一个受控的 Schema 应用任务,要求模型在 16 张图像序列中定位两个目标字符并识别其属性。

    推荐理由:通过引入两种不同的 Oracle 干预,研究发现多图像推理的主要瓶颈在于上游有序实例的恢复而非下游模式使用。

  2. arXiv · 机器人与计算机视觉78

    CORE:基于大模型对比反思的自监督提示优化用于异常合成

    论文 CORE 针对工业异常检测中缺陷样本稀缺的问题,提出一种无需训练且成本高效的提示优化框架,统一支持零样本与单样本异常合成。该方法通过异常上下文定位模块将稀疏用户输入转化为缺陷感知生成上下文,并解耦正常区域保持与异常特异性变化;同时利用自监督对比反思机制自主优化提示词。

    推荐理由:该工作提出无需训练的提示优化框架,统一零样本与单样本异常合成,在 MVTec-AD 和 VisA 数据集上验证了下游检测性能提升。

  3. arXiv · 机器人与计算机视觉78

    RDCompGS:面向图像编解码器的 3D 高斯泼溅压缩率失真优化方法

    针对 3D 高斯泼溅(3DGS)在存储与传输上的资源消耗问题,本文提出 RDCompGS 方法,通过将可微分编码率估计纳入率失真优化过程,解决传统优化忽视不同表示间编码差异的局限。

    推荐理由:提出 RDCompGS 方法,将可微分编码率估计引入 3DGS 优化,在 H.265/HEVC 和 JPEG XL 下分别实现 37.84% 与 49.31% 的码率降低。

  4. arXiv · 机器人与计算机视觉78

    缩小 3D 点云分割中空间与空间填充曲线邻居的差距

    针对基于空间填充曲线的最近邻搜索方法存在的邻近关系差距问题,研究提出了一种损失函数以优化特征相似性。该方法被集成到高性能 3D 点云分割模型中,并在三个数据集上评估,结果显示其在室内和室外点云数据上均优于传统方法。

    推荐理由:提出了一种损失函数以减小空间填充曲线与欧氏空间间的邻近关系差距,在三个数据集上验证了其在室内室外点云分割中的有效性。

  5. arXiv · 机器人与计算机视觉78

    Dungeon and Visibility World Generator 开源框架发布

    Dungeon and Visibility World Generator 是一个开源框架,用于构建可复现的二维和三维环境并评估几何视线。该工具支持正交、多边形/多面体及曲线几何,涵盖六种构造家族(如分散房间、蜿蜒通道等),允许通过参数控制房间尺寸与障碍物布局。

    推荐理由:该框架提供可复现的二维三维环境生成与视线查询工具,支持多种几何类型与参数控制,适合机器人探索、覆盖及多智能体部署算法的评估。

  6. arXiv · 机器人与计算机视觉78

    Spectral World Renderer:统一 3D 高光谱解混的新方法

    针对现有高光谱解混在 3D 场景中缺乏已知成分多视图数据验证的问题,作者提出 Spectral World Renderer (SWR),通过编码智能体构建可执行的 3D 世界并使用测量光谱渲染,使每张高光谱图像均附带精确标签与亚像素比例。

    推荐理由:提出将世界生成与光谱解混统一的渲染框架,提供带精确标签的基准数据集及加速训练方案。

  7. arXiv · 机器人与计算机视觉78

    $S^3$-Nav:面向语言引导机器人导航的结构化空间语义决策框架

    论文提出了$S^3$-Nav框架,旨在解决部分可观测环境下的语言引导机器人导航问题。该方法不预设完整环境表示,而是增量构建持久化的空间语义状态,仅向高层策略暴露容量可控的任务条件视图。

    推荐理由:该工作提出结构化空间语义决策框架,通过分离持久状态与策略视图提升导航可靠性并降低推理成本。

  8. arXiv · 机器人与计算机视觉85

    VideoHarness-SRSI:面向视频理解的结构化递归自我改进框架

    该论文针对智能体视频理解任务,研究如何从有限噪声反馈中可靠发现通用系统。作者首先提出 VideoHarness-BRSI 框架,但在分析 4000 多个候选方案时发现验证过拟合、搜索预算稀释和早期经验陷阱等失效模式。

    推荐理由:提出证据治理框架解决验证过拟合与搜索预算稀释问题,在四个基准测试中提升均分并缩小验证差距。

  9. arXiv · 机器人与计算机视觉78

    WinARDet:用于长视界视觉语言定位的压缩窗口自回归方法

    该研究针对多模态大模型在密集场景中因历史答案注意力接管导致的坐标重复生成问题,提出了压缩窗口自回归(WinAR)机制。该方法将长序列划分为连续生成窗口,仅对当前窗口进行全 token 级自回归,并将前序窗口压缩为固定数量的潜在 token 以条件化后续解码。

    推荐理由:针对密集场景下多模态大模型检测器的坐标生成循环崩溃问题,提出压缩窗口自回归机制以平衡历史依赖与注意力分配。

  10. arXiv · 机器人与计算机视觉78

    NavAble:面向盲助导航的大规模数据集与合成数据生成管线

    NavAble 是一个针对盲助导航感知的大规模数据集,涵盖 11 类无障碍关键物体(如听觉行人信号、门激活按钮等),整合了 4.1 万张精选开源图像和 8000 张新采集的密集标注真实世界图像。

    推荐理由:NavAble 数据集与合成生成管线公开,填补了盲助导航关键物体类别的数据稀缺问题。

  11. arXiv · 机器人与计算机视觉78

    空域与遥感视频理解的几何差距:多面体元分析与 AVU-Card 报告卡

    论文论证了将空域视频像网页视频一样用 MLLM 做选择题评测的方法存在偏差,无法反映真实感知能力。研究通过元分析发现模型规模提升对空域基准的增益远低于人类差距,且采集条件(如高度、视角)显著影响准确率。现有基准缺乏闭环导航任务与跨视图几何测试,导致能力评估崩塌。作者据此提出五条可证伪原则,并建议采用 AVU-Card 报告卡规范未来评测标准。

    推荐理由:该文通过元分析指出当前空域视频评测指标失效,提出几何感知缺失原则并建议采用 AVU-Card 报告标准。

  12. arXiv · 机器人与计算机视觉82

    MonoMIP:基于多高度逆透视映射的单目 3D 目标检测

    MonoMIP 是一种针对单目 3D 目标检测的新方法,旨在解决传统深度引导 Transformer 在透视图像平面中因近大远小效应导致的空间关系扭曲问题。

    推荐理由:该工作提出双解码器框架,利用多高度逆透视映射构建度量鸟瞰图特征以缓解单目深度估计中的形变问题。

  13. Hugging Face Daily Papers83

    VITAL:从视觉运动到精确动作

    论文提出 VITAL(Vision-Induced Tokens for Action Learning),旨在将视觉预期转化为驾驶决策。该方法通过耦合视觉导出的运动骨架与紧凑残差编码,使视觉运动成为主要预测目标,同时为轨迹误差提供独立的归一化学习尺度。

    推荐理由:该工作提出 VITAL 方法,将视觉运动作为动作预测主目标并引入残差编码,在 NAVSIM v1/v2 测试集上实现接近多步推理的精度与速度。

10月14日周三
  1. Hugging Face Daily Papers78

    LEV:一种通过循环层实现快慢思考的决策模型

    论文介绍 LEV 模型,这是一种无需生成文本即可进行深度推理的决策模型。该模型通过在训练好的语言模型基础上循环运行其层来增加推理深度,从而在保持单次前向计算的同时提升对复杂问题的回答准确率。实验显示,LEV 在硬任务上的准确率随深度增加而显著提升,且能通过小阈值动态调整推理深度以节省约 15% 至 24% 的计算量。

    推荐理由:提出循环决策模型架构,在无需生成文本的情况下通过迭代层实现深度推理,显著降低硬任务计算成本。

  2. Hugging Face Daily Papers82

    Orbia:首套用于系统性评估交互式世界模型三维一致性的基准

    视频生成器虽能构建交互世界,但生成的帧未必描绘一致的三维场景。现有基准缺乏对三维一致性的系统性评估。本文提出 Orbia 基准,首次从输入保持、生成内容持久性和三维自洽性三个维度,通过受控探索与回访机制,量化评估模型在外观、几何及空间稳定性上的表现。

    推荐理由:Orbia 基准填补了交互式世界模型在三维一致性评估上的空白,提供了一套涵盖输入保持、生成内容持久性与三维自洽性的系统评测框架。

  3. Hugging Face Daily Papers78

    SERO:基于可执行预言机续写的长视界智能体强化学习

    该论文针对长视界智能体强化学习中因策略探索失败导致无法有效分配信用的问题,提出 SERO 方法。该方法在恢复当前策略实际到达的状态后,利用仅用于训练的预言机与环境交互,获取下游观测与动作作为监督信号,并通过策略可达性加权优化损失函数。研究在 ALFWorld 和 WebShop 两个基准上验证了该方法的有效性,且推理阶段无需使用预言机。

    推荐理由:提出 SERO 方法,利用可执行预言机续写解决长视界强化学习的监督难题。

  4. Hugging Face Daily Papers82

    Pack Light, CarryOn:构建面向长周期智能体的面向对象上下文

    论文介绍 CarryOn,一种将长周期任务上下文组织为可复用对象的运行时机制,避免依赖压缩的历史记录。该方法通过维护载体记录、结合环境检查更新基础信息并保留未受影响记录,在 OSWorld 2.0 和 BrowseComp-Plus 基准上分别提升性能 5.8% 和 7.0%,同时降低 Token 使用量 51.9% 和 22.9%。材料为预印本论文,提供 GitHub 项目页面链接。

    推荐理由:提出 CarryOn 对象化上下文运行时,在 OSWorld 和 BrowseComp-Plus 上提升性能并显著降低 Token 消耗。

10月13日周二
  1. Hugging Face Daily Papers78

    基于信念更新与世界模型的长程智能体失败恢复方法

    针对长程智能体难以从早期错误中恢复的问题,本文提出了 BELIEFWEAVER 框架。该方法通过维护前沿、尝试、观测和检查点的关系信念状态,利用执行证据更新优先级并控制执行,同时使用隐式世界模型评估修复假设以指导探索。研究进一步通过监督微调与在线策略蒸馏,将推理组件压缩至 9B 学生模型,在三个终端基准测试中相比原生基线显著提升了最终得分,并将教师模型 API 调用成本降低了 54.8%。

    推荐理由:该工作提出结合信念更新与世界模型的长程恢复框架,并通过蒸馏将推理成本降低一半以上。

  2. Hugging Face Daily Papers78

    Evidence-First Agentic Verification:一种基于证据优先的智能体验证方法

    针对长程半可验证智能体任务依赖评分标准却易受错误报告影响的问题,研究提出 Sauron 验证器。该方法独立调查环境状态与执行轨迹,仅在验证来源后接受声明,并通过有界查询减少冗余工作。

    推荐理由:Sauron 方法在长程任务中通过独立验证证据提升评估准确率,相比基线成本更低且抗攻击性强。

10月12日周一
  1. arXiv · 机器人与计算机视觉82

    GenVerOpt:一种统一生成、验证与优化的机器非语言推理框架

    论文介绍 GenVerOpt 框架,旨在解决机器人在视觉非语言推理上的局限。该框架将生成候选解、验证正确性及迭代优化整合为单一推理管道,支持样本级优化而非仅依赖训练时的数据集趋势。

    推荐理由:提出 GenVerOpt 框架,通过生成、验证与优化闭环实现机器非语言推理,在抽象智力测试及医学影像分割任务上超越人类或专家基线。