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 36 页

10月6日周二第 701–720 条
  1. arXiv · 机器人与计算机视觉78

    面向细粒度物体操作:基于 SAM3 引导的视觉运动策略与持久记忆学习

    针对细粒度物体操作中场景级视觉条件缺乏明确选择、类别级指导难以区分相似物体的挑战,本文提出一种结合持久物体记忆与聚焦视觉条件的框架。首先引入 FO Memory-driven SAM3(FOM-SAM3),在有限多视角配准图像中学习可复用的细粒度物体记忆 token 并冻结 SAM3;其次提出聚焦空间 - 外观编码(FSAE),融合物体内部外观特征与显式边界框以条件化动作策略。

    推荐理由:提出 SAM3 引导的视觉运动策略框架,利用持久记忆与聚焦视觉条件解决细粒度物体操作难题。

  2. arXiv · 机器人与计算机视觉82

    Point-MF:一种用于单图像点云重建的稳定一步均值流框架

    该论文提出了 Point-MF,这是一个无需训练点云自编码器的条件均值流框架,旨在从单张 RGB 图像恢复包含遮挡区域的完整物体几何。该方法直接在点云空间预测区间平均速度场,并通过引入去噪空间锚点(DSA)辅助损失来稳定大跳跃的均值流更新。

    推荐理由:提出 Point-MF 框架,实现单步均值流几何重建,在 ShapeNet-R2N2 等数据集上优于基线且推理延迟低于迭代扩散模型。

  3. arXiv · 机器人与计算机视觉82

    $M^2$-Occ:面向自动驾驶的残缺输入下稳健 3D 语义占用预测

    论文介绍$M^2$-Occ框架,旨在解决多摄像头输入缺失导致的几何结构丢失与语义不连贯问题。方法包含利用邻域重叠进行特征空间重建的多视角掩码重建模块,以及存储类级语义原型的特征记忆模块以修正模糊体素。

    推荐理由:该工作针对多摄像头缺失场景提出$M^2$-Occ框架,通过特征重建与语义原型检索提升鲁棒性。

  4. arXiv · 机器人与计算机视觉82

    H-JEPA:面向视觉规划的端到端分层世界模型学习

    论文介绍 H-JEPA,一种用于长程规划的端到端分层世界模型方法。该架构包含多个动作条件化的 JEPA 层级,每层在独立潜空间预测不同时间尺度的未来:顶层优化目标进度,下层将高层预测作为子目标。

    推荐理由:提出分层 JEPA 架构,在仿真与真实机器人视频中通过时间尺度分解提升长程规划成功率并降低计算开销。

  5. arXiv · 机器人与计算机视觉78

    OGAM:通过对象接地注意力监控连接系统测试与运行时保障

    针对基准测试指令有限且无法进行穷举部署测试的问题,本文提出 OGAM 方法,利用成功与失败执行间的注意力发散信号实现运行时干预。研究在 OpenVLA、OpenVLA-OFT、UniVLA 和 pi_0.5 等四个策略上验证了该方法:通过成对组合动作模板与对象生成场景接地指令并测试同义改写,发现所有 87 个基准外案例均存在问题行为且无法完成任何可行指令。

    推荐理由:该方法利用对象 grounding 的注意力监控,在无需失败标签训练下即可在线拦截 VLA 策略执行中的异常行为。

  6. arXiv · 机器人与计算机视觉82

    VGGT-Bridge:超越顺序位姿图的粗粒度跳变边方法

    针对前馈视觉几何 Transformer 在长序列重建中存在的累积漂移问题,论文提出 VGGT-Bridge 方法,通过引入非相邻块间的直接约束和反向帧修正策略来优化位姿图。该方法在 KITTI、Virtual KITTI 和 Waymo Open 数据集上显著降低了绝对轨迹误差(ATE),优于现有分块对齐方法的基线。该工作已接受发表于 ACCV 2026,属于预印本状态。

    推荐理由:提出 VGGT-Bridge,通过粗粒度跳变边和反向帧修正解决长序列累积漂移问题。

  7. arXiv · 机器人与计算机视觉78

    读出盲视:VLM 评分遗漏了冻结编码器保留的空间方向

    CLIP 类视觉语言模型在定向空间关系(如物体左右位置)上的评分接近随机水平,这种现象被称为‘读出盲视’。论文分析指出,当评分规则对主体和客体对称处理时,方向信息会被抵消。

    推荐理由:论文提出无需额外训练的 ADR 方法,从冻结编码器中恢复被评分规则掩盖的空间方向信息。

  8. arXiv · 机器人与计算机视觉82

    可控道路标线生成:基于文本引导的 BEV 管线与结构化高斯渲染

    该论文提出 Controllable Road Marking Generation 框架,能从可行驶区域掩码、外环标线和文本描述中合成缺失的中心区域标线布局。

    推荐理由:该工作提出可控道路标线生成框架,在 Argoverse~2 和 Waymo 数据集上显著优于基线,为仿真场景构建与地图补全提供新工具。

  9. arXiv · 机器人与计算机视觉82

    HLA-WM:一种用于长视界视频世界模型的无训练混合线性注意力框架

    针对 Gated DeltaNet 在长序列生成中的遗忘问题,该研究提出 HLA-WM 框架,结合粗粒度几何引导检索与细粒度循环线性状态计算,无需额外训练即可提升场景一致性。实验显示,该方法在 60 秒视频基准测试中将 PSNR 提升 0.74 dB、旋转误差降低 28.5%,并将历史状态显存占用减少至全 KV 缓存的 1/12,同时仅损失最多 1.6% 推理吞吐量。

    推荐理由:该工作提出无需训练的混合线性注意力框架,在长视频生成中显著降低显存占用并提升场景一致性。

  10. arXiv · 机器人与计算机视觉78

    ArticuTable:基于单张图像生成实例级交互式刚柔混合 3D 桌面场景

    论文提出 ArticuTable 框架,能够从单张输入图像恢复包含可执行部件级关节运动的刚柔混合 3D 桌面场景布局。该方法通过结合多模态大语言模型引导的关节拟合与语义状态推理(GRAM)从单体代理网格中提取可靠参数,并利用渐进式语义 - 几何场景配准(PSGSR)在度量、平面及输入视图约束下解决姿态尺度歧义。

    推荐理由:提出 ArticuTable 框架,从单图生成可交互的刚柔混合桌面场景并开放百例仿真数据。

  11. arXiv · 机器人与计算机视觉82

    F$^2$ SLAM:将前馈几何转化为持久因子的 SLAM 方法

    论文提出 F$^2$SLAM,通过将前馈 3D 模型直接转化为优化原生目标权重测量并附加到持久稠密因子图,解决了现有方法仅事后对齐导致多视图证据未进入优化器的问题。

    推荐理由:该方法将前馈几何直接转化为优化原生因子,在 Replica 数据集上将未标定状态下的平均 ATE RMSE 从 0.030 m 降至 0.002 m。

  12. arXiv · 机器人与计算机视觉82

    $R^2$-WAM:面向世界动作模型的修复与拒绝后训练方法

    针对世界动作模型(WAMs)预测结果可能与输入动作不一致的问题,本文提出$R^2$-WAM框架。该方法包含两阶段:首先利用运动学对齐分数将预测视频与机器人演示行为进行运动学对齐,确保预测未来忠实反映输入动作;随后比较采样动作与演示动作的想象结果,对任务进度低于参考基准的样本应用负向微调。

    推荐理由:提出$R^2$-WAM框架,通过运动学对齐修复预测视频并拒绝低质量样本进行负向微调,在RoboTwin 2.0上平均成功率达93.8%。

  13. arXiv · 机器人与计算机视觉78

    Lollypop:基于参考目标的相机至动作捕捉标定验证方法

    论文提出了 Lollypop 参考目标,通过耦合 ArUco 标识符与动作捕捉标记星座,使视觉中心与追踪质心代表同一物理点,从而独立验证相机与动作捕捉系统的标定一致性。实验表明该方法具备亚像素级名义误差,并对受控的外部扰动敏感,能在混合操作序列中监测误差增长。该工作已接受发表于 IEEE SENSORS 2026,原文为预印本版本。

    推荐理由:提出 Lollypop 参考目标用于独立验证相机与动作捕捉系统的标定漂移,实验展示了亚像素级误差及对外部扰动的敏感性。

  14. arXiv · 机器人与计算机视觉82

    RePart:一种用于 3D 分割的强化学习部分推理方法

    该论文提出了 RePart(Reinforcement Part Reasoning)方法,将几何原语的组织问题建模为有限视界马尔可夫决策过程,通过轨迹级强化学习实现语义组织。

    推荐理由:该文提出基于强化学习的语义部分推理方法 RePart,在无需微调情况下实现了几何原语到语义部分的组织与分割。

  15. arXiv · 机器人与计算机视觉82

    DreamFormer:一种用于语言条件化机器人操作的 Transformer 世界模型模仿方法

    论文介绍 DreamFormer,这是一种通过模仿专家演示来习得语言条件化多任务技能的基于模型的智能体。该模型首先从无结构的玩耍数据中学习任务无关的 Transformer 世界模型,然后在潜在空间中优化内在奖励以对齐生成的轨迹与专家演示。

    推荐理由:该工作提出基于 Transformer 的世界模型进行语言条件化机器人操作模仿,在 CALVIN 基准上展示了优于行为克隆的零样本泛化能力。

  16. arXiv · 机器人与计算机视觉82

    SelectOccFlow:用于 3D 占用和场景流预测的选择性时空聚合方法

    针对相机基 3D 占用和场景流预测对不可靠时空聚合敏感的问题,作者提出 SelectOccFlow 框架,通过语义引导采样、状态条件时序聚类和范围感知空间聚合逐步优化图像、时序与体素域的证据。

    推荐理由:提出 SelectOccFlow 框架,通过语义引导采样与状态条件时序聚合提升 3D 占用预测性能。

  17. arXiv · 机器人与计算机视觉84

    LoCoSplat:具备最小 3D 推理能力的实时前馈 3D 高斯泼溅

    论文提出 LoCoSplat(Local-Context Splatting),利用锚点周围点云的局部平均替代重型学习网络来预测高斯参数,实现无动态稀疏计算的单图 CUDA 编码。

    推荐理由:提出无需重型网络的局部上下文高斯泼溅方法,在多项指标上超越现有最先进的前馈模型。

  18. Hugging Face Daily Papers78

    CADFather:通过协同工具使用实现自动 CAD 重建

    论文介绍 CADFather,这是一个自主智能体系统,用于从 3D 网格重建可编辑的参数化 CAD 程序。该系统利用预训练模型协调视觉语言助手与生成/算法工具,决定扩展候选程序、调用工具及何时结束,并通过数值优化细化参数。研究在 DeepCAD、Fusion360、MCB 等数据集上评估了重建质量与执行有效性,并分析了计算成本与质量的权衡。

    推荐理由:该工作提出 CADFather,通过协调生成与算法工具自主重建参数化 CAD 程序,在多个基准上评估了质量、有效性与成本权衡。

10月5日周一
  1. arXiv · 机器人与计算机视觉85

    QueryArt:基于单图与查询点的连杆参数估计方法

    论文提出 QueryArt 模型,能够从单张 RGB 图像、二维查询点和相机内参中估计连杆几何参数。该方法将分割与估计解耦,通过查询点深度测量恢复度量尺度,在合成与真实数据混合训练后,于移动机械臂的 57 次操作任务(涵盖 16 个部件和五类视角)中达到 70.2% 的成功率,并优于近期基线。代码与视频已公开。

    推荐理由:该模型仅凭单张 RGB 图像与查询点即可估计连杆几何参数,在移动机械臂的 57 次操作中实现 70.2% 成功率。

  2. arXiv · 机器人与计算机视觉82

    GlanceWAM:稀疏测试时想象的世界 - 动作模型

    论文介绍 GlanceWAM,一种基于共享视频 DiT 骨干的异步世界 - 动作模型架构。该方法将视觉想象解耦为后台慢速时钟运行的异步提议器,在潜在空间解码动作块,从而打破同步生成带来的延迟瓶颈。

    推荐理由:该工作提出 GlanceWAM,通过异步解耦视觉想象与动作控制,在 RoboCasa 和 LIBERO 基准上实现实时推理与高成功率。