跳到正文

技术方向

计算机视觉 最新动态

检测、分割、三维感知、定位与视频理解,以及相机、传感器和视觉工程。

985 条精选近 30 天 659 条共收录 6,653 条

更新

精选归档 · 第 11 页

11月10日周二第 201–220 条
  1. arXiv · 机器人与计算机视觉78

    RigidGS:面向刚体交互的 3D 高斯泼溅几何感知物体解耦

    论文 RigidGS 针对 3D 高斯泼溅(3DGS)在交互式 VR/MR 应用中存在的掩码噪声与标签几何耦合问题,提出一种端到端管线。该方法通过深度与时序感知的掩码细化模块解决 SAM2 的过包含与欠包含缺陷,并利用 COLMAP 投影投票在上游确定物体身份并在训练中冻结,将监督仅导向几何优化。

    推荐理由:该工作提出固定身份与几何解耦设计,解决现有方法在复杂几何下的掩码噪声与标签耦合问题。

  2. arXiv · 机器人与计算机视觉78

    ATLAS:一种多程序基准与手术解剖分割的上下文感知模型

    针对微创手术中解剖结构识别受限于小样本数据集和自然场景方法的痛点,该工作发布了包含 121,018 个标注帧的手术视频语义分割数据集 ATLAS-120k。同时提出了 ATLAS 模型,利用域内基础模型嵌入并引入程序与手术阶段的上下文查询及帧间传播机制。

    推荐理由:该工作发布了包含 12 万帧的手术解剖数据集 ATLAS-120k 及上下文感知模型 ATLAS,在分割精度与时序一致性上超越现有基线。

  3. arXiv · 机器人与计算机视觉78

    EarthJev:面向超高分辨率遥感理解的视觉证据采集与决策框架

    针对超高分辨率(UHR)遥感视觉问答中在大场景下定位细粒度证据的挑战,本文提出 EarthJev 框架。该框架将区域评分与答案生成分离,利用空间指针验证器引导探索或跳过搜索,并通过轻量级头部对冻结表征的候选视图进行批量打分。

    推荐理由:提出 EarthJev 框架,通过分离区域评分与答案生成及冻结回答模型,在超高分辨率遥感问答任务中显著降低延迟并提升准确率。

  4. arXiv · 机器人与计算机视觉78

    HALMES:何时干预以缓解 LVLM 幻觉

    论文提出了 HALMES,这是一个轻量级即插即用模块,旨在解决大视觉语言模型(LVLM)输出中常见的物体幻觉问题。研究分析了内部注意力特征与幻觉片段的关系,发现幻觉相关异常在生成过程中会逐步显现。

    推荐理由:提出 HALMES 模块,通过分析注意力特征识别幻觉前兆并仅在必要时触发对比解码,在提升现有方法性能的同时减少了对正常生成的干扰。

11月9日周一
  1. 量子位78

    腾讯混元Hy4正式发布:新增原生视觉与电脑操作能力

    腾讯混元Hy4正式从预览版升级为正式版,总参数达770B,首次引入原生视觉理解与计算机使用(CUA)能力。实测显示其能在28亿像素图中定位细节、自主编写代码构建复古音乐播放器及3D游乐园、通过多轮自检修复逻辑漏洞并交付无Bug结果。模型已在腾讯云TokenHub等产品上线,权重近期开源,金融与科研领域表现优异。

    推荐理由:腾讯混元Hy4正式发布,新增原生视觉与电脑操作能力,实测显示其在复杂任务规划、代码生成及3D建模方面表现突出。

  2. arXiv · 机器人与计算机视觉82

    基于潜在黎曼流匹配的几何锚定 3D 基础模型研究

    针对现有几何基础模型(如 VGGT)确定性操作且无法生成超出观测支持的合理几何结构的局限,本文提出在潜在空间直接进行流匹配的方法。该方法利用学习到的 3D 先验,无需显式表示(如高斯、网格或视频 VAE 潜变量),并通过黎曼流匹配尊重潜在空间的几何结构(零均值超球面乘积流形)。

    推荐理由:该方法在几何基础模型的潜在空间直接进行黎曼流匹配,无需显式表示即可生成合理的 3D 几何结构。

  3. arXiv · 机器人与计算机视觉78

    LPM:面向复杂降质的工业级生成式视频修复框架

    论文提出了 Large Processing Model (LPM),这是一个基于扩散模型的生成式框架,旨在解决用户生成内容中复杂的真实世界退化问题。该系统通过大规模数据工程、基础模型训练和高效推理的统一架构,实现了任意长视频的逼真且时间一致的修复。

    推荐理由:该工作提出首个工业级生成式视频修复模型,在快手生产环境处理约45%观看时长并降低20%码率。

  4. arXiv · 机器人与计算机视觉82

    基于流式第一人称 3D 手部动作预测的操纵表征学习方法 SFHand

    论文提出 SFHand,这是一种首个通过流式第一人称 3D 手部动作预测进行表征学习的方法。该方法利用自回归架构从视频和语言指令中连续预测未来手部状态(包括手部类型、2D 边界框、3D 姿态及轨迹),并配备 ROI 增强记忆层以捕捉时间上下文。

    推荐理由:提出通过流式第一人称手部动作预测进行表征学习,开源了配套数据集与模型,在仿真及真实世界操作中均取得领先性能。

  5. arXiv · 机器人与计算机视觉78

    超越分割:为 ImageCAS 数据集增加窦口地标、根植中心线图及开放权重定位模型

    该研究针对现有公开冠状动脉窦口标注缺失或仅隐含的问题,为最大的公共冠状动脉分割数据集 ImageCAS(涵盖1000名患者)补充了精确的窦口标注与基于这些新地标生成的中心线图。

    推荐理由:该工作为最大的冠状动脉分割数据集 ImageCAS 补充了窦口标注与根植中心线图,并验证了开放权重模型在定位任务上的性能。

  6. arXiv · 机器人与计算机视觉83

    A Stochastic Latent Variable Generalization of Joint-Embedding Predictive Architectures

    该论文提出了 S-JEPA 模型,将联合嵌入预测架构中的辅助变量 z 从固定确定性 token 扩展为随机潜变量。通过训练时学习后验分布和推理时使用上下文条件先验分布,该方法在无需解码器和重建的情况下实现了掩码图像预测。研究结果表明,引入随机性不仅保持了与确定性 I-JEPA 相当的表征质量,还显著提升了错误相关的预测不确定性和生成结果的多样性,并输出了空间结构化的不确定性图。

    推荐理由:提出将辅助变量改为随机潜变量的 S-JEPA,在保持表征质量的同时提升预测不确定性估计与生成多样性。

  7. arXiv · 机器人与计算机视觉83

    Flex-RSI:前沿智能体在视觉与机器人任务中的递归自我改进基准

    Flex-RSI是一个针对视觉和机器人任务的智能体递归自我改进基准。该基准允许智能体在固定预算下利用反馈改进其解决方案及自身架构(包括提示词、工具和记忆)。评测涵盖感知、推理、机器人操作、3D重建等多个领域,发现当智能体构建自身解决方案时自我改进最有效,且编辑执行器本身对增益有显著贡献。

    推荐理由:Flex-RSI基准评测了智能体在视觉与机器人任务中的递归自我改进能力,发现编辑执行器本身对提升效果至关重要。

  8. arXiv · 机器人与计算机视觉82

    仅需少量梯度符号:视觉语言模型的少样本适应方法

    论文指出视觉语言模型少样本适应时梯度估计存在严重校准偏差,但小幅度梯度的符号仍具信息量。为此提出 SignSparseSGD 和 DynSignSparseSGD 两种无需维护状态、仅利用梯度符号的优化器。

    推荐理由:针对少样本适应中梯度估计噪声大的问题,提出无需维护状态且仅利用梯度符号的优化器,在多项基准上表现优异。

  9. arXiv · 机器人与计算机视觉82

    NanoVDB 引入动态 GPU 体素网格与体素顺序处理技术

    该论文在 arXiv 发布,介绍了对 NanoVDB 数据结构的两项基础改进:动态 GPU 原生拓扑更新和体素顺序访问范式。前者通过位并行算法实现了形态学膨胀、网格合并等动态操作;后者将活跃体素流式传输为线性序列,消除了树遍历需求。这些贡献打破了原有只读限制,使其适用于动态几何过程与仿真,并在三维重建、流体模拟等基准测试中进行了评估。

    推荐理由:原文介绍了动态拓扑更新与体素顺序访问范式,使 NanoVDB 成为动态 GPU 仿真的高性能主表示。

  10. arXiv · 机器人与计算机视觉83

    AR-Edit:无需反演的免训练自回归视频编辑方法

    该论文提出 AR-Edit 方法,通过分析 DMD 蒸馏的自回归视频扩散模型的自注意力动态,发现查询键稳定而值特征编码演化内容的不对称性。该方法仅需单次前向传播即可捕获源身份并缓存值特征,在去噪过程中选择性注入,从而在不依赖反演的情况下实现高保真流式视频编辑。

    推荐理由:提出无需训练与反演的视频编辑方法,利用自注意力机制特性实现流式实时编辑。

  11. arXiv · 机器人与计算机视觉82

    PoseRieFlow:面向全身文本到姿态生成的黎曼流匹配方法

    作者提出了 PoseRieFlow 框架,用于条件生成全身 3D 人体姿态。该方法直接在 SMPL-H 关节旋转的乘积流形上构建生成模型,利用黎曼测地线将样本从各向同性高斯先验传输至数据分布。

    推荐理由:该工作提出基于黎曼流匹配的紧凑框架,在保持手部细节的同时实现了全身姿态生成中最低的关节运动学误差。

  12. arXiv · 机器人与计算机视觉78

    CucumberVision 在边缘端的精度、吞吐与能耗:Jetson Orin Nano 与 Raspberry Pi 4 实测

    该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。

    推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。

  13. arXiv · 机器人与计算机视觉78

    YOLO 关键线检测:面向视觉起降的跑道感知方法

    针对关键点易受遮挡和截断的问题,本文引入物体关键线检测任务,预测每个实例的固定语义有序无限直线集。研究扩展 YOLO 以支持连续 Hesse-normal 形式的参数化输出,并定义物体关键线相似度(OKLS)作为评估指标与回归损失。在视觉起降的跑道感知实验中,该方法在四种线参数化方案中检测精度最高,且能直接集成到标准 YOLO 头中而不降低关键点性能或增加显著延迟。

    推荐理由:提出基于 YOLO 的物体关键线检测框架,在跑道感知任务中实现高精度且无额外延迟。

  14. arXiv · 机器人与计算机视觉83

    Trajectory Forcing:利用扩散轨迹实现长视频生成的自回归方法

    该论文提出 Trajectory Forcing (TraF) 方法,解决固定长度视频扩散模型向更长或流式视频扩展的问题。与仅使用前序预测块作为上下文不同,TraF 利用前序视频块的完整去噪轨迹作为条件。

    推荐理由:TraF 利用去噪轨迹作为上下文,在长视频生成任务上优于现有自回归扩散方法。

  15. arXiv · 机器人与计算机视觉78

    通过概念注入探测视觉语言模型的现实监控能力

    本文提出一种范式,独立变化图像内容与注入的概念方向,测试视觉语言模型能否区分所见图像与注入思想。实验显示,在六种 VLM 中仅有 Gemma-3-27B 能可靠识别注入概念,但报告来源仍不稳定;强注入或视觉路径激活常被误报为看见,且真实照片中注入物体出现在高达 87% 的普通描述里。该研究强调评估多模态自我报告需同时检查内容及其声称的来源。

    推荐理由:该研究揭示了多模态模型在区分注入概念与真实图像内容时的脆弱性,指出仅凭生成文本无法可靠评估其内部状态。

  16. arXiv · 机器人与计算机视觉78

    LEF-JEPA:用于空间表征学习的去噪训练潜在能量场

    针对联合嵌入预测架构(JEPA)难以清晰捕捉物体形状与边界的局限,本文提出 LEF-JEPA 方法。该方法通过目标引导的潜在恢复学习空间结构,并利用相对能量约束将监督转移至视觉编码器;能量模块仅在预训练阶段使用,推理时无额外开销。

    推荐理由:提出 LEF-JEPA,通过目标引导的潜在恢复与相对能量约束增强空间结构,在 CIFAR-10 预训练及冻结编码器评估中优于 V-JEPA2.1。