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 12 页

11月9日周一第 221–240 条
  1. arXiv · 机器人与计算机视觉76

    MESAM:通过语义 - 视觉记忆生成增强 SAM2 的少样本分割能力

    论文 MESAM 旨在利用 Segment Anything Model 2 (SAM2) 解决少样本分割任务中支持集与查询图像外观差异大的挑战。研究提出 Memory-Enhanced SAM2 方法,首先引入语义 - 视觉记忆生成模块构建查询语义、前景视觉及支持自适应记忆,随后通过交互式语义记忆细化模块补充细粒度细节并抑制背景误激活。

    推荐理由:针对 SAM2 在少样本分割中因外观差异导致记忆匹配失效的问题,提出通过语义 - 视觉记忆生成与交互式细化模块提升性能。

  2. arXiv · 机器人与计算机视觉78

    FANO:一种用于扩散模型逆问题的锚定前向噪声优化方法

    Shilong Han 和 Hongxia Wang 提出了 FANO(Anchored Forward-Noise Optimization)方法,旨在解决预训练扩散模型在图像逆问题中直接优化去噪器输入 $x_t$ 时出现的径向漂移现象。

    推荐理由:针对退火去噪器输入径向漂移问题,提出锚定前向噪声优化方法,在保持分布结构的同时提升非线性逆问题的重建性能。

  3. arXiv · 机器人与计算机视觉78

    利用自然天光进行鱼眼相机偏振校准的联合镜头 - 分析器方法

    针对鱼眼镜头效应和分析器不完美导致的偏振测量退化问题,作者提出了一种联合镜头 - 分析器校准方法,通过统一八参数公式显式建模入射角依赖的镜头透射率。该方法仅需手持户外序列即可估计相机帧间旋转并实现偏振校准,无需专用设备或预设天空模型。

    推荐理由:提出了一种仅需手持户外序列即可完成鱼眼镜头偏振校准的方法,无需专用设备或预设模型。

  4. arXiv · 机器人与计算机视觉78

    毫米波雷达人体状态感知受限因素分析:误差理论与策略评估

    针对烟雾、黑暗及隐私敏感环境下的机器人感知需求,本文提出将人与环境视为时变散射场的统一框架,并推导了基于带宽、孔径、信噪比等参数的联合定位误差理论下限(Cramer-Rao 型)。研究利用现有帧融合、多视角和姿态估计方法作为探针验证该理论,实验表明增加第二视角可将关节平均位置误差从约 97mm 降至 65mm,而更强估计器主要通过补全无法解析的关节来降低整体误差。

    推荐理由:该文建立毫米波雷达人体感知的误差理论下限,并通过实验验证不同策略对误差的影响方向与幅度。

  5. arXiv · 机器人与计算机视觉78

    VoluCompose:构建紧凑体素视觉表示以理解医学图像

    VoluCompose 是一种免训练、模型无关的框架,旨在解决处理完整医学体积图像成本高昂的问题。该方法将内容选择与 Token 预算分配解耦,利用双曲 Token 组合模块和容量控制模块优化视觉编码器的注意力分布。

    推荐理由:VoluCompose 提出免训练框架,在保留 22.78% 视觉 Token 时质量达未压缩参考的 121.68%,显著优于基线。

  6. arXiv · 机器人与计算机视觉78

    InstaGen:基于组共享重要性采样的快速视频生成

    论文指出扩散 Transformer 的二次注意力复杂度导致高计算成本,现有 Top-p 选择策略在高熵场景下样本效率低。作者提出 InstaGen,将块选择重构为重要性采样,用精确集合加加权样本替代原有方法,且每个查询簇共享一个样本以适配 GPU 高效执行。

    推荐理由:提出 InstaGen 方法,将块选择重构为重要性采样,在 Wan2.1-T2V 模型上显著降低计算成本并提升视频生成质量。

  7. arXiv · 机器人与计算机视觉78

    通过正负样本学习提升地理空间基础模型的标签效率以进行建筑损毁映射

    针对地理空间基础模型(GFM)在建筑损毁映射中标签稀缺的挑战,本文提出 PUMA 框架。该方法结合非对比式弱监督表示优化与基于隐状态的标签消歧技术,仅需少量受损建筑标注即可实现高效适配。实验表明,PUMA 在全球灾害基准数据集上有效且鲁棒,并在 2025 年洛杉矶山火真实场景中验证了其在高度受限监督下的损毁映射潜力。

    推荐理由:提出 PUMA 框架,利用少量标注实现地空大模型在建筑损毁映射上的弱监督高效适配。

11月6日周五
  1. arXiv · 机器人与计算机视觉78

    超越步态:基于毫米波点云的日常生活活动人员识别

    针对室内行走片段化导致步态识别受限的问题,该研究提出利用毫米波雷达点云进行日常生活活动(ADL)的人员身份识别。作者构建了包含七类核心 ADL 的 mm-ADL 数据集,并提出了双流静态动态 PointNet(DS-SDPNet)架构以捕捉空间形态与运动动力学特征。

    推荐理由:该工作提出 DS-SDPNet 架构,在毫米波点云上实现跨日常活动的身份识别,为稀疏雷达数据下的生物特征分析提供了新基准。

  2. arXiv · 机器人与计算机视觉82

    ReFlowSET:面向 SAR 至 EO 图像翻译的表示对齐潜在流匹配方法

    该论文提出 ReFlowSET 框架,旨在从合成孔径雷达(SAR)观测生成光电(EO)影像。针对现有方法依赖预训练自然图像编码器的局限,该方法通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练较小的条件 DiT。

    推荐理由:提出 ReFlowSET 框架,通过联合 SAR-EO 重构审计选择编码器,并在选定潜在空间从头训练条件 DiT,实现 SAR 到 EO 图像翻译的最先进性能。

  3. arXiv · 机器人与计算机视觉78

    模拟视角的几何:在 Qwen3-VL-8B-Instruct 中解耦表征与行为

    该研究调查了 persona-conditioned visual interestingness 在 Qwen3-VL-8B-Instruct 中的表征几何,发现早期层主要编码图像身份,而特定人物结构出现在深层。提示词框架对内部表征的重塑作用强于人物身份,但人物内容对行为判断影响更大,表明表征距离不一定反映行为相关性。

    推荐理由:揭示了多模态大模型中表征几何与行为判断的解耦机制,为理解模拟视角的内部运作提供了新证据。

  4. arXiv · 机器人与计算机视觉78

    EDGAR:通过合成失败驱动的高效扩散高斯头像 refinement 方法

    EDGAR 是一种条件扩散框架,旨在修正高斯头像重建中的模糊、拉伸等伪影并保持身份保真度。该方法构建混合数据集 EDGAR-SET,利用自监督 Sapiens 模型提取特征注入一步扩散骨干网络,并采用专家混合架构处理不同退化类型。实验显示其在感知和重建指标上优于原始输出及基线方法,且具备跨视角一致性和极端姿态鲁棒性。代码已开源。

    推荐理由:该工作提出利用合成失败案例训练扩散模型以修复高斯头像重建中的伪影,代码已开源。

  5. arXiv · 机器人与计算机视觉78

    ManimCode:面向教育动画生成学习的视觉自我修正

    ManimCode 是一个针对教育动画生成的数据与训练框架,旨在解决渲染后存在的视觉缺陷、解释缺失或内容错误问题。研究构建了包含 24,034 条经过渲染验证和过滤的 ManimData 数据集,记录了中间程序、执行错误及修正轨迹。

    推荐理由:该工作提出 ManimCode 框架,利用渲染反馈数据训练单模型实现教育动画的视觉自我修正与代码迭代。

  6. arXiv · 机器人与计算机视觉78

    分层增量 Beta Splatting 用于在线三维重建

    该论文提出分层增量 Beta Splatting(HIBS)方法,将 Beta 核引入在线 3D Gaussian Splatting 以解决初始化差和细节缺失问题。利用几何可观测性和多视角深度一致性进行置信度感知生成,结合误差驱动的重新定位与 LOD 层级优化,在 Mip-NeRF 360 协议下提升 PSNR 最高 0.8 dB 并减少优化时间最多 40%。论文已接受至 WACV 2027。

    推荐理由:提出分层增量 Beta Splatting 方法,在在线重建任务中提升 PSNR 并缩短优化时间。

  7. arXiv · 机器人与计算机视觉78

    Aligning Policy Encoders with a Shape Teacher

    该论文提出一种训练时的形状教师对齐机制,利用预训练的 3D 形状特征作为图像策略编码器的对齐目标,将几何结构转移至纯图像接口策略中。在 LIBERO 基准测试中,该方法使物体和空间套件的政策收敛速度分别提升 4.7 倍和 5.6 倍,同时提高了任务成功率,且部署时无需依赖形状教师或深度输入。

    推荐理由:提出形状教师对齐方法,在 LIBERO 基准上加速策略收敛并提升成功率。

  8. arXiv · 机器人与计算机视觉78

    ProQuant:面向边缘多模态大模型的渐进式量化感知训练

    arXiv 论文 ProQuant 提出一种针对低比特多模态大语言模型(MLLMs)的权重 - 激活量化感知训练框架,旨在解决资源受限边缘设备的部署难题。该方法首先通过自重标方案对齐微调数据与预训练数据的分布,其次首创将多模态理解与语言建模能力解耦,利用渐进式块激活机制优先恢复多模态理解性能并引入视觉敏感因子识别关键层。

    推荐理由:提出针对低比特 MLLM 的渐进式量化感知训练框架,通过自重标与解耦机制显著改善 W4A8 精度下的性能。

  9. arXiv · 机器人与计算机视觉78

    通过上下文正则化交叉熵提升卷积网络的上下文偏移鲁棒性

    图像分类模型常因测试时上下文环境与训练期差异而性能下降,这种现象称为上下文偏移。本文提出一种新训练框架,利用空间特征归因引导模型更依赖物体相关特征而非背景线索。

    推荐理由:提出 ContrastiveCAMs 与 CR-CE 方法,通过抑制非因果上下文线索提升卷积网络在分布偏移下的鲁棒性。

  10. arXiv · 机器人与计算机视觉78

    FATE:面向无监督工业异常检测的故障感知迁移误差方法

    针对仅拥有正常样本的单类工业异常检测场景,该方法将冻结视觉 Transformer 的深度视为离散状态转移序列,利用层间余弦相似度定位 DINOv2 ViT-L 等模型中的四个关键故障线。

    推荐理由:提出基于冻结 ViT 层间故障结构的单类异常检测器,在 MVTec-AD 等基准上实现 99.75 AUROC。

  11. arXiv · 机器人与计算机视觉78

    基于视觉的轮式机器人自主导航集成开源栈

    该研究提出了一套面向轮式移动机器人的视觉自主导航开源栈,旨在有限传感与计算资源下整合感知、定位、规划与控制。系统连接了YOLOv8n检测、几何方向估计、RGB-D SLAM、轮惯状态估计及运动学感知规划,并通过行为树管理任务。

    推荐理由:该研究提供了一套面向轮式移动机器人的视觉自主导航开源栈,集成了YOLOv8n检测与RGB-D SLAM,在Jetson Orin NX上实现了低延迟感知,并公开了数据集与评估日志。

  12. arXiv · 机器人与计算机视觉78

    复活被丢弃的高分辨率特征用于 Transformer 基微小目标检测

    针对微小目标检测中高分辨率特征因计算成本高而被丢弃的问题,本文提出 ReDHF 框架。该框架包含跨尺度可变形融合、椭圆引导浅层监督及全尺度查询交互三个组件,在注入细粒度细节的同时抑制背景噪声。实验表明,ReDHF 在 AI-TOD-v2、VisDrone 和 SODA-D 等基准上均优于现有基线,尤其在微小和小目标检测任务中表现显著。

    推荐理由:提出 ReDHF 框架,通过跨尺度融合与椭圆引导监督复活高分辨率特征,在多个基准上提升微小目标检测性能。

  13. arXiv · 机器人与计算机视觉78

    旋转对 Token 不敏感:前馈几何 Transformer 后训练量化的一种结构准则

    论文提出 QMapAnything 框架,针对前馈 3D 重建模型中异质 Token 共享激活量化网格的挑战,证明传统的浮点保持旋转和平滑属于 Token-Blind 重参数化组,仅带来共模增益而保留相对 Token SNR。

    推荐理由:提出 QMapAnything 框架,证明旋转与平滑属于 Token-Blind 重参数化,结合统计量 Gamma 预测差异化偏差修正需求。实验显示 W4A8 精度接近全精度,W8A8 显存降低 2.2–3.1 倍且速度提升最高 3.1 倍,为资源受限边缘端部署前馈 3D 重建模型提供高效方案。