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 16 页

11月4日周三第 301–320 条
  1. arXiv · 机器人与计算机视觉83

    FloMo:将3D场景流作为世界动作模型的中间层以学习人类视频数据

    论文提出 FloMo 模型,这是一个经过微调的 5B 参数视频生成模型,旨在预测 3D 场景流(scene flow)和动作 token。研究论证了稠密 3D 运动是视频预训练向机器人动作迁移的最佳媒介,相比直接预测视频或联合预测,仅预测运动能提升样本效率并改善对未见物体、运动原语及任务的泛化能力。

    推荐理由:提出用稠密3D运动场作为视频预训练向机器人动作迁移的中间媒介,通过联合预测验证了该路径优于直接视频预测。

  2. arXiv · 机器人与计算机视觉78

    Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action

    论文提出一种基于 3D 几何抽象的接口,将机器人场景的空间推理从原始图像转移到文本和符号上。该方法利用校准后的 RGB-D 数据对物体部件进行类型化和证据感知的符号引用,并在每次动作后返回包含度量残差的紧凑文本检查点。

    推荐理由:提出通过几何抽象将空间推理从图像转为符号,减少多模态查询并提升多步操作成功率。

  3. arXiv · 机器人与计算机视觉78

    ProAlign:面向空天地行人重识别的渐进式位置与原型对齐方法

    针对无人机与地面监控摄像头图像间存在严重视角差异、遮挡及域间隙的挑战,本文提出 ProAlign 网络以解决层级特征提取中的累积位置漂移和跨视图语义不一致问题。

    推荐理由:提出 ProAlign 网络,通过分层位置校准与视图感知原型对比学习解决空天地 ReID 的位置漂移与语义不一致问题。

  4. arXiv · 机器人与计算机视觉78

    An Agentic Framework for Quality-Aware and Scenario-Adaptive Image Compression

    arXiv 预印本论文提出 Practical Image Coding Agents (PICA) 框架,利用四个协作智能体(感知、改进、编码、后编码)解决传统编码器难以适应多样化压缩目标及含退化输入的问题。

    推荐理由:提出 PICA 多智能体框架,通过感知、优化与后处理协同实现场景自适应图像压缩。

  5. arXiv · 机器人与计算机视觉82

    PATTS:面向并行多模态离散扩散大模型的感知测试时扩展思想图像生成方法

    该论文提出 PATTS 框架,针对并行多模态离散扩散语言模型中的推理与图像联合解码问题,利用模型内部轨迹诊断生成的状态相关可靠性权重来调节外部语义验证的影响。实验显示,在固定 N=32 的搜索预算下,该方法将 GenEval 分数从 0.628 提升至 0.844,优于无测试时扩展、Best-of-N 和 FKD 方法。论文已被 WACV 2027 接收,代码已开源。

    推荐理由:提出 PATTS 框架,利用内部轨迹诊断调节外部语义验证权重,在并行多模态离散扩散模型上实现 GenEval 分数从 0.628 提升至 0.844。

  6. arXiv · 机器人与计算机视觉78

    Learning Where to Look:面向图像思考的观察策略优化方法

    该研究针对复杂视觉问答中模型难以定位关键区域或获取充分证据的问题,提出 Observation Policy Optimization (OPO) 算法以优化工具增强的图像思考中的观察动作。

    推荐理由:针对多模态模型在图像思考中的观察动作优化难题,提出 OPO 算法通过不确定性引导分支与证据归因机制提升视觉推理性能。

  7. arXiv · 机器人与计算机视觉78

    MiCaDe:面向自动驾驶的在线激光雷达 - 相机失配变化检测

    MiCaDe 是一种无需标定靶或修改感知栈的在线方案,用于检测激光雷达与相机的外参是否发生漂移。该方法利用标准目标检测器生成的 3D 和 2D 边界框在正确标定下应保持几何一致性的洞察,通过匹配跨模态检测结果推导几何一致性指标,并将其聚合为固定大小批次以生成似然流。

    推荐理由:提出无需标定靶的在线外参漂移检测方法,利用跨模态检测几何一致性实现低误报率监控。

  8. arXiv · 机器人与计算机视觉78

    Phase-DGS:基于语义相位的非同步多视角视频动态高斯泼溅重建

    针对动态高斯泼溅(DGS)依赖完美时间同步的局限,本文提出 Phase-DGS 框架,用表征运动循环状态的语义相位替代传统时间戳,建立跨相机时空对应。该方法在丢帧、相机冻结及时间偏移场景下验证有效,相比基线提升 PSNR 最高达 8.5 dB,且能无缝集成 RealTime-4DGS 和 FreeTimeGS 等现有 DGS 骨干网络。论文已获 NeurIPS 2026 接收。

    推荐理由:提出用语义相位替代时间戳解决多视角视频不同步问题,在丢帧和冻结场景下显著优于基线且兼容现有 DGS 骨干网络。

  9. arXiv · 机器人与计算机视觉78

    MPath Mamba:一种用于 3D 点云语义场景补全的 Multi-Path Mamba 扩散网络

    该论文提出了一种名为 MPath Mamba 的新型神经网络框架,旨在解决自动驾驶系统中的 3D 语义场景补全任务。该方法结合了状态空间建模与基于扩散的生成方法,利用跳连三元组 Mamba 结构、维度分解残差和多路径数据中的多方向膨胀来高效处理长序列特征提取。

    推荐理由:该工作提出融合状态空间建模与扩散模型的 MPath Mamba 网络,在 SemanticKITTI 基准上实现了具有竞争力的 3D 点云语义场景补全性能。

  10. arXiv · 机器人与计算机视觉82

    BtsPruner:面向大视觉语言模型的基于角色感知的视觉 Token 剪枝方法

    针对大视觉语言模型推理时计算开销大的问题,本文提出 BtsPruner 框架,该方法无需训练即可通过识别视觉 Token 从局部细节到全局代表的角色演变过程进行剪枝。实验表明,在 LLaVA-1.5-7B 等模型上,仅保留 32 个视觉 Token(占总数 5.6%)即可保持 91.6% 的原始性能,并在高分辨率设置下实现最高 5.95 倍的 CUDA 延迟加速。

    推荐理由:提出无需训练的基于角色感知的视觉 Token 剪枝框架,在大幅减少输入 Token 数量下保持高性能并显著降低推理延迟。

  11. arXiv · 机器人与计算机视觉80

    超越 Token 表示:面向视频推理分割的显式视觉对象定位框架

    本文针对视频推理分割中现有方法依赖语义单调且空间模糊的分割 Token 的问题,提出了显式视觉对象定位框架。该方法利用多模态大语言模型生成并细化目标的边界框与点集提示,引入查询多样化模块从不同视角描述同一目标以缓解训练偏差,并结合基于关键帧的选择策略支持掩码解码。在八个数据集上的实验表明,该方法显著优于最先进方法。论文已被 NeurIPS 2026 接收,代码已开源。

    推荐理由:提出显式视觉对象定位框架,通过空间感知提示与查询多样化解决语义单调问题。

  12. arXiv · 机器人与计算机视觉78

    SphereFlow:通过超球面上几何传输进行缺失模态补全

    论文 SphereFlow 提出一种将不同模态投影至共享超球面潜在空间的框架,利用流匹配(flow matching)实现跨模态补全。针对标准高斯噪声源与单位范数数据流形不匹配及线性插值偏离球面的问题,作者通过替换噪声源为观测模态潜变量并采用时间加权损失函数进行几何修正。

    推荐理由:提出基于超球面几何传输的缺失模态补全方法,在医学影像翻译任务中实现最先进生成保真度并显著缩小与全模态基准的差距。

  13. arXiv · 机器人与计算机视觉78

    在无目标相机 -LiDAR 外参校正前进行审计的研究

    该预印本研究了在无目标条件下对相机-LiDAR 融合的外参变换进行校正后是否应被下游系统采纳的问题。研究在 Argoverse 2 合成漂移数据上评估了单帧与多帧对齐策略,发现单帧 Canny 对齐在轻度漂移下有害,而多帧对齐虽改善旋转但恶化平移且联合误差指标为负。

    推荐理由:该预印本通过日志分离协议评估了无目标外参校正的质量与递归风险,指出单帧对齐在轻度漂移下有害且联合误差指标为负,不支持将其作为可部署的校准门禁。

  14. arXiv · 机器人与计算机视觉78

    IGSW:基于内在解耦高斯泼溅的多天气城市场景重建

    论文提出了 IGSW 框架,旨在实现高保真的 4D 城市场景多天气编辑以支持端到端自动驾驶训练。该方法将背景高斯外观分解为共享反照率与法线及特定辐照度残差,并利用扩散模型生成的教师图像和内在映射提供软监督;第二阶段通过结构保持门控抑制不可靠区域并增强目标天气外观。

    推荐理由:提出 IGSW 框架,通过解耦高斯场景建模与结构保持的天气细化,解决了多天气编辑中的结构失真问题。

  15. arXiv · 机器人与计算机视觉83

    ReSMap:一种利用卫星先验增强鲁棒性的在线 HD 地图构建框架

    针对基于相机的在线 HD 地图系统易受传感器故障影响的问题,本文提出 ReSMap 框架,将离线缓存的卫星图像作为相机失效时的冗余互补源。该框架通过预测 - 融合模块和以物体为中心的跨模态查询解码器,利用各分支的置信度进行像素级可靠性加权并合并更新,无需学习路由网络。模型在 nuScenes 数据集的所有划分及范围设置下均达到最先进性能,特别是在相机故障场景下显著提升了鲁棒性。

    推荐理由:提出利用卫星图像作为相机失效时的冗余备份,在 nuScenes 数据集上实现包括相机故障场景在内的最先进性能。

  16. arXiv · 机器人与计算机视觉78

    Weather Adaptive Autonomous Driving:一种针对恶劣天气的相机目标检测自适应策略

    该论文研究了冻结的目标检测器如何在雨、雾、雪和沙尘等恶劣天气条件下做出部署决策。作者复现了基于 conformal risk control 的 SeqCRC 作为基线,发现单一全局阈值在雾天失效且误报率波动巨大(每图 1.6 至 117 个)。

    推荐理由:提出一种自适应阈值调节方法,在恶劣天气下平衡漏检与误报。

  17. arXiv · 机器人与计算机视觉78

    GroundSeek-CXR:一种用于多标签胸部 X 光诊断的回顾性评估引导主动观察框架

    针对胸部 X 光诊断中需识别细微病变及并发异常的挑战,本文提出 GroundSeek-CXR 框架。该框架通过回顾性诊断评估(RDE)对离线蒙特卡洛树搜索生成的观察与停止候选进行评分,并利用回顾性差距加权偏好优化(RGPO)学习基于最终诊断结果的偏好信号。实验表明,该方法在异常图像样本 F1 值上比即时分数偏好学习方法提升 4.48%。

    推荐理由:提出基于回顾性评估的主动观察框架,利用最终诊断结果优化局部区域选择与停止决策。

  18. arXiv · 机器人与计算机视觉78

    通过权重空间编程改进图像复原扩散模型:技术猜想与递归改进循环

    该论文提出一种无需梯度、成对数据或微调的权重空间编程(WSP)方法,旨在利用大语言模型直接编辑扩散模型的参数以改善图像复原质量。作者构建了包含去模糊、超分辨率等任务的精确回归场景,并提出了三项技术猜想:LLM 能在有限前向传播预算内定位质量缺陷层;对特定权重方向的小规模编辑可提升 PSNR 和感知质量;递归循环能累积增益形成最小化自提升(RSI)闭环。

    推荐理由:提出利用大模型在权重空间直接编辑扩散模型以改进图像复原质量的猜想,并设计了诊断 - 编辑 - 评估的递归自提升循环框架。

  19. arXiv · 机器人与计算机视觉82

    Sketch-Omni:首个基于草图的感知多模态大模型发布

    论文提出了 Sketch-Omni,这是首个专为处理草图而构建的感知多模态大模型(Perception MLLM)。该模型利用边缘检测技术将标注照片转化为类草图数据,并通过光导关系对齐训练,实现了从草图到照片的实例级定位。

    推荐理由:该工作构建了首个基于草图感知的多模态大模型,通过边缘检测与关系对齐技术实现了从草图到照片的实例级定位。

  20. arXiv · 机器人与计算机视觉78

    LiSA:用于长程视觉建模的线性随机注意力

    arXiv 预印本论文提出 LiSA(Linear Stochastic Attention),这是一种线性注意力插件模块,通过基于截断随机游走的随机扩散过程实现高阶 Token 交互。该方法具备自适应局部性以保留细粒度结构,并在分类、语义分割和目标检测任务上展示了优于最先进方法的实验结果。

    推荐理由:提出基于截断随机游走的线性随机注意力模块,在分类与分割任务上优于现有方法。