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 17 页

11月4日周三第 321–340 条
  1. arXiv · 机器人与计算机视觉82

    ReconDreamer#:面向动态驾驶场景的重建与生成的自进化闭环协同方法

    针对动态驾驶场景中生成数据与现实观测差距大的问题,论文提出 ReconDreamer# 框架,实现重建与生成的自进化闭环协同及基于几何先验的自适应地面建模。在 Waymo、nuScenes 等基准测试中,该方法显著提升了三维表征能力:Waymo 数据集上横向偏移 6 米时,NTA-IoU 和 NTL-IoU 分别提升 8.8% 和 3.0%,FID 降低 15.1%。

    推荐理由:提出自进化闭环框架,通过生成与重建模型互促提升动态驾驶场景的三维表征能力。

  2. arXiv · 机器人与计算机视觉78

    共现先验压倒视觉空间证据:理解 VLM 在建筑被撞击危险检测中的误报

    该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。

    推荐理由:研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。

  3. arXiv · 机器人与计算机视觉78

    点云分类的统计鲁棒性基准:我们仍需要旋转不变架构吗?

    该研究对 10 种点云架构进行了跨域基准测试,发现旋转不变架构在姿态鲁棒性上表现最佳,但在噪声鲁棒性上排名较低。作者重新训练了所有模型并验证了简单的不变性损失能有效提升遮挡和 LiDAR 噪声下的准确率,且标准骨干网络在全球旋转下仅存在角度无关的精度偏移。材料提供了用于分析点云鲁棒性和复现结果的基准包与工具。

    推荐理由:该基准通过统计假设检验对比了旋转不变架构与标准骨干网络在姿态、噪声和遮挡下的鲁棒性,并验证了简单的不变性损失可提升特定扰动下的准确率。

11月3日周二
  1. arXiv · 机器人与计算机视觉82

    基于梯度强化学习的分布匹配蒸馏引导:GDMD 框架

    论文提出 GDMD 框架,通过优先优化蒸馏梯度而非原始像素输出来重新定义奖励机制,解决了传统扩散蒸馏在少步生成中牺牲质量的问题。实验显示,该方法使 4 步模型的质量超越多步教师,并在 GenEval 和人类偏好指标上显著优于现有 DMDR 结果。

    推荐理由:提出 GDMD 框架,利用梯度强化学习解决蒸馏与采样速度冲突,在少步生成任务上超越多步教师及现有 DMDR 方法。

  2. arXiv · 机器人与计算机视觉82

    IMPose:面向交互式多人姿态标注的闭环修正传播方法

    针对多人视频姿态标注中稀疏人工修正易导致跨身份位置不可靠的问题,论文提出 IMPose 框架。该方法将传播的修正视为几何先验而非最终预测,利用目标帧视觉证据进行解码器修正,并结合关键点感知的身份状态保持对应关系,形成闭环时序修正机制。

    推荐理由:提出 IMPose 框架,通过闭环修正传播解决多人姿态标注中的身份歧义问题,在 PoseTrack21 数据集上显著提升了稀疏修正下的跟踪精度。

  3. arXiv · 机器人与计算机视觉82

    视频扩散模型的早期故障检测与干预方法

    针对文本到视频扩散模型在推理阶段难以预判生成成败的问题,作者提出了一种实时检测(RI)模块与分层早期退出干预流程。该方法将潜在空间特征转换为中间视频预览以进行对齐评分,并在检测到失败时触发干预,相比事后重试可节省高达 2.64 倍的时间开销。

    推荐理由:提出实时检测与早期干预机制,显著降低视频生成失败重试的计算开销。

  4. arXiv · 机器人与计算机视觉82

    SuRe:一种抑制图像引导风格化中语义泄露的时序感知键值调节框架

    针对现有图像引导零样本风格迁移方法因自注意力机制导致语义信息从风格图泄露的问题,本文提出 SuRe 框架。该方法通过打乱价值向量以解耦风格键与值的原生对应关系,同时保留经验分布,并引入渐进式重耦合机制在风格化过程中逐步恢复对应性。

    推荐理由:提出 SuRe 框架通过解耦与渐进恢复 KV 对应关系,在扩散模型风格迁移中有效抑制语义泄露并提升内容相似度。

  5. arXiv · 机器人与计算机视觉82

    Look as You Leap:面向高自由度机器人的运动与感知同步规划方法

    该研究针对动态空间中机器人需持续感知环境的挑战,提出一种名为 PS-PRM 的 GPU 并行化概率路图规划器。该方法利用神经代理模型近似感知分数(如目标检测置信度),将其融入运动规划搜索过程,以解决运动与感知需求冲突及实时评估成本高的问题。实验表明,该规划器在静态和动态环境下的仿真及真实机器人实验中,均优于基于强化学习和轨迹优化的基线方法。

    推荐理由:提出 PS-PRM 规划器,利用神经代理模型近似感知分数并引入 GPU 并行,解决高自由度机器人在动态环境中运动与感知的联合优化难题。

  6. arXiv · 机器人与计算机视觉82

    FDSG:动态场景图预测新框架

    该论文提出 Forecasting Dynamic Scene Graphs (FDSG) 框架,旨在将场景图生成从图像扩展至视频,通过建模实体关系及其时间演化来解决现有方法无法显式处理时序动力学或假设静态标签的局限。

    推荐理由:提出 FDSG 框架,利用查询分解与神经随机微分方程预测未观测帧的实体标签、边界框及关系。

  7. arXiv · 机器人与计算机视觉78

    面向多源遥感数据的共享模式协作网络 SPCNet 研究

    针对多源遥感数据分类中难以联合建模长程依赖与异质模态共享空间模式的挑战,作者提出了共享模式协作网络(SPCNet)。该方法设计了引入共享大核算子与动态卷积分支的共享模式协作块以捕捉通用结构,并开发了区域自适应模态分配器进行特征融合。在 Houston2013、Augsburg 和 Houston2018 数据集上的实验表明其性能优于现有方法,代码将公开。

    推荐理由:提出共享模式协作网络解决多源遥感数据分类难题,代码将公开。

  8. arXiv · 机器人与计算机视觉82

    Parametric CAD Bench v3:基于文本与工程图纸的代理参数化 CAD 创作评估基准

    本文发布 Parametric CAD Bench v3,这是一个包含 100 个任务的基准,涵盖从文本生成 CAD、文本生成并编辑以及从工程图纸重建机械零件。

    推荐理由:该基准通过几何相似度与规范一致性评估代理生成 CAD 脚本的能力,并开放了任务、配置及结果工件。

  9. arXiv · 机器人与计算机视觉78

    标量平滑性仅是贝索夫谱上的一个点:一种新的模型响应度量方法

    针对现有 Lipschitz 常数或 Hessian 曲率无法捕捉真实扰动下模型响应变化的问题,本文提出有限差分粗糙度谱(finite-difference roughness spectrum),将标量平滑性与方向性曲率统一在贝索夫理论框架下。

    推荐理由:提出有限差分粗糙度谱理论,在图像分类与量化分配中验证了其对噪声鲁棒性与混合精度分配的改进效果。

  10. arXiv · 机器人与计算机视觉82

    Uni-LaSpec:面向视觉语言模型的负载自适应推测解码方法

    论文提出了 Uni-LaSpec 框架,通过复用验证器注意力机制和接受度感知训练优化草稿质量,并利用边际成本准则动态分配验证结构以适应不同 GPU 负载。实验显示该方法在六种视觉语言模型上平均保留超过 98.6% 的接受率,吞吐量提升最高达 5.11 倍,并在多种负载场景下优于固定验证策略。

    推荐理由:该工作提出负载自适应推测解码框架,在六种大模型与十七项基准测试中验证了其在不同 GPU 负载下的效率提升。

  11. arXiv · 机器人与计算机视觉78

    基于地球嵌入的自适应土地单元:一种低成本的无监督建模方法

    该论文提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元(约 320 倍减少),无需标签即可拟合全境。相比规则网格,新单元在匹配土地用途标签和作物声明时仅需其五分之一到四分之一数量的单元格;相比直接对卫星图像聚类,达到相同纯度所需的单元数减半。

    推荐理由:该研究提出利用 AlphaEarth 嵌入进行无监督自适应聚类,将丹麦 4.02 亿像素压缩为 127 万个单元,显著降低计算成本并支持全境建模。

  12. arXiv · 机器人与计算机视觉78

    作物映射评估下的采样偏差研究:一种基于加权预测赋能推断的校正方法

    政府机构常用作物图估算产量并制定政策,但验证标签常存在采样偏差(如只标注路边地块)。本文提出利用卫星嵌入估计权重的预测赋能推断(PPI)方法,结合未标记点预测与带权重标签误差进行修正。在五个欧洲区域实验中,该方法将最大评估误差从 0.18 降至 0.07;在肯尼亚无参考标签数据上,将路边数据集的宏观 F1 估计值从 0.93 校正至 0.61。代码已开源。

    推荐理由:针对作物图评估中的采样偏差问题,提出基于卫星嵌入的加权预测赋能推断方法,在五个欧洲区域将最大误差从 0.18 降至 0.07。

  13. arXiv · 机器人与计算机视觉78

    ReVA-HPE:基于合成姿态监督与个性化虚拟锚点的相对 6DoF 头部姿态估计

    论文提出 ReVA-HPE 方法解决单目头部姿态估计问题,将任务定义为相对于锚点图像的几何变化估计。该方法通过从单张未标注注册图像重建个性化 Avatar 并渲染已知姿态的虚拟锚点库来消除对真实锚点姿态的需求,利用多锚点共识提供鲁棒的旋转假设,并通过地标 PnP 处理平移分支。

    推荐理由:该方法利用合成数据训练实现单目人脸相对 6DoF 姿态估计,无需真实标注即可达到 SOTA 旋转精度。

  14. arXiv · 机器人与计算机视觉82

    Visual-to-Executable Procedural Reconstruction of Buildings

    Zichong Zhu 等人提出了 Visual-to-Executable Procedural Reconstruction of Buildings 方法,旨在从野外图像中恢复可执行的程序化建筑描述以生成可编辑的 3D 资产。

    推荐理由:该工作提出从单张图像恢复可执行的 CGA 程序以生成建筑资产,为从非结构化数据构建编辑型 3D 模型提供了新路径。

  15. arXiv · 机器人与计算机视觉78

    当优化遇见人类意图:以人为中心的扩散模型优化综述

    Renye Yan 和 Jikang Cheng 发表了一篇关于扩散模型优化的综述论文,指出当前优化主要依赖美学等可量化目标,往往无法准确对齐多维、动态的人类真实意图。文章系统分析了人类意图如何转化为优化目标并影响生成行为,讨论了自动化指标与用户主观判断之间的差距,旨在为面向人类偏好的个性化生成系统设计提供理论参考。

    推荐理由:文章系统分析了人类意图在扩散模型优化中的表达与对齐问题,指出了现有指标与真实用户判断的差距。