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 19 页

11月3日周二第 361–380 条
  1. arXiv · 机器人与计算机视觉78

    Reconstruction as Spatial Evaluation:诊断大模型的跨视角空间智能

    论文提出 RECONSPATIAL 基准,利用真实多视角图像要求大语言视觉模型预测共享坐标系下的定向 3D 边界框,评估结构布局与度量精度两个维度。实验显示 GPT-6-Astra 等前沿模型在结构任务表现优异但度量重建存在显著差距,诊断分析表明仅靠关系一致性无法保证物理尺度准确,且几何误差会限制导航成功率。

    推荐理由:该基准通过多视角重建任务揭示大模型在相对结构与度量精度间的差距,并验证了空间微调的泛化能力。

  2. arXiv · 机器人与计算机视觉82

    对象检索并非无上下文:一种用于检测背景去除的反事实诊断方法

    本文针对对象中心检索管线中‘掩码背景后特征即代表物体’的假设提出质疑。作者引入 Keyhole Aperture Probe (KAP) 这一反事实诊断工具,利用现有泛分割数据集的真实掩码固定目标区域并仅变化外部像素,量化骨干网络的上下文依赖度。

    推荐理由:提出反事实诊断方法 KAP,揭示对象描述符仍依赖背景,并开源轻量适配器以在移除上下文时保持稳定性。

  3. arXiv · 机器人与计算机视觉78

    SurgQ-VLM:面向手术视频的问答模型发布

    论文提出 SurgQ-VLM 模型解决手术视频问答中时序证据丢失与答案结构异构难题。该模型采用问题感知的双流压缩器将视觉 Token 缩减 49 倍,并结合 GRPO 强化学习与答案类型感知奖励机制。

    推荐理由:提出 SurgQ-VLM 模型,通过问题感知的双流压缩与答案类型感知奖励机制,在手术视频问答任务上显著超越零样本基线。

  4. arXiv · 机器人与计算机视觉78

    计算机图形学代理系统进展:统一分类法与文献分析工具

    该报告针对计算机图形学中代理系统研究术语分散、难以系统理解的挑战,提出两项贡献:一是建立涵盖多样化任务的代理系统统一分类法;二是开发辅助人类研究者大规模分析现有及新发表论文的代理文献系统。基于此,报告分析了新兴研究趋势,并讨论了跨任务协调代理与工具、设计人机协作界面与表示、维持长程规划与细化以及可靠评估交互式图形系统等开放挑战。材料为预印本论文,未涉及具体产品发布或真实部署结果。

    推荐理由:报告提出计算机图形学代理系统统一分类法与文献分析工具,梳理多任务趋势并探讨人机协作、长程规划及评估等挑战。

  5. arXiv · 机器人与计算机视觉78

    Biological Congruence:跨表征的显微镜生成评估

    该研究引入生物一致性作为评估科学生成模型的原则,通过文本条件扩散框架联合生成显微镜图像和实例掩码。研究发现密度和融合度被一致保留,但形态学存在分歧,且强图像 - 掩码一致性可与较弱的条件控制共存。材料为预印本论文,未报告真实机器人部署结果或具体产品发布。

    推荐理由:提出生物一致性评估原则,揭示生成显微镜图像在形态与条件控制上的特征依赖行为。

  6. arXiv · 机器人与计算机视觉83

    Z-Cache:通过自反思加速扩散 Transformer

    针对扩散 Transformer 计算成本高且特征缓存会损害生成质量的问题,论文提出 Z-Cache 方法。该方法观察到全步计算后误差锐减的规律,设计为先预测未来缓存步骤的特征并执行全步计算,再基于前后计算结果回退修正预测,从而在维持高质量生成的同时实现加速(如 FLUX-dev 文生图任务达 6.22X)。代码已开源。

    推荐理由:提出 Z-Cache 方法,通过自反思机制修正特征缓存误差,在保持生成质量的同时显著加速扩散模型推理。

  7. arXiv · 机器人与计算机视觉78

    RCFormer:面向遮挡鲁棒的可靠性感知上下文 Transformer 用于面部关键点检测

    针对常规成像条件下面部关键点检测受遮挡、光照不足及大姿态变化影响的问题,本文提出 RCFormer 模型。该模型通过可见性加权全局摘要(VCC)、注意力引导的上下文聚合(VGCA)及空间残差修正(SRC)三个组件增强潜在补丁恢复的可靠性,并将恢复的热图作为结构线索输入现有检测网络。

    推荐理由:RCFormer 通过可见性加权与空间残差修正增强上下文恢复,在遮挡场景下提升面部关键点定位精度。

  8. arXiv · 机器人与计算机视觉78

    RIFT:一种基于残差感知的单步生成式视频压缩框架

    针对预训练流匹配模型难以适配编解码器退化轨迹的问题,论文提出 RIFT 框架以解决压缩依赖的方向失配。该框架引入残差几何诱导器(RGI),利用解码器可见的编码线索将预训练流预测转化为内容自适应的恢复更新,并整合时间步条件、全频段残差强度估计及方向增益调制。在三个公开视频压缩基准上的实验表明,该方法优于现有的生成式视频压缩方法。代码已开源。

    推荐理由:提出 RIFT 框架,利用解码器可见的编码线索自适应修正流预测方向与幅度,在三个公开基准上优于现有生成式视频压缩方法。

  9. arXiv · 机器人与计算机视觉78

    dKV Forcing:通过可微 KV Cache 分离生成与记忆表示

    论文提出 dKV Forcing 方法,旨在预训练因果视频生成器中从共享骨干网络学习专用的记忆表示。该方法利用未来读取来训练写入特定的低秩残差,将记忆写入与生成过程分离。

    推荐理由:提出 dKV Forcing 方法,通过可微缓存分离生成与记忆表示,在降低显存和训练周期的同时提升长视频生成的美学质量。

  10. arXiv · 机器人与计算机视觉78

    面向空中小目标检测的率 - 效用区域编码方法

    针对带宽受限的空中相机,传统基于阈值的感兴趣区域(ROI)编码易丢弃包含微小目标的低分区域。该方法提出率 - 效用区域编码(RUO),依据预期检测效用与比特成本的比值决定是否发送及质量等级,无需训练模型且解码仅需数毫秒。

    推荐理由:提出一种无需训练模型的区域编码方法,在带宽受限场景下显著降低小目标检测的比特消耗。

  11. arXiv · 机器人与计算机视觉78

    MoPort:一种面向运动的视感二维接口

    论文提出 MoPort,旨在让运动语言模型(MoLMs)直接处理单目视频的二维观测数据。方法引入成对视角对齐(PVA)和相机调制编码(CME),以解决从 2D 到 3D 的维度差距及视角变化带来的歧义。

    推荐理由:提出 MoPort 方法解决单目视频三维动作建模的视角与深度歧义问题,在 HumanML3D 等基准上优于现有基线。

  12. arXiv · 机器人与计算机视觉78

    See, Think, Use:诊断 VLM 感知与推理失败的协议

    作者提出 See, Think, Use 协议,用于追踪视觉语言模型的每个回答是源于感知、推理还是利用感知信息。该协议通过定位探针和文本替换探针测量“看”与“想”,并利用反事实图像对计算“用”的比率。在两个模型家族和六个数据集上验证显示,当模型回答违背常识先验时,强制其先进行定位可修复此类失败;按阶段分配计算资源能以更低成本接近最佳均匀策略。作者将开源代码、提示词及每问输出。

    推荐理由:该协议通过额外提问诊断 VLM 的感知与推理失败阶段,无需访问模型权重即可指导测试时计算分配。

  13. arXiv · 机器人与计算机视觉78

    Vocabulary Aligned Explanations for Computer Vision Models

    该论文提出了 FLUENT(Framework for Localized, Uncertainty-Aware Explanations in Normative Terminology)框架,旨在通过领域特定概念、视觉证据和专家知识来解释计算机视觉模型的图像分类结果。

    推荐理由:提出 FLUENT 框架,将领域规则与模型预测结合生成可解释的视觉证据。

  14. arXiv · 机器人与计算机视觉78

    Context-Shielded Backdoor Attack against Large Vision-Language Models

    该论文揭示了大型视觉语言模型(LVLMs)在推理时使用视觉标记压缩时,传统后门会被激活而暴露风险。作者提出 StripWake 项目器仅后门方案,通过配对清洁监督与随机压缩视图并冻结良性教师对齐早期注意力,实现在全标记审计下保持低攻击成功率而在未见过的压缩器中高效触发,且无 CIDEr 损失。

    推荐理由:揭示大模型推理压缩会激活潜伏后门,提出 StripWake 方法在审计时保持休眠而在压缩后触发。

  15. arXiv · 机器人与计算机视觉78

    重审长视频生成中的历史上下文:Commit Forcing 方法提升一致性

    该研究指出在自回归视频生成中,用于去噪的历史上下文若直接参与提交编码会损害后续生成的主体一致性。作者提出 Commit Forcing 这一无需训练的规则,强制每个块仅读取前序块的 KV 缓存,形成链式依赖。实验显示该方法在 60 秒至 240 秒视频上均提升了质量与总分,盲测中主体与场景一致性胜率分别达 83.5% 和 82.9%。

    推荐理由:提出 Commit Forcing 训练规则,在长视频生成中通过限制历史上下文读取顺序提升主体一致性与质量。

  16. arXiv · 机器人与计算机视觉78

    UI-UG 2:基于细粒度监督与强化学习的移动端界面理解与生成模型

    论文发布 UI-UG 2,这是一个参数量为 4B 的多模态大语言模型(MLLM),旨在推进移动端界面的理解与生成功能。该模型构建了包含 RICO、VINS 等数据源的多元理解语料库,并采用前端对齐的 80 类两级界面分类法。

    推荐理由:该工作提出 UI-UG 2,通过前端对齐的细粒度监督与在线强化学习提升移动端界面理解与生成能力。

  17. arXiv · 机器人与计算机视觉78

    UniCaMo:统一相机与运动控制的视频扩散模型框架

    UniCaMo 是一个用于图像和文本生成视频的扩散模型框架,能够联合控制相机与物体运动。该方法基于参考图像、文本提示、稀疏 3D 物体轨迹及 3D 相机轨迹构建运动一致的输入噪声,结合参考衍生的噪声传播与新区域球高斯噪声表示,无需重建未观测场景几何即可提供有效的运动先验。

    推荐理由:提出无需修改架构的联合相机与物体运动控制框架,通过轻量微调实现视频扩散模型的先进运动可控性。

  18. arXiv · 机器人与计算机视觉78

    SceneBound:流式三维重建模型应记住多少?

    论文提出 SceneBound,一种无需训练的规则,用于决定流式三维重建模型何时写入关键帧。该规则仅在预测相机位姿距离所有存储的关键帧超过固定半径时写入,使关键帧数量与访问位姿的覆盖数成常数倍关系。在 CUT3R 和 StreamVGGT 等模型的循环状态或 KV 缓存中,该方法实现了评估的训练免费规则中的最低平均轨迹误差,且关键帧增长仅占 3% 至 6%。

    推荐理由:提出无需训练的 SceneBound 规则,通过几何覆盖数控制流式三维重建模型的记忆量与漂移。

  19. arXiv · 机器人与计算机视觉78

    视频推理中 Best-of-N 验证器的选择增量与解题能力分离研究

    针对长视频复杂问答任务,文章指出标准 Best-of-N 流程的头号指标混淆了验证器的选择增益与自身解题增益。研究在五个基准上测量了选择增量(SI),发现弱验证器主要依赖候选答案提升,而强验证器则能超越多数投票;同时揭示了部分弱验证器存在按选项列表位置而非视频内容选择的失败模式。代码已开源。

    推荐理由:文章分离了验证器在 Best-of-N 流程中的选择增量与自身解题能力,揭示了弱验证器依赖候选答案而强验证器超越多数投票的规律。