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 21 页

11月2日周一第 401–420 条
  1. arXiv · 机器人与计算机视觉78

    病理图像分割的因果依赖评分:一种基于受控干预的评估框架

    针对病理图像分割中模型过度依赖背景虚假相关的问题,本文提出了一种基于受控干预的因果依赖评分(CRS)指标。该方法通过设计作为隐式反事实干预的数据增强策略,量化模型预测对前景组织扰动与背景/域变化的相对敏感度。研究证明该框架能揭示标准 Dice 或 IoU 指标无法捕捉的行为差异,旨在为开发临床鲁棒的医学图像分割系统提供审计工具。

    推荐理由:提出因果依赖评分指标,通过受控干预评估病理图像分割模型对前景与背景的敏感度差异。

  2. arXiv · 机器人与计算机视觉78

    GRIT:文本丰富推理中针对视觉误读 token 的梯度掩码方法

    论文指出强化学习可验证奖励(RLVR)在文本丰富推理任务中存在正确但视觉误读(CVMR)现象,导致模型虽得正确答案却未真正理解图像。作者提出 GRIT 框架,利用 token 级注意力模式差异对视觉误读进行梯度掩码,提升推理准确性与 grounding 保真度。

    推荐理由:提出 GRIT 框架将视觉 grounding 引入 RLVR,缓解中间步骤误读问题,并配套发布 GRIT-Bench 评测基准。

  3. arXiv · 机器人与计算机视觉78

    DrawSplat:一种基于亚特兰大世界引导的隐式高斯 SLAM 框架用于室内重建

    该论文提出 DrawSplat 框架,旨在解决现有高斯 SLAM 在室内弱纹理、大面积平面及噪声深度场景下易出现位姿漂移和几何伪影的问题。方法采用类似绘画的流程:先通过点线联合跟踪构建显式结构布局,再利用亚特兰大世界(Atlanta World)的先验推断重力方向并生成可微正则项填充隐式神经高斯以获取高保真外观与连续几何细节。

    推荐理由:该工作提出基于 Atlanta World 先验的隐式高斯 SLAM,通过点线联合跟踪与结构采样解决室内弱纹理场景下的位姿漂移与几何重建问题。

  4. arXiv · 机器人与计算机视觉82

    Scout-Refine-Correct:教流模型自我修正其生成的样本

    论文提出 Scout-Refine-Correct (SRC) 训练配方,赋予流匹配生成器在推理时利用自条件信号进行样本修正的能力。该方法在每个采样步执行前瞻 rollout 并反馈估计值作为自条件信号,通过两种修正损失引导模型探索新样本而非坍缩到次优解。

    推荐理由:SRC 方法让流匹配模型在推理时通过自条件信号进行样本修正,无需外部验证器或奖励信号即可提升生成质量。

  5. arXiv · 机器人与计算机视觉78

    VoxLution:一种用于高保真室内场景生成的体素进化方法

    该论文介绍 VoxLution,这是一种基于粗到细(coarse-to-fine)的 Transformer 架构,旨在解决现有生成模型几何过于平滑的问题。该方法将高分辨率体素超分辨率建模为多分辨率稀疏体素网格上的序列问题,通过无训练、与分辨率无关的标记化方案编码八分体信息,并利用相邻块边界信息确保局部生成的连贯性。

    推荐理由:提出基于粗到细的 Transformer 方法,在标准基准上显著降低几何模糊度与生成差异。

  6. arXiv · 机器人与计算机视觉82

    ReVEAL:从多模态大模型中激发角色感知的潜视觉证据以进行推理视频目标分割

    论文提出了 ReVEAL 框架,旨在解决推理视频目标分割(ReVOS)任务。该方法将视觉证据令牌(VETs)引入视频推理过程,通过动态注意力层路由器聚合跨层的注意力,从而关联必要区域与目标、背景或干扰物的角色。

    推荐理由:提出 ReVEAL 框架,利用 MLLM 推理中的角色感知潜视觉证据引导分割模型,无需跨模型对齐。

  7. arXiv · 机器人与计算机视觉76

    Coarse3D:面向图像转三维的可控且忠实稀疏结构生成

    论文提出 Coarse3D 模型,旨在从任意非定位图像中生成可控朝向且几何忠实的体素结构,以解决现有方法在方向控制和二维至三维映射上的不足。该模型采用首帧锚定规范空间、双塔 DiT 架构及空间先验引导注意力机制三项设计,能够直接替换现有流程中的粗粒度阶段。实验表明该方法显著提升了稀疏结构质量并持续增强最终三维生成效果,达到当前最先进水平。

    推荐理由:提出 Coarse3D 模型解决稀疏结构生成中的方向控制与几何一致性难题,可替换现有流程的粗粒度阶段。

  8. arXiv · 机器人与计算机视觉78

    从评估到进化:图像编辑与图像模型进化基准

    针对真实世界图像编辑需协调多重视觉变换且聚合分数易掩盖局部失败的问题,作者提出 WeGenEditBench 基准(含 2,740 个实例和 148 种任务类型)及 WeGenEvoStudio 多智能体工具链。

    推荐理由:提出 WeGenEditBench 基准与 WeGenEvoStudio 工具链,通过细粒度评估驱动图像编辑模型的递归自我进化。

  9. arXiv · 机器人与计算机视觉78

    超越 CLIP:利用系统一决策模型进行校准后的(少样本)缺陷检测

    针对制造环境中收集大量缺陷图像困难的痛点,本文提出基于 Jev 和 Clef-Flash 两种结构化决策模型的框架,仅需每类两张参考图即可实现图像分类与检测。研究通过智能体自动优化引导文本描述,并将缺陷概率校准以提高可靠性。

    推荐理由:提出基于 Jev 和 Clef-Flash 的少样本缺陷检测框架,仅需每类两张参考图即可超越 CLIP,并提供校准方法与开源代码。

  10. arXiv · 机器人与计算机视觉82

    MotorSense:首个大规模配对视频与肌电信号的动作理解数据集

    针对计算机视觉模型仅依赖视觉后果而缺乏本体运动信号的问题,该工作提出了 MotorSense,这是首个大规模的双手肌电(EMG)与第一人称视频配对数据集。数据包含 100 小时无脚本操作中的同步视频、双手 EMG、IMU 及音频。

    推荐理由:该工作提出首个大规模配对视频与肌电信号数据集,通过跨模态预训练实现视听对齐,在动作识别等任务上超越传统自监督方法。

  11. arXiv · 机器人与计算机视觉78

    单标注多假设分割:基于语义 - 空间残差银行的方法

    针对单图像仅含一个标注却需覆盖多种有效掩码的挑战,研究提出语义 - 空间残差银行方法。该方法冻结经平衡分配训练的语义特征以保留结构分组,同时学习图像残差以捕捉局部边界与范围变化。在五个医学终点及 BSDS 数据集上验证了其在保持区域分组的同时提升对未见过标注的覆盖能力,并产生更多有用的独立掩码。

    推荐理由:提出语义 - 空间残差银行方法,在单标注约束下提升多假设分割的覆盖度与结构保持能力。

  12. arXiv · 机器人与计算机视觉78

    RADI3N:基于参数化 3D 控制的语义感知图像编辑框架

    arXiv 论文 RADI3N 提出一种针对部分级参数化 3D 控制的图像编辑框架,旨在解决现有扩散模型在几何密集型编辑中难以保持纹理与结构一致的问题。该方法通过 CS-ARAP 变形模块抑制部件边界处的旋转场不连续性,并引入无逆选择性纹理转移机制以消除高频位置偏差,支持跨图像的语义匹配。

    推荐理由:提出 RADI3N 框架,通过 CS-ARAP 变形与无逆纹理转移机制,解决参数化 3D 控制下的几何保真度与语义匹配难题。

  13. arXiv · 机器人与计算机视觉78

    让激光雷达决定看向何处:用于高效稀疏潜在世界模型的几何测量 Token 选择

    针对以视觉为中心的自动驾驶模型冗余编码天空、建筑等无关内容的痛点,提出 Geometry-Aware Token Selection (GATS) 方法。该方法利用 LiDAR 和雷达点投影在视觉骨干网络运行前筛选关键图像区域,使端到端计算量最高降低 18 倍。

    推荐理由:提出基于 LiDAR 几何的 Token 选择方法,在大幅降低计算量的同时提升规划相关场景的预测精度与安全性。

10月30日周五
  1. arXiv · 机器人与计算机视觉78

    CRF Loss 如何指导网络学习弱监督分割中的边界:DS-CRF 框架发布

    该论文提出 DS-CRF 框架,解决弱监督语义分割中 CAMs 与 SAM 边界融合导致错误的问题。方法将 CAMs 作为一元软伪标签、SAM 边界作为二元成对监督,在单阶段模型中实现。实验显示该方法在 MS COCO 数据集上达到 56.5% mIoU,成为基于训练方法的最新最佳结果。材料为 arXiv 预印本版本,未提及同行评审状态或具体开源代码仓库链接。

    推荐理由:提出 DS-CRF 框架,利用 CAMs 与 SAM 边界分别监督训练,在 MS COCO 数据集上取得基于训练方法的最高 mIoU。

  2. arXiv · 机器人与计算机视觉83

    CaC:一种基于层级时空聚焦的视频奖励模型

    论文提出 CaC(Concentrate and Concentrate),这是一种基于视觉语言模型的粗到细粒度异常奖励模型。该模型首先进行全局时间扫描以锚定异常窗口,随后在局部区间内进行精细的空间定位,最后通过结构化的时空思维链推理得出稳健判断。

    推荐理由:提出基于 VLM 的层级时空异常奖励模型 CaC,通过构建首个带细粒度标注的合成视频异常数据集及强化学习训练范式,在基准测试中提升精度并降低生成视频中的异常比例。

  3. arXiv · 机器人与计算机视觉82

    Gen-Searcher:首个搜索增强的图像生成智能体

    针对现有图像生成模型缺乏实时知识与多跳推理能力的局限,本文首次训练了具备搜索能力的图像生成智能体 Gen-Searcher。研究构建了专用数据管道与两个高质量数据集(Gen-Searcher-SFT-10k 和 Gen-Searcher-RL-6k),并引入 KnowGen 基准以评测搜索 grounded 的外部知识能力。

    推荐理由:作者提出首个搜索增强型图像生成智能体,开源数据集与基准评测,为知识密集型场景提供新方案。

  4. arXiv · 机器人与计算机视觉78

    Rotation Equivariant Mamba for Vision Tasks

    针对现有视觉 Mamba 模型缺乏旋转对称性设计导致对图像旋转敏感的问题,本文提出了 EQ-VMamba,这是首个具备旋转等变性的视觉 Mamba 架构。该架构通过精心设计的旋转等变跨扫描策略和群 Mamba 块,在 p4 旋转群下实现了端到端的旋转等变性。

    推荐理由:EQ-VMamba 架构引入旋转等变先验,在保持参数效率的同时提升视觉 Mamba 模型的旋转鲁棒性与泛化能力。

  5. arXiv · 机器人与计算机视觉78

    联邦训练是否降低可解释性?集中式与联邦式深度伪造检测的 Grad-CAM 忠实度对比分析

    该论文系统研究了联邦学习对深度伪造检测模型解释性的影响。研究在 FaceForensics++ 数据集上评估 EfficientNet-B4 检测器,发现联邦模型的解释质量与数据异质性呈非单调关系:在接近独立同分布及中等异质条件下,联邦模型的解释忠实度不低于集中式基线;但在极端异质性下,解释完全失效且因果误导。研究提供了识别安全部署边界的实用指导,并开放了代码与数据分区以供复现。

    推荐理由:研究揭示联邦学习在深度伪造检测中解释性随数据异质性呈现非单调变化,极端异质下梯度解释失效。

  6. arXiv · 机器人与计算机视觉78

    Unlimited OCR 2:通过稀疏注意力实现超长文档解析

    论文提出了 Unlimited OCR 2 模型,利用稀疏参考滑动窗口注意力(SR-SWA)将活跃参考 token 限制在固定容量内,从而在任意长度的文档上维持恒定的计算成本。

    推荐理由:该工作提出稀疏参考滑动窗口注意力机制,在保持计算成本恒定的同时实现超长文档解析,并发布了新的评测基准。

  7. arXiv · 机器人与计算机视觉78

    用 JEPAs 证明并改进柏拉图表示假设

    Randall Balestriero 和 Yann LeCun 提出柏拉图表示定理,证明联合嵌入预测架构(JEPAs)在良视条件下学习到的表示收敛于同一空间。

    推荐理由:该工作将多模态对齐猜想转化为定理,证明 JEPAs 在良视条件下收敛于同一表示,并揭示语言模型仅靠规模对齐的机制。