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 26 页

10月27日周二第 501–520 条
  1. arXiv · 机器人与计算机视觉78

    Rethinking Data Imbalance in Class Incremental Surgical Instrument Segmentation

    该论文针对手术器械增量分割中因数据不平衡导致的灾难性遗忘和偏差问题,提出了 SurgCSS 框架。该方法通过生成背景、类感知融合及对比学习损失来平衡分布并修正边缘偏差,同时动态融合新旧模型权重以优化性能。作者构建了新的基准数据集并进行实验验证,结果显示该框架在现有基线基础上有显著改进。

    推荐理由:针对手术器械增量分割中的数据不平衡问题,提出 SurgCSS 框架与基准。

  2. arXiv · 机器人与计算机视觉82

    PosePlaner:通过成对平面几何去噪任意前馈位姿预测器

    论文提出 PosePlaner 方法,利用流匹配技术恢复对应关系与位姿之间的经典耦合,将位姿精修视为条件生成问题,输入粗略几何匹配和初始位姿以融合假设并输出单一精修估计。该方法在双视图数据上高效训练,可作为无需重训练的周期性精修器服务于流式多视图位姿估计器,实证显示其能纠正前馈预测器的失败、显著改善基于对应关系的求解器并减少长序列累积漂移。材料已获 NeurIPS 2026 录用,属于预印本状态。

    推荐理由:论文提出 PosePlaner,利用流匹配将对应关系与位姿解耦,作为无需重训练的周期性精修器,可纠正前馈预测失败并降低长序列漂移。

  3. arXiv · 机器人与计算机视觉78

    从 Sentinel-2 到 1 米影像:基于视觉自回归模型的现实世界×10 跨传感器超分辨率

    该研究针对 Sentinel-2 重访影像与高分一号(Jilin-1)1 米参考影像间的十倍跨传感器超分辨率难题,构建了包含 1.15 万对地理匹配场景的基准数据集。

    推荐理由:提出 CrossVAR 模型,在 Sentinel-2 与 Jilin-1 卫星数据间实现十倍跨传感器超分重建。

  4. arXiv · 机器人与计算机视觉84

    文字重要吗?文本对少样本与全样本视觉语言异常检测的贡献分析

    该论文通过理论证明与跨七个医疗数据集的实验表明,在少样本和全样本设置下,视觉语言异常检测器的性能仅取决于提示词向量的有效尺度(scale)和排列方式,而非其语义内容。研究证实,只要保持锚点向量差值的长度一致,替换文本不会改变概率图;打破尺度匹配会引入性能差距,而恢复该尺度即可消除差距,无需依赖具体文本含义。

    推荐理由:研究证明少样本与全样本异常检测器仅读取提示词的尺度与排列,而非语义内容。

  5. arXiv · 机器人与计算机视觉78

    GRASP:无需推理标注的医疗视觉问答混合后训练方法

    针对医疗视觉问答(VQA)数据稀缺且缺乏推理标注的问题,本文提出 GRASP 方法,将强化学习与监督微调结合于每次更新中,利用 RL 探索模型自身推理并由 SFT 提供金标准答案进行直接监督。该方法仅微调约 1% 参数,在 Qwen3-VL-8B、InternVL3-8B 和 Gemma 3-4B 等模型上均优于对比基线。论文开源了包含 12.9K 短答案问题的 MedTerse 数据集及代码。

    推荐理由:提出 GRASP 方法,结合 RL 探索与 SFT 监督解决医疗 VQA 数据稀缺且无推理标注的难题。

  6. arXiv · 机器人与计算机视觉78

    无证据下的确信:视觉锚定对医疗视觉 - 语言模型判决稳定性的影响无关紧要

    该论文研究了医疗视觉 - 语言模型在缺乏诊断图像时维持正确诊断的能力,并测试了这种‘无锚定’状态是否会导致模型结论更脆弱。研究者在意大利国家考试题目上进行了图像替换实验,施加两种对抗压力(L4 和 L1),发现无论有无真实图像,模型推翻自身判决的比例差异极小且方向相反。

    推荐理由:该研究通过对抗性压力测试发现,医疗视觉语言模型在缺乏图像证据时仍能维持诊断结论的稳定性,表明‘确信度’无法作为判断模型是否真正利用视觉信息的可靠信号。

  7. arXiv · 机器人与计算机视觉78

    无锥无对偶:一种快速可扩展的非刚性结构从运动求解器

    该论文提出了一种无需昂贵 SDP 锥求解器和 ADMM 求解器的非刚性结构从运动(NRSfM)新方法。通过引入可微欧几里得校正和行极投影优化相机旋转,利用展开的谱近端求解器结合重排形状域的加权奇异值收缩进行形状估计。

    推荐理由:提出无需 SDP 锥求解器的快速 NRSfM 方法,在密集序列上实现最高千倍加速且保持精度。

  8. arXiv · 机器人与计算机视觉78

    通过边界排斥 MixUp 学习判别性原型的物体重识别方法

    针对物体重识别中类内变化大且类间相似度高导致的混淆难题,论文提出 PBR-ReID 框架。该方法利用可学习的原型与 DiNOv3 骨干网络联合优化,显式构建混淆身份间的边界代理,并通过边界排斥 MixUp(BRM)正则化将特征推离边界以增强判别性。实验在人与车辆重识别基准上表现优异,代码已开源。

    推荐理由:提出 PBR-ReID 框架,利用原型与边界排斥 MixUp 显式优化类间几何结构以解决重识别任务中的混淆问题。

  9. arXiv · 机器人与计算机视觉78

    基于截断 Lp 函数的鲁棒单参数点云配准方法

    本文提出一种名为 TLP 的新型点云配准方法,利用截断 Lp 函数为对应关系分配优先级分数以选择假设并优化模型。该方法仅需一个可调参数即可处理高离群率场景,并通过 GPU 并行化在数千个对应关系下实现亚秒级配准。公开基准数据集评估显示,TLP 精度优于现有单参数方法,且在三个数据集上超越两种常用多参数方法并保持具有竞争力的运行时间。

    推荐理由:提出仅需单参数调优的鲁棒点云配准方法,在公开基准数据集上精度优于现有单参数方法。

  10. arXiv · 机器人与计算机视觉78

    BoundedGS:面向高分辨率训练的内存高效 3D 高斯泼溅技术

    该论文提出 BoundedGS 方法,旨在解决高分辨率 3D Gaussian Splatting 训练中显存占用过高的问题。通过分离光栅化与投影的反向传播、限制活跃局部工作集以及优化缓存释放策略,该方法在固定约 600 万高斯数量的条件下,将渲染工作集从 9.97GB 降低至 1.76GB(降幅 82.3%),并将训练时间从 36.7 分钟缩短至 33.9 分钟。

    推荐理由:提出 BoundedGS 方法,在固定高斯数量下将渲染工作集从约 10GB 降至 1.76GB,同时缩短训练时间并保留重建质量。

  11. arXiv · 机器人与计算机视觉78

    FreezePlan:一种基于空间冻结与步长缓存的扩散模型加速方法

    该预印本提出 FreezePlan 方法,通过冻结已收敛特征与缓存平滑区域实现推理加速,在 Qwen-Image-2.1 上达到 5.05 倍速度提升且保持 PSNR 无显著下降。材料为 arXiv 预印本,未提及同行评审状态或具体开源仓库链接。

    推荐理由:该预印本提出 FreezePlan 方法,通过冻结已收敛特征与缓存平滑区域实现推理加速,在 Qwen-Image-2.1 上达到 5.05 倍速度提升且保持 PSNR 无显著下降。

  12. arXiv · 机器人与计算机视觉82

    Fovea-JEPA:克服 V-JEPA 的几何盲区以进行相机运动识别

    论文提出 Fovea-JEPA 模型,旨在解决联合嵌入预测架构(如 V-JEPA)在相机运动识别任务中存在的几何线索缺失问题。研究指出 V-JEPA 依赖语义线索而忽视几何证据,导致在某些运动类别上表现下降;通过引入几何导向的 VGGT 预测器并基于其误差构建干预伪标签,该方法实现了视觉与几何特征的自适应融合。

    推荐理由:针对 V-JEPA 在几何线索上的盲区,提出 Fovea-JEPA 通过弱监督干预融合几何特征,在多基准测试中显著超越现有基线。

  13. arXiv · 机器人与计算机视觉78

    基于 RGB-D 的移动端机器人实时行人轨迹预测:TrajMamba 模型

    针对移动机器人在动态环境中导航的短时段行人轨迹预测任务,该研究提出 TrajMamba 模型以解决传统方法中训练数据理想化与推理端传感器噪声之间的分布差异。模型采用单一路径处理姿态提取、深度反投影及平滑过程,利用堆叠双向 Mamba 块编码髋部中心速度并配合 GRU 头解码未来速度。

    推荐理由:该工作提出轻量级双向状态空间模型解决训练部署分布差异,在移动机器人上实现实时行人轨迹预测。

  14. arXiv · 机器人与计算机视觉82

    C3L:通过语义概念引导打破持续学习中的解释漂移循环

    该论文指出持续学习中存在‘解释漂移’现象,即模型在保持准确性的同时将注意力转向虚假相关特征。作者提出 C3L 方法,利用离线发现的类一致语义概念(如‘弯曲的喙’)作为正则化锚点,打破自指漂移循环并抑制背景虚假相关性。该方法无需人工标注概念集,采用全自动概念发现与空间定位,在五个基准测试和二十多个基线模型中展现出最先进性能。

    推荐理由:针对持续学习中的解释漂移问题,提出基于离线发现语义概念的 C3L 方法,打破自指循环并抑制虚假相关性。

  15. arXiv · 机器人与计算机视觉78

    RoboReason:通过可扩展数据生成增强机器人相关 VLM 的推理能力

    论文指出将视觉语言模型(VLM)集成到机器人操作流程中时,真实世界评估困难且难以扩展。作者提出利用真实机器人上的立体和腕部相机图像进行空间与时间排序任务来评估视觉推理能力,具体包括基于语言描述的帧重排、按距离的物体深度排序以及像素坐标下的左右排序。

    推荐理由:提出基于真实机器人立体与腕部相机数据的可扩展生成管线,通过时空排序任务提升 VLM 在下游机器人任务中的推理能力。

  16. arXiv · 机器人与计算机视觉78

    基于机器人轮胎 - 表面交互的地面摩擦评估

    该论文研究了如何利用轮式移动机器人的车载测量来表征室内地面的摩擦特性并改善定位精度。研究通过控制速度剖面诱导车轮打滑,利用惯性传感与里程计的速度差异、响应延迟及频域特征对五种不同地面进行分类。

    推荐理由:原文提出利用轮体速度失配特征评估地面摩擦,在五种表面测试中达到 97.1% 分类准确率。

  17. arXiv · 机器人与计算机视觉82

    FreeView:一种从非精选视图进行稳健三维重建的训练即免框架

    针对从包含无关或非重叠视图的非精选图像集中重建连贯三维场景的挑战,该研究提出了 FreeView 框架。该方法无需人工校准或干净参考图,而是利用集合级共识自动识别代表性参考视图,并结合视觉与几何证据自适应地剔除干扰视图。实验表明,FreeView 在 VGGT 和 pi^3 等模型中均能保持高清洁视图保留率和干扰项拒绝率,有效支持从非精选视图进行可靠的三维重建。

    推荐理由:该工作提出无需人工校准的框架,利用集合共识自动筛选参考视图并剔除干扰项,提升了从非 curated 图像集重建 3D 场景的鲁棒性。

  18. arXiv · 机器人与计算机视觉78

    基于视觉语言模型嵌入的图像聚类研究

    João P. Matos-Carvalho 等人发布论文 Image Clustering with Vision-Language Model Embeddings,对比了九种表示管道在七个基准数据集上的聚类性能。

    推荐理由:该研究对比了九种基于预训练视觉语言模型的图像聚类流程,揭示了特征提取与归一化选择对调整兰德指数(ARI)的关键影响。

  19. arXiv · 机器人与计算机视觉80

    重新思考 AI 训练中的视频存储:打破跨帧依赖以实现高效随机访问

    论文指出现有视频存储范式针对顺序播放优化,导致 AI 训练随机采样时面临解码效率瓶颈。作者提出依赖感知稀疏解码与可选的离线解耦随机访问编码方案,通过重构解码调度与参考结构,将每个请求目标的重建限制在最多三个帧内,独立于 intra 周期。实验显示该方法在保持可比重建质量的同时,加载吞吐量是 LeRobot v3 的 1.45 倍,媒体负载减少 58.7%。

    推荐理由:针对大模型训练中视频随机采样导致的解码瓶颈,提出依赖感知稀疏解码与离线解耦编码方案,在保持画质的同时显著提升加载吞吐量并降低媒体负载。

  20. arXiv · 机器人与计算机视觉78

    PhaseBreak:一种针对未授权图生视频动画的主动时间域防护方法

    该论文提出 PhaseBreak 方法,旨在防止肖像照片被用于未授权的图生视频(I2V)运动合成。该方法通过在发布前对图像施加有界扰动,利用中间去噪器特征与清洁特征的时序重排匹配机制,在保持图像共享工作流的同时破坏下游运动生成能力。实验表明,受保护图像能诱导更大的短期运动变化和更低的时序规律性,从而阻碍基于释放图像的稳态运动定制。

    推荐理由:提出 PhaseBreak 方法,通过重排特征时序在保护肖像隐私的同时保持图像可用性。