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 3 页

11月17日周二第 41–60 条
  1. arXiv · 机器人与计算机视觉82

    LatentUM:通过潜在空间统一模型释放交错跨模态推理潜力

    论文介绍 LatentUM 统一模型,其核心创新在于将所有模态表示于共享语义潜在空间中,消除生成视觉状态时的像素解码中介,使内部推理更灵活高效。实验显示该模型在 Visual Spatial Planning 基准上达到最先进水平,通过自我反思提升视觉生成功能,并在共享空间内预测未来视觉状态以展示世界建模能力。代码与模型已开源,论文为 NeurIPS 2026 Oral 录用版本。

    推荐理由:该工作提出共享语义潜在空间的统一模型架构,消除像素解码依赖,在视觉空间规划基准上达到最先进水平并展示世界建模能力。

  2. arXiv · 机器人与计算机视觉78

    LoC-IN:基于神经渲染先验LiDAR地图的相机实时定位

    该工作提出一种实时方法,将相机定位到预采集的高精度彩色LiDAR点云内。通过从点云渲染合成视图并建立2D-3D对应关系,结合神经渲染技术缩小合成与真实图像的域差距,实现无漂移且具备正确度量尺度的全局跟踪。论文展示了Online Render and Match及Prebuild and Localize两种实时变体,在ScanNet++数据集上表现优于现有SLAM管线。

    推荐理由:提出基于神经渲染的相机实时定位方法,在ScanNet++数据集上优于现有SLAM管线。

  3. arXiv · 机器人与计算机视觉82

    AgriChrono:面向田间作物新视角合成的纵向数据集与基准

    针对田间作物重建中薄重叠结构与光照变化等挑战,作者发布了 AgriChrono 纵向油菜数据集及新视角合成(NVS)基准。该数据集包含约一个月内的 160 次采集会话、四路 RGB 流与两路深度图。

    推荐理由:该工作发布纵向油菜数据集与基准,并开源 AgriSplat 方法以解决薄重叠结构重建难题。

  4. arXiv · 机器人与计算机视觉78

    一种用于高效 3DGS 轨迹渲染的高斯基元数据管理框架

    该论文针对结构化 3D 高斯泼溅(3DGS)在轨迹渲染中存在的视图间重复解码与计算冗余问题,提出 GDM-GS 框架。该方法将锚点视为空间对象、视图视为范围查询,通过视图内空洞视锥体查询、跨视图共享物化以及 CPU/GPU 混合流水线平衡等三级策略消除冗余。实验表明,在大规模公开场景下,GDM-GS 显著降低了轨迹渲染延迟并保持了图像质量。

    推荐理由:提出 GDM-GS 框架解决 3DGS 轨迹渲染冗余,通过多级数据管理降低延迟并保留画质。

  5. arXiv · 机器人与计算机视觉78

    AUROC 比较在人群混合变化下的生存条件:理论与实证审计

    本文研究二元目标下固定评分在不同组别混合时的表现,证明通用优势判定是共 NP-难问题,并给出了网格近似证书与错误包络。实验显示,冻结的 ResNet-50 在 ImageNet-C 上多数比较稳健,但存在反转案例;对 Stable LM 2 12B 输出及不确定性方法的审计发现部分比较在任务内胜出却在混合时反转,边际秩对齐可消除这些反转。

    推荐理由:该文通过理论证明与实验审计,揭示了置信度评分在人群混合比例变化下发生反转的机制,为评估模型鲁棒性提供了新的分析视角。

  6. arXiv · 机器人与计算机视觉82

    Spectral Steering:冻结扩散生成器的局部逆向几何

    针对冻结扩散生成器需改变部分输出属性同时保持其他属性的需求,本文研究了条件引导的忠实性并引入局部逆修正以改善方向。该方法结合请求特定的余弦增益预测器与阻尼逆修正及固定时间重线性化,适用于有限编辑场景。

    推荐理由:该文提出光谱引导方法,结合局部逆修正与固定时间重线性化,在图像修复等任务中显著优于 Adam 优化器。

  7. arXiv · 机器人与计算机视觉82

    LogT:利用图像进行逻辑思考以支持视觉搜索

    论文提出 LogT(Logically Think with Images),一种全自动 SFT 数据生成引擎,旨在解决视觉语言模型在使用外部工具进行细粒度视觉搜索时的逻辑推理挑战。

    推荐理由:提出 LogT 全自动 SFT 数据引擎,通过逻辑链引导推理,在更少数据和算力下实现超越现有 RL 方法的性能。

  8. arXiv · 机器人与计算机视觉83

    Bring Back Language to Actions:通过参数合并恢复 VLA 模型中的 VLM 能力

    Vision-Language-Action (VLA) 模型在微调后常出现灾难性遗忘,导致原有视觉与语义理解能力下降。本文提出一种无需重训的参数合并方法,提取任务向量并通过奇异值分解控制保留的适应程度,实验表明该方法能同时保持动作预测和视觉语言能力,且表现优于现有基线。

    推荐理由:提出通过奇异值分解合并 VLM 与 VLA 参数,在不重训情况下恢复视觉语言能力并优于现有基线。

  9. arXiv · 机器人与计算机视觉76

    Seen but Unsaid:定位并修复视觉语言模型中的跨图像比较问题

    论文指出视觉语言模型在跨图像匹配点或物体时常失败,即便答案隐含在隐藏状态中。研究在 Qwen3-VL、InternVL3.5 和 Gemma-3 等模型上验证了两种失效机制:一是携带比较信息的注意力头未将答案读出,二是语义对应存在于视觉 token 但未传递至输出层。

    推荐理由:研究发现跨图像比较失败源于特定注意力头未读出答案,通过重分布注意力或微调查询键投影即可修复。

  10. arXiv · 机器人与计算机视觉82

    LynnReal-Hand:解锁手部控制的世界交互能力

    针对直接物体交互需要精细控制的挑战,本文介绍了 LynnReal-Hand 这一手控视频世界模型,统一了精确的交互建模与高效的流式生成。团队整理了涵盖真实与合成环境的 10 万条交互片段,开发了手部感知监督以改善细粒度动作;利用因果流图实现少步生成,并结合区域感知分数蒸馏融合视频与图像先验来优化交互动力学和视觉外观。

    推荐理由:该工作提出手控视频世界模型,通过因果流图与区域感知蒸馏提升交互精度,并开源数据集、权重及代码以支持相关研究。

  11. arXiv · 机器人与计算机视觉78

    VideoNexus:一种无需训练的长视频感知框架

    针对长视频理解中感知与推理上下文负担过重的问题,本文提出 VideoNexus 框架,将详细视频感知从证据驱动的规划与推理中解耦。该框架由规划器控制检查位置、分辨率及采样密度,感知子智能体在独立上下文中处理原生音视频并返回紧凑的时间锚定证据。

    推荐理由:该框架通过分离感知与规划,在降低推理上下文负担的同时提升了长视频理解准确率。

  12. arXiv · 机器人与计算机视觉82

    The Mask Is Not the Object:基于体积监督的 3D Gaussian 分割方法

    针对 3D Gaussian Splatting 现有分割方法依赖渲染视图导致被遮挡或低贡献 Gaussians 监督不足的问题,提出 VODA 插件式监督目标。

    推荐理由:提出 VODA 监督目标,利用局部深度结构直接监督被遮挡或贡献度低的 Gaussians,在 Removal-3D 基准上提升体积分割效果。

  13. arXiv · 机器人与计算机视觉78

    RAGE:基于流场的图像编辑中的残差自适应门控方法

    针对现有无逆推、基于流场的图像编辑方法在非编辑区域出现意外漂移的问题,本文提出将源保真度控制为随机最优控制问题,并导出残差门控原理。该方法在采样步中仅需轻量级门控插值,无需掩码估计、注意力图或架构修改,直接应用于 FlowEdit 类编辑器。

    推荐理由:提出残差自适应门控原理,在无需重训或掩码估计下提升背景保持能力。

  14. arXiv · 机器人与计算机视觉78

    多标签图像分类的源无关域适应:框架、基线与基准

    针对现有源无关域适应(SFDA)文献主要假设互斥类别的问题,本文建立了首个多标签 SFDA 基准,涵盖遥感、自然、剪贴画和驾驶等六个数据集的五项任务。研究证明简单扩展单标签方法不可靠,部分甚至无法提升性能;为此提出 MPACT 框架,通过重新设计原型构建与对齐目标,在各项指标上均表现最佳且是唯一在所有任务中优于源模型的方法。

    推荐理由:提出首个多标签源无关域适应基准,证明简单扩展单标签方法不可靠,并给出 MPACT 框架。

  15. arXiv · 机器人与计算机视觉78

    GRAZE:基于人类注视的未见物体无文本抓取合成

    GRAZE 是一种从人类注视而非物体名称或部位名称中生成手 - 物抓取运动的方法。该方法通过几何感知注视编码将注视射线映射为物体几何线索,并利用交叉注意力条件化扩散 Transformer。

    推荐理由:GRAZE 方法利用人类注视生成未见物体的抓取动作,在无需微调的情况下实现了优于文本基线的抓取成功率与泛化能力。

  16. arXiv · 机器人与计算机视觉78

    MetricHand:面向度量世界空间的 4D 手部重建的几何感知流匹配方法

    论文提出了 MetricHand,这是一个针对度量世界空间中 4D 手部重建的几何感知流匹配框架。该方法将手 - 物体交互区域的深度先验编码到关节关联表示中,结合视觉特征引导粗粒度度量估计并条件化时间生成步骤。

    推荐理由:该工作提出几何感知的流匹配框架,在度量世界空间重建手部运动,显著降低相机与绝对空间的误差。

  17. arXiv · 机器人与计算机视觉78

    vividRGB:一种用于 RGB 照片的强制聚焦注意力检测工具

    Masahiro Ryo 发布了 Python 实现 vividRGB(版本 0.1.0),这是一种编码器无关的推理时程序,通过放大重叠局部裁剪、平均逆对齐反射并在源坐标重建特征场来增强视觉线索。

    推荐理由:作者开源了强制聚焦注意力工具 vividRGB,在高分辨率生态图像中比直接编码或 SAM3 更优地保留 RGB 边缘细节。

  18. arXiv · 机器人与计算机视觉78

    sqrtVINS-Based 360 Visual-Inertial SLAM Systems: Hilti-Trimble SLAM Challenge 2026 Entry

    该报告描述了团队提交给 2026 年 Hilti-Trimble SLAM 挑战赛的参赛作品,在 SLAM 类别中获得第二名。系统利用提供的双鱼眼图像流和 IMU 测量数据,采用 sqrtVINS 前端结合 SuperPoint、ELSED 线段及 LightGlue 进行局部里程估计,并通过 GTSAM 后端执行紧耦合因子图优化与全局束调整,旨在处理暗光区域、重复走廊及动态物体等室内场景。

    推荐理由:报告提交于 ICRA 2026 SLAM 挑战赛并获得亚军,展示了基于 sqrtVINS 与深度学习特征融合的 360 度视觉惯性里程系统。