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 33 页

10月20日周二第 641–660 条
  1. arXiv · 机器人与计算机视觉78

    OV-PEAR:面向未知工业物体的观测验证位姿尺度估计与重建

    论文提出了 OV-PEAR 框架,用于解决未知工业物体的 6D 位姿、尺度及操作就绪 3D 模型构建问题。该框架通过三阶段流程实现物体分割、外观感知视图检索与显式尺度搜索,并将多视角 RGB-D 证据反投影至物体规范坐标系以验证体素占用率,从而抑制幻觉并生成可信模型。

    推荐理由:针对未知工业物体,提出基于多视角观测验证的位姿尺度估计与重建框架,在真实机器人装配任务中实现高成功率。

  2. arXiv · 机器人与计算机视觉78

    无需学习目标:经典梯度作为 2D 高斯初始化的监督

    针对基于学习的图像高斯初始化成本高的问题,本文调查是否可用经典图像梯度替代 Instant GaussianImage 中的伪 PPM 目标。框架包含两条路径:免训练解析初始化结合概率提升与网格采样,平均 0.32 秒生成参数;神经网络初始化在 DIV2K 上利用在线 Sobel 监督训练,无需离线优化即可扩展至万图规模。

    推荐理由:提出用经典梯度替代昂贵的图像优化监督,提供免训练解析初始化与在线监督神经网络方案。

  3. arXiv · 机器人与计算机视觉78

    UniJev:在多模态系统一中分离准确率与校准的决策模型

    该论文介绍 UniJev 框架,通过共享头在文本、图像和视频上进行联合监督训练。研究发现监督决策模型能提升所有模态的准确率,而现有强化学习校准算法对视觉校准效果不一致且改变不大。

    推荐理由:提出 UniJev 框架与 Cora 方法,在联合训练中分离准确率校准并降低图像视频 ECE。

  4. arXiv · 机器人与计算机视觉82

    CorrCLIPv2:利用无标签图像进行开放词汇语义分割

    论文提出了名为 CorrCLIPv2 的统一免训练对象中心框架,旨在解决对比语言 - 图像预训练(CLIP)在开放词汇分割任务中受噪声类间补丁交互影响的问题。该方法通过解耦类间交互、利用自监督模型的空间相干特征计算注意力分数以减轻掩码不准确性,并设计细化机制同时增强空间细节与语义表示。

    推荐理由:该工作提出无需训练的 CorrCLIPv2 框架,利用无标签图像构建记忆库并集成多 CLIP 模型,在多个基准上实现开放词汇分割的新最先进水平。

  5. arXiv · 机器人与计算机视觉82

    CorrFlow:一种自修正的流匹配框架

    该论文介绍 CorrFlow,一个通过轻量级修正器复用流匹配中间信息的自修正框架。在直化流插值下,该方法利用基模型预测误差与速度残差的关系,学习预测残差修正并加到采样更新前,无需额外评估基模型。理论分析表明特征复用优于原始输入仿射预测器,且修正训练比继续训练基模型更能降低风险。实验显示在类条件图像生成、文生视频和图生视频中均提升了视觉质量与物理一致性。

    推荐理由:提出 CorrFlow 框架,利用轻量级修正器复用流匹配中间表示以改善生成质量与物理一致性。

  6. arXiv · 机器人与计算机视觉82

    从视图到世界:面向视觉语言模型的 3D 世界主动探索框架

    针对现有视觉语言模型在三维空间推理中受限于被动视角的问题,本文提出 View-to-World (V2W) 框架。该框架通过重建包含几何、相机姿态和语义的显式 3D 世界,使 VLM 能通过多轮交互主动获取空间证据进行推理。实验表明,该方法在不需训练的情况下显著优于基线,且经强化学习优化探索策略后达到最先进水平。

    推荐理由:提出无需训练的主动探索框架,将 VLM 从被动感知升级为基于 3D 世界的主动推理。

  7. arXiv · 机器人与计算机视觉82

    知识分流:一种用于可分解图像生成模型预训练的新范式

    针对大规模预训练模型中可迁移知识与任务特定知识纠缠的问题,本文提出知识分流(KDiv)范式。该方法在预训练前将随机初始化权重分解为秩一的知识单元,并组织成学习基因和尾部模块;通过连续的条件感知路由机制,在预训练过程中将跨条件的共享知识聚合到学习基因,而将条件依赖的变化导向尾部模块。实验表明,该模型在类、文本及图像条件下的生成任务中,能以与低秩适配方法相当的参数预算实现最强的平均下游性能。

    推荐理由:提出知识分流预训练范式,通过结构化权重分解实现生成先验与条件知识的解耦复用。

  8. arXiv · 机器人与计算机视觉83

    O-SCD++:通过递归证据融合实现无回放在线场景变化检测

    论文 O-SCD++ 提出一种无需回放缓存的在线场景变化检测方法,解决了原有方法在速度与精度间的权衡问题。该方法将参考场景表示为高斯泼溅图并固定不变,利用渲染器的反向传播直接更新新观测数据,仅需每高斯点两次标量递归即可完成多视角融合,避免了存储和重访历史观测。

    推荐理由:提出无需回放缓存的在线场景变化检测新框架,在保持因果性前提下将处理速度提升至每秒 25.6 帧并提升精度。

  9. arXiv · 机器人与计算机视觉78

    CRISP:一种用于低光视频增强的递归框架

    CRISP 是一种用于低光视频增强的递归框架,通过两帧架构利用时序上下文信息,并在训练中采用渐进式光照课程逐步提升亮度与色彩校正难度。该框架可选地融合冻结的 DINOv3 语义特征以辅助结构重建,无需微调基础模型。在 DID 和 BVI-RLV 数据集上的实验表明,CRISP 在多项指标上优于对比方法且保持了计算效率。

    推荐理由:该工作提出利用渐进式光照课程与冻结语义特征提升低光视频增强效果,为相关算法设计提供新参考。

  10. arXiv · 机器人与计算机视觉78

    Ghost Attack:用 19 世纪光学错觉欺骗 21 世纪生物识别系统

    该研究提出'Ghost Attack'攻击方法,利用低成本自由空间硬件和透明介质将高分辨率面部数据投射到物理三维空间,成功绕过现代人脸识别系统的匹配器、呈现攻击检测和变形攻击检测三个组件。

    推荐理由:论文提出利用 Pepper's Ghost 原理的'Ghost Attack',证明透明投影可绕过现代人脸识别系统的匹配与防御模块。

  11. arXiv · 机器人与计算机视觉78

    单步决策分数实现可调节阈值的快速医疗多模态大模型分类

    针对多模态大语言模型(MLLMs)回答二元临床问题时阈值固定且隐式的问题,本文提出一种方法:通过单次前向传播对 yes/no 概率进行重归一化以生成连续决策分数,从而无需重新训练即可根据临床需求调整阈值。

    推荐理由:该方法通过单次前向传播归一化概率,实现无需重训即可调整决策阈值,在多个医学影像数据集上提升了分类性能与推理速度。

  12. arXiv · 机器人与计算机视觉78

    预训练特征作为教师而非状态:用于视觉规划的紧凑潜在世界模型

    论文提出了 Anchor-WM 方法,利用预训练的 DINO 特征作为教师来学习紧凑的潜在状态,而非直接将其作为世界模型的状态空间。该方法通过动作条件化的动力学学习和仅用于蒸馏的训练头,在保留视觉信息的同时避免表示坍塌。

    推荐理由:提出用预训练特征指导学习紧凑潜在状态,在四个环境中实现最佳成功率并显著加速规划。

  13. arXiv · 机器人与计算机视觉85

    Time-JEPA:利用物理时间序列锚定视频世界模型

    论文 Time-JEPA 针对视频世界模型缺乏物理状态演化信息的不足,提出用低维时序对齐的物理量作为辅助监督信号进行微调。该方法在自动驾驶、机器人操作和人体运动等多个领域均提升了当前状态解码、多步未来预测及运动学重建性能,且在跨条件与变量分布偏移下表现更稳健。外部评估显示其能增强对物理异常及交互的敏感度,且方法可迁移至不同视频骨干网络。

    推荐理由:该工作提出用低维时序物理量辅助监督视频世界模型,在自动驾驶、操作与人体运动等多域任务上提升状态解码与未来预测能力。

  14. arXiv · 机器人与计算机视觉78

    PhaseGuard+: 基于时序采样扰动的稀疏帧视频问答信任度学习与重观测策略

    PhaseGuard+ 提出一种无需微调即可评估稀疏帧视频语言模型答案可靠性的方法,通过控制时序偏移探测冻结 VLM 并预测修复动作收益。在 Qwen3-VL-8B 上可靠性 AUROC 从 68.0% 提升至 74.8%,将 30% 问题路由至更强模型后准确率达 67.87%,显著优于随机路由。

    推荐理由:PhaseGuard+ 方法在冻结 VLM 上独立评估答案风险与修复动作价值,显著提升了稀疏帧视频问答的可靠性与路由效率。

  15. arXiv · 机器人与计算机视觉76

    自监督投影头捕获物体共现统计规律

    该论文提出自监督学习 pretext task 隐含建模物体共现统计的假设。研究通过三个分割数据集验证发现:视觉骨干网络捕捉物体类别,而投影头专门编码类别间的共现关系,且在对齐人类相似度判断上优于骨干网络。控制预训练期间的共现模式可显著加速类别级表征的涌现。该工作揭示了自监督学习的一个隐藏原则,为设计更有效的 pretext task 提供了新路径。

    推荐理由:研究发现自监督预训练的投影头隐含编码物体共现统计,能加速类别表征涌现并优于骨干网络对齐人类判断。

  16. arXiv · 机器人与计算机视觉82

    当编辑意图被拆分:一种针对大型图像编辑模型的跨模态越狱攻击

    本文形式化了大型图像编辑模型中有害意图分布在多模态输入下的风险,提出 Split-Intent Jailbreak Attack (SIJA) 方法,通过将编辑指代放在文本而将关键安全动作隐藏在视觉语义中。

    推荐理由:该工作提出跨模态越狱攻击并构建基准,揭示大图像编辑模型在图文意图拆分时的安全隐患。

  17. arXiv · 机器人与计算机视觉78

    ContraSafe-VL:面向视觉语言模型的对比式安全偏好数据集发布

    作者发布了 ContraSafe-VL 数据集,旨在解决视觉语言模型在多模态安全对齐中视觉上下文监督不足的问题。该数据集为固定文本查询构建了对应的成对视觉情境以区分不同安全标签,并提供基于无害性与有用性的响应偏好对。实验表明,使用该数据集训练能提升跨模态安全识别能力并改善安全与过度拒绝之间的权衡,同时保留通用多模态能力。

    推荐理由:该数据集针对多模态安全对齐中视觉上下文监督不足的痛点,通过构建成对视觉情境与响应偏好对,直接指导模型平衡安全性与过度拒绝。

  18. Hugging Face Daily Papers82

    EgoXperience:基于人类经验的以自我为中心的世界 grounding 表示学习

    该论文提出 EgoXperience 全栈范式,旨在解决从第一人称视频中重构人类活动所需的运动、几何与手物交互一致性难题。核心包括自动标注引擎 EgoX-Engine,结合几何验证的目标跟踪与 SLAM 世界对齐;以及由此构建的 EgoX-Data-6M 数据集(50 小时室内外任务驱动数据)和评测基准 EgoX-Bench。

    推荐理由:该工作提出 EgoXperience 全栈范式,通过自研引擎构建百万级数据与统一模型,在单目视频下实现相机、场景及手物交互的联合度量重建。

  19. Hugging Face Daily Papers78

    RoAR-VAE:通过鲁棒预测提升潜在扩散能力

    该研究提出 RoAR-VAE 模型,旨在解决视觉分词器在保持图像保真度的同时优化下游扩散模型学习效率的问题。方法上,移除原有扩散目标与生成块,转而利用受损潜变量进行语义特征预测(RobustAlign)和清洁图像重建(RobustRecon)。

    推荐理由:提出 RoAR-VAE,通过鲁棒预测平衡重建保真度与下游生成学习性。

10月19日周一
  1. arXiv · 机器人与计算机视觉82

    手写文本识别存在于高像素方差子空间

    该研究提出在自监督预训练中,像素重建方法在手写文本识别任务上优于对比学习方法,因为判别信号集中在高方差方向。作者在六个基准数据集上测试了六种自监督学习(SSL)方法,发现基于像素的 SSL 在所有基准上均取得最低字符错误率(CER),且对标签效率更高。

    推荐理由:实验证明像素重建在自监督手写文本识别中优于对比学习,且高方差子空间对齐能预测性能。