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 36 页

10月16日周五第 701–720 条
  1. arXiv · 机器人与计算机视觉85

    MSP:一种无需成对跨模态数据的多模态大模型训练方法

    该论文提出了 Modality Self-Play (MSP) 框架,旨在解决对齐多模态数据集昂贵且难以扩展的问题。该方法利用代理文本描述作为未见模态的语义桥梁,使模型在仅观测到真实锚点模态(如图像或音频)及伴随的代理描述的情况下,无需真实的成对非文本监督即可实现零样本跨模态组合与推理。

    推荐理由:提出无需成对跨模态数据的训练框架,利用代理文本作为语义桥梁实现零样本多模态组合。

  2. arXiv · 机器人与计算机视觉78

    文本到视频生成的时序规范指导方法

    针对文生视频模型难以满足自然语言提示中的时序、持续性及顺序要求的问题,研究团队提出了一种名为 TSG 的无训练推理时间框架。该方法将时序需求表示为形式化时序逻辑规范,利用可微量化语义对视觉概念证据轨迹进行评分,并基于梯度构建规范引导的去噪方向。

    推荐理由:提出无需训练的推理框架,利用形式化时序逻辑引导视频生成以解决时序与持续性难题。

  3. arXiv · 机器人与计算机视觉82

    SoftCache:面向扩散 Transformer 的自适应步长缓存技术

    arXiv 论文提出 SoftCache 方法,针对扩散和流模型生成成本高痛点,利用网络输入探测信号的头余量(headroom)预测复用误差,实现软性缓存而非硬性开关。该方法无需训练且无额外配置,在 FLUX、HunyuanVideo 及 Wan2.1 等模型上,于图像和视频任务中均取得优于所有基线的表现,加速比达 3.5 至 6.9 倍,且在四项保真度指标上领先。

    推荐理由:提出无需训练的 SoftCache 方法,利用激活头余量自适应调整扩散采样步长,在 FLUX、HunyuanVideo 等模型上实现 3.5-6.9 倍加速。

  4. arXiv · 机器人与计算机视觉84

    MJev-Spatial:基于原生注意力匹配的 System 1 空间智能模型

    论文介绍 MJev-Spatial,这是一个基于 Qwen3.5-4B 构建的 System 1 多模态决策模型,旨在解决空间关系判断、距离测量和物体定位等任务。

    推荐理由:该工作提出 MJev-Spatial,通过原生注意力匹配将空间理解任务转化为分类问题,在保持高精度的同时显著提升了推理速度。

  5. arXiv · 机器人与计算机视觉82

    CF-Splat:一种基于已知网格的高效闭式三角形 Splatting 框架

    针对现有 Splatting 方法依赖迭代非线性优化导致计算耗时和显存占用高的问题,本文提出 CF-Splat 框架。该方法在已知网格几何和标定相机条件下,将渲染像素颜色表示为顶点球谐系数(SH)的线性函数,从而将多视角外观估计转化为全局线性最小二乘问题,无需迭代优化。

    推荐理由:提出基于已知网格的闭式三角形 Splatting 框架,将渲染问题转化为全局线性最小二乘求解,显著降低计算与显存开销。

  6. arXiv · 机器人与计算机视觉78

    超越主导标签:利用多重实例学习恢复共存病灶证据

    全切片图像可能包含共存的病灶,但弱监督通常仅提供最严重的诊断。本文将其建模为主导标签多重实例学习问题,提出 DomSet-MIL 框架以对齐包与实例层面的标注机制。

    推荐理由:提出 DomSet-MIL 框架,在主导标签监督下恢复共存的次要病灶证据。

  7. arXiv · 机器人与计算机视觉78

    VP-EVT:面向具身视觉跟踪的主动可见性保持方法

    针对动态环境中行人遮挡导致的目标丢失问题,本文提出 VP-EVT 框架,将目标可见性作为显式运动控制目标而非跟随副产品。该方法利用语言引导感知分离目标与行人观测,结合视觉历史与本征运动维持相对位置估计,并通过循环控制器协调视角调整以恢复稳定跟踪。

    推荐理由:提出 VP-EVT 框架将可见性作为显式运动控制目标,在 occlusion 场景下显著降低丢失时长并提升成功率。

  8. arXiv · 机器人与计算机视觉78

    VesperMUSE:面向多光照条件的图像语义分割多模态融合视觉 Transformer

    针对低光照环境下的噪声、伪影和结构丢失问题,该工作提出了 VesperMUSE 统一多模态框架。架构通过物理感知的合成低光适应算法、热引导的低光增强范式以及多模态融合策略,动态整合 RGB 特征与辅助的热成像及表面法线图。

    推荐理由:提出融合 RGB 与热成像及法线图的统一框架,在低光照下恢复语义分割性能。

  9. arXiv · 机器人与计算机视觉78

    Flow-CLIP:基于图像条件化残差评分的组合式图文匹配方法

    针对句子级图文对齐在组合式匹配中不足的局限,论文提出 Flow-CLIP 模型。该方法通过图像条件化的 token-patch 证据变化细化全局图文对齐,引入全局兼容性校准(GCC)学习句子级相似度指标,利用图像条件化证据细化(ICER)将视觉 patch 上下文融入 token 查询以调整局部匹配证据,并采用跨图像边距排序(CIMR)增强正确描述与错误描述的区分度。

    推荐理由:提出 Flow-CLIP,通过图像条件化残差评分优化组合式图文匹配与属性绑定。

  10. arXiv · 机器人与计算机视觉78

    BridgeAfford:弥合查询与目标差距以实现通用 3D 功能区域定位

    针对语言引导的 3D 功能区域定位中现有方法对未见对象泛化性差的问题,本文提出 BridgeAfford 框架以缓解查询特征与目标区域特征的语义差异。该方法通过交互区域对齐促进几何相似区域的跨对象表示学习,并利用视觉证据聚合细化注意力分布以引导查询至正确区域。实验表明该框架在 LASO 和 PIAD 数据集上优于现有方法,尤其在对未见对象的泛化性能方面表现突出。

    推荐理由:提出 BridgeAfford 框架,通过交互区域对齐与视觉证据聚合缓解查询 - 目标语义差距,在 LASO 和 PIAD 数据集上展现对未见对象的强泛化能力。

  11. arXiv · 机器人与计算机视觉82

    Seeing is Believing:MLLMs 中语言先验对视觉感知的干扰评测与缓解

    论文指出 MLLM 的语言先验会覆盖视觉证据导致感知受损,现有基准存在局限。作者提出 ViSiP-Bench 基准和 MAPS 方法,通过动态诱导协议和微调策略来更精准地测量并降低模型对语言先验的过度依赖。

    推荐理由:提出 ViSiP-Bench 基准与 MAPS 方法,揭示大模型语言先验干扰问题并提供缓解方案。

  12. arXiv · 机器人与计算机视觉78

    SurgStreamer:基于结构化状态和可复用推理层的手术视频流主动监控

    论文提出 SurgStreamer 系统,将手术视频流的感知(映射工具、动作与阶段)与通用推理(评估监控条件)分离。系统在预注册的胆囊切除术测试集上达到0.598的宏观事件-F1,优于仅微调 OneStreamer-4B 的配置。研究指出感知层在分布偏移下是主要限制,并验证了控制器权重在新手术类型上的泛化能力。

    推荐理由:提出将手术视频感知与推理分离的架构,在胆囊切除术数据集上达到0.598宏观事件F1,验证了该设计在分布偏移下的鲁棒性。

  13. arXiv · 机器人与计算机视觉82

    Seeing Both the Forest and the Trees: Reusing Holistic 3D Priors for Part-Decomposed Generation

    论文介绍 STRUCTPARTS 框架,通过双帧坐标交错机制复用整体先验的几何细节与结构连贯性,在部件分解生成中同时保持局部细节和全局一致性。输入为分割网格骨架,仅需轻量微调即可从预训练权重中提取能力,并在 PartObjaverse-Tiny 数据集上表现优异。材料为 NeurIPS 2026 投稿的 arXiv 预印本,未提及开源代码或真实机器人部署结果。

    推荐理由:该工作提出利用整体先验实现部件分解生成的框架,在少量微调下兼顾局部细节与全局结构。

  14. arXiv · 机器人与计算机视觉78

    DINO-FIL:用于生成式图像伪造定位的多层 Transformer 融合框架

    论文提出了 DINO-FIL,这是一个基于 Transformer 的框架,旨在进行像素级的生成式图像伪造定位。该方法利用预训练的 DINOv3 ViT-H+/16 编码器的多层表示,结合轻量级融合解码器,以捕捉语义结构和细粒度纹理不一致性。

    推荐理由:提出基于 DINOv3 的多层特征融合框架,在跨数据集设置下实现了对生成式图像伪造的高精度像素级定位。

  15. arXiv · 机器人与计算机视觉78

    FusionAudit:面向原生多模态模型的基于路径条件的鲁棒性审计

    论文介绍 PaRMA 审计框架与 FusionAudit 工具集,针对视觉语言模型从冻结编码器向原生架构过渡时的复杂性,定义像素扰动和渲染文本插入两类干预下的路径条件风险。

    推荐理由:提出基于路径的鲁棒性审计框架,揭示原生多模态模型在像素扰动与渲染文本插入下的新脆弱点。

  16. arXiv · 机器人与计算机视觉78

    Digital Typhoon Dataset V3:面向多光谱扩展与强度回归系统性偏差分析的基准

    本文发布了 Digital Typhoon Dataset V3,这是跨度近 50 年的最长台风卫星图像数据集的新版本,新增多光谱数据以支持多通道模型。研究评测了数据划分策略及南北半球基准结果,发现当前设置下多通道输入并未显著优于单通道输入用于气压回归;ResNet-18、全分辨率图像和 Channel 1 在单通道任务中表现最佳。

    推荐理由:本文发布台风数据集 V3 并评测多光谱输入对气压回归的增益有限,同时揭示强台风强度低估的系统性偏差及现有加权策略的不足。

  17. arXiv · 机器人与计算机视觉78

    Vision Transformers 中的虚假注意力头:医学胸部 X 光分析中标注驱动偏差的机制识别

    论文应用机制可解释性方法,在 ViT-Base 16 模型中定位到一个专门读取注释文本而非肺病理的单一注意力头(L8H10)。因果验证证实该行为由标注内容驱动,移除后肺部注意力增加。该现象在 NIH ChestX-ray14、DeiT-Base 和 ViT-Large 16 三个架构上复现。全量微调无法抑制该偏差甚至可能强化它,且单头消融显示输出级评估完全无法察觉此因果电路。

    推荐理由:通过机制可解释性发现 ViT 模型在医疗影像中利用注释文本而非病灶进行推理的虚假注意力头,且该偏差无法通过微调消除。

  18. arXiv · 机器人与计算机视觉78

    免训练的目标感知 3D 高斯语言图优化方法

    针对蒸馏后的视觉 - 语言特征在部署时难以可靠定位用户指定目标的问题,本文提出一种无需训练的优化方案。该方法利用文本提示分割器,将检测到的目标区域内的视觉嵌入与目标文本嵌入进行凸组合注入,并通过闭式解确定最优系数以避免覆盖外观线索或破坏通用查询性。

    推荐理由:该方法无需训练即可提升蒸馏语言地图对特定目标的定位能力,同时保持开放词汇查询性,并在机器人导航演示中验证了有效性。

  19. arXiv · 机器人与计算机视觉78

    何时应生成低光照处理管线?一种基于可审计风险控制的选择性生成增强方法

    论文提出 VetoNet,将选择性生成增强建模为决策问题,通过测量冻结基础专家对的互补优势并仅凭部署可用信号预测区域覆盖效用。框架引入分布无关的有害预算证书,仅在感知(LPIPS)风险预算允许时才批准切换,否则保守地否决。实验表明该方法能根据证据强度与可靠性自适应路由行为,在专家互补性可预测时获得统计显著的提升,并在证据弱或跨域偏移时拒绝切换。

    推荐理由:提出 VetoNet 框架,利用分布无关的风险预算证书实现低光照增强中的可审计区域路由与有害切换控制。

  20. arXiv · 机器人与计算机视觉78

    AdaLoop:利用视觉编码器进行思考

    该论文提出 AdaLoop 框架,解决现有视觉语言模型将视觉编码器视为静态特征提取器的局限。该方法根据问题自适应调整视觉计算深度并复用编码器的变换,同时冻结预训练权重。

    推荐理由:提出 AdaLoop 框架,通过冻结预训练权重实现问题感知的视觉迭代计算,在 VisRO 数据集上超越微调与单次推理基线。