ZoomCap:基于证据路由的视觉缩放以实现可恢复的视觉信息转移
论文提出 ZoomCap 框架,将细粒度描述定义为在有限观测预算下获取缺失证据并转化为可复用监督的过程。该方法利用草稿描述路由条件知识检索、OCR 敏感阅读及自适应视觉缩放,仅对最复杂区域分配深层裁剪,并从几何关系推导空间信息。
推荐理由:提出 ZoomCap 框架与 FactCycle 评估器,以有限观测预算实现细粒度描述生成与证据路由,在持续预训练中显著优于强基线。
技术方向
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
论文提出 ZoomCap 框架,将细粒度描述定义为在有限观测预算下获取缺失证据并转化为可复用监督的过程。该方法利用草稿描述路由条件知识检索、OCR 敏感阅读及自适应视觉缩放,仅对最复杂区域分配深层裁剪,并从几何关系推导空间信息。
推荐理由:提出 ZoomCap 框架与 FactCycle 评估器,以有限观测预算实现细粒度描述生成与证据路由,在持续预训练中显著优于强基线。
该研究开发了一套用于光驱动的立方体状赤铁矿/TiO2 Janus 微机器人的视觉引导闭环导航框架。系统集成了定制训练的 YOLOv11 目标检测模型进行实时视觉定位,并结合离散化路点磁导向技术,实现了复杂规定轨迹的精确导航,测试路径几何中超过 90% 的轨迹偏差低于 6 微米。
推荐理由:原文提出了一种结合视觉定位与磁导向的微米级机器人闭环导航框架,实现了复杂轨迹跟踪、动态避障及自主运输任务。
针对噪声匹配点下的可靠图像几何估计问题,现有 RANSAC 范式多为残差中心且分阶段处理,难以平衡分布优化与几何细化。本文提出 DLOSAC 框架,构建候选内点的 Delaunay 三角剖分以编码邻域拓扑,引入基于边的几何一致性度量及源自三角形面积和边属性的空间分布描述符,结合传统点级约束提升参数质量。该方法在涵盖三种几何估计任务的六个公开真实世界数据集上取得最先进性能。
推荐理由:提出 DLOSAC 框架,通过 Delaunay 三角剖分联合优化几何一致性与空间分布,在六个公开数据集上实现最先进性能。
针对行人轨迹预测中社交耦合类型单一及域偏移处理不足的问题,本文提出了分层包络对抗域适应模型(HEADA-LTCTPM)。该方法构建了包络样本并将其扩展为图结构,同时集成了局部与全局的对抗域适应策略以动态适配不同场景下的耦合关系。
推荐理由:提出分层包络对抗域适应方法,解决行人轨迹预测中的社交耦合单一与域偏移问题。
论文介绍了 RoboCloth 数据集,包含 500 种在机器人控制的柔性相机和光照配置下采集的真实布料材料。每个材料拍摄约 580 帧高动态范围图像,覆盖宽视角与光半球,并通过运动恢复结构优化相机位姿以对齐机器人坐标系,提供稀疏表面几何和结构化反射率观测。
推荐理由:该数据集包含由机器人控制的柔性相机与光照采集的 500 种真实布料,支持神经反射率重建训练。
该论文提出 RoPE-Flow 框架,利用 Keypoint-centered Feature Extractor、Graph-guided Condition Generator 及 Bone Length Loss 等方法,解决从单目图像恢复 3D 结构特征以估计机器人位姿的挑战。
推荐理由:提出基于条件 3D 流匹配的端到端框架,解决单目相机到机器人位姿估计难题。
该论文指出空间智能体在利用重建和分割工具时面临预测不一致和物体身份碎片化的瓶颈。作者提出 DeSpatial 框架,将空间理解明确分解为感知与推理两部分。其共享的 3D 感知工具包含联合分割深度共优化模块以消除单帧内的投影伪影,以及跨视角实例融合模块以整合多视角观测中的空间不连续片段。
推荐理由:提出将空间理解分解为感知与推理的新框架,通过联合分割深度优化解决多视角实例融合难题。
arXiv 论文提出一种名为 Line-Augmented cuVSLAM 的 CUDA 加速视觉 SLAM 系统,通过引入线特征(Plücker 坐标参数化)来增强在缺乏点特征的仓库等低纹理环境中的定位能力。
推荐理由:该工作提出线特征增强的 cuVSLAM,在低纹理仓库环境中将轨迹误差降低约 38.5%。
论文提出了 TEAL(Token-space Efficient Active Learning),这是首个基于 ViT 表示构建的像素级主动学习框架。该方法冻结 ViT 主干网络,直接在原生 token 晶格上进行基于多样性的选择,避免插值带来的伪影,并通过解码器网格上的边缘不确定性进行细化。
推荐理由:TEAL 框架在极低标注预算下实现语义分割,将 ViT token 空间选择与解码器网格不确定性结合,显著优于现有基线。
论文介绍了 3DCodeVerse 研究生态,包含大规模可执行 3D 代码数据集 3DCodeVerse-2M、用于空间推理与自动验证的多智能体框架 Harness 以及实践指南。
推荐理由:该工作构建了可执行的 3D 代码数据集与多智能体验证框架,显著提升了开源模型的 3D 编码能力。
针对流式视觉语言模型需整合历史信息且保持对当前观测响应的挑战,本文提出 MaLoW 框架,利用循环超网络将视频观测增量整合为固定大小的 LoRA 权重,从而以参数形式携带历史信息而非占用上下文。
推荐理由:提出将历史记忆内化为参数更新的框架,在长视频理解与具身智能任务上优于现有方法。
该研究提出 Routing Policy Optimization (RPO) 方法,旨在解决现有分数函数方法因扰动反向去噪轨迹而导致的昂贵 rollout 优化问题。
推荐理由:提出 RPO 方法,在扩散模型内部引入随机探索以提升强化学习对齐效率。
论文提出 Speculative Forcing 框架,将中间清洁估计视为草稿并预测何时可安全接受单个 token。一旦接受,token 即被冻结为最终输出不再去噪,其缓存键值仍作为上下文供后续 token 使用。
推荐理由:提出 Speculative Forcing 框架,在视频生成中通过冻结早期合格 token 减少去噪步数,显著提速且保持质量。
针对预训练视觉语言模型微调后的导航策略成功率低的问题,该研究诊断出核心瓶颈在于未能有效进行目标定位(goal grounding)。作者提出 StopWatch 方法显式地对导航目标进行定位,显著提升了任务成功率并在六个基准测试中达到最先进水平。
推荐理由:该工作诊断出目标定位是导航策略失败的主因,通过显式 grounding 在六个基准上达到 SOTA 并修正了标注缺陷。
论文提出了 CoTL 框架,旨在从非位姿的多视图图像中学习一组紧凑令牌以保留场景几何和外观信息。该编码器将输入图像压缩为每个视图的小规模潜在令牌集,并通过跨视图聚合形成视图一致的场景表示。
推荐理由:提出 CoTL 框架,通过紧凑令牌学习实现无位姿多视图图像的 3D 高斯场景重建与生成。
该研究针对 Vision Transformers 二次方 token 交互带来的高计算成本问题,提出了 Prune-and-Merge 这一无需训练即可应用于现成模型的框架。
推荐理由:提出无需训练的 ViT 剪枝合并框架,在降低计算成本的同时保持鲁棒性与精度。
RealityBench 是一个在 Blender 中构建的包含十一类物理工作环境(如屋顶太阳能安装、车辆维修)的评测基准,旨在评估视觉语言模型记录人类体力工作的能力。
推荐理由:该研究在 Blender 中构建了十一类物理工作场景,对 26 个 VLM 模型进行文档化能力评测,揭示了其在读取测量值和判断空间关系上的短板。
针对单目结肠镜三维重建中弱纹理、强反光及组织非刚性运动等挑战,该研究提出 Colon3R 框架。该方法基于预训练 VGGT 模型,利用标注的虚拟与仿真数据中的相机、深度和点云几何先验,通过教师网络生成的跨视图监督信号直接迁移至无标注的真实内窥镜视频,无需目标域几何标注。
推荐理由:该工作提出跨域半监督框架,将标注的虚拟与仿真数据几何先验迁移至无标注的真实内窥镜视频,解决弱纹理与非刚性形变难题。
该论文提出了 Equilibrium Forcing (EqF) 框架,旨在解决标准自回归视频生成算法依赖刚性训练目标和静态采样计划的问题。EqF 通过解耦去噪场学习与采样过程,实现了无需噪声水平条件的模块化设计与闭环推理,从而在挑战性基准上提升了视频质量与一致性。材料为 NeurIPS 2026 已发表的研究成果,详细分析了移除噪声条件如何赋予数据依赖的推理特性以超越标准方法。
推荐理由:提出无需噪声条件调制的视频生成框架,通过解耦学习与采样实现闭环推理以提升质量。
论文介绍 CASHEW 框架及变体 CASHEW-RL,旨在解决视觉语言模型在多步推理中表现不稳定的问题。该方法通过在推理时迭代聚合多个候选轨迹并引入视觉验证作为锚点来增强稳定性;CASHEW-RL 则通过组序列策略优化将聚合行为内化到单一模型中。实验显示,在 Qwen3-VL-4B 和 Qwen3-VL-8B 上分别实现了平均提升 4.1/5.3 个和 2.6/3.0 个百分点的准确率。
推荐理由:针对多模态推理不稳定的问题,提出通过迭代聚合候选轨迹来稳定输出的方法,并在 Qwen3-VL 系列模型上验证了显著的性能提升。