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 40 页

10月14日周三第 781–800 条
  1. Google DeepMind82

    Gemini 4 Argon 发布:具身推理与复杂工程任务全球上线

    Google DeepMind 正式发布 Gemini 4 Argon 模型,该模型在具身推理基准 ERQA 中以 87% 的分数领先其他前沿模型,并展示了通过观看人类操作视频自主构建仿真代码、进而将技能迁移至人形机器人(Apptronik Apollo)实现连续投掷的技能。

    推荐理由:DeepMind 发布 Gemini 4 Argon,在具身推理基准 ERQA 以 87% 分数领先,并展示通过观看视频自主构建仿真代码并在人形机器人上实现技能迁移的能力。

10月13日周二
  1. Hugging Face Daily Papers82

    Game2Real-Bench:玩具游戏能否揭示并迁移至现实世界的视觉推理?

    论文提出了 Game2Real-Bench 基准,旨在研究基于玩具游戏的评估指标是否对应真实世界的视觉推理能力。作者构建了包含 1000 个可执行验证的游戏样本和 400 个按推理要求对齐的真实世界样本,对 25 种代表性 VLM 进行了测试,观察到游戏与真实场景间高达 0.935 的相关性。

    推荐理由:该基准通过对比玩具游戏与真实世界样本,量化了视觉推理能力的迁移效果,为评估 VLM 在复杂场景下的泛化性提供了新工具。

  2. Hugging Face Daily Papers83

    重新思考多模态大模型中的投影器训练:PORTAL 免配对数据实现性能匹配

    论文发现投影器训练仅需少量数据即可恢复大部分下游增益,且不同数据集训练的投影器可线性插值。为此提出 PORTAL 方法,利用各模态的摘要统计量构建最优传输映射,无需配对图像 - 文本数据或梯度优化即可初始化投影器。

    推荐理由:提出无需配对数据的无梯度初始化方法,在多项基准上接近或超越标准微调流程。

10月12日周一
  1. arXiv · 机器人与计算机视觉82

    Playing the network backward:一种博弈论归因框架

    该论文针对反向归因方法缺乏统一比较框架的问题,引入基于扩展网络图的博弈论框架。在此框架下,梯度和alpha-beta-LRP等方法被重构为特定均衡下的游戏轨迹积分,解释属性可转化为策略正则化等博弈概念。在ViT-B/16模型上,一种改进的alpha-beta-LRP方法在所有考虑的定位指标上均优于先前的反向归因方法。

    推荐理由:提出基于博弈论的归因框架,将梯度与LRP等方法统一为轨迹分布投影,并在新架构下提升定位指标。

  2. arXiv · 机器人与计算机视觉82

    DRIFT:利用对抗补丁破坏流匹配 VLA 的去噪轨迹

    论文指出流匹配视觉语言动作(VLA)模型如 pi0 声称的抗干扰能力存在幻觉,源于以往攻击忽略了多步去噪常微分方程。作者提出 DRIFT 方法,通过在机器人夹爪上放置单个通用对抗补丁,仅攻击第一个去噪步骤即可破坏任务求解率。实验在四个 LIBERO 套件上的 pi0 和 pi0.5 模型验证了该方法的有效性,其效果远超动作空间和嵌入空间的攻击基线。

    推荐理由:该工作揭示了流匹配 VLA 模型在去噪轨迹上的脆弱性,提出了一种仅需攻击首个去噪步骤的通用对抗补丁方法。

  3. arXiv · 机器人与计算机视觉78

    通过反演理解基于 Transformer 的视觉模型

    该研究提出一种新的模块化特征反演方法,利用逆网络从中间表示重建图像,在计算效率上更优且能生成语义连贯的重建结果。作者将方法应用于 DETR、ViT、Swin Transformer 和 DEIT 等大规模 Transformer 架构,分析不同深度的重建效果。

    推荐理由:提出模块化特征反演新方法,揭示 Transformer 模型内部层间表征变化与细节保留差异。

  4. arXiv · 机器人与计算机视觉78

    WaveMark:面向扩散模型的鲁棒小波域图像水印

    针对扩散模型生成图像的版权溯源与滥用归因需求,现有最强去除攻击易抑制嵌入信号且感知质量下降。本文提出 WaveMark 方法,将消息嵌入扩散模型的初始噪声中,通过在空间位置、小波方向和尺度分布密钥副本,并利用幅度投影提供显式解码余量以支持鲁棒恢复。

    推荐理由:提出 WaveMark 方法,在扩散模型初始噪声嵌入水印,面对主流去除攻击仍保持高准确率。

  5. arXiv · 机器人与计算机视觉82

    GenVerOpt:一种统一生成、验证与优化的机器非语言推理框架

    论文介绍 GenVerOpt 框架,旨在解决机器人在视觉非语言推理上的局限。该框架将生成候选解、验证正确性及迭代优化整合为单一推理管道,支持样本级优化而非仅依赖训练时的数据集趋势。

    推荐理由:提出 GenVerOpt 框架,通过生成、验证与优化闭环实现机器非语言推理,在抽象智力测试及医学影像分割任务上超越人类或专家基线。

  6. arXiv · 机器人与计算机视觉78

    SpatialASM:将主动心智化内化为空间推理能力

    论文介绍 SpatialASM 框架,旨在解决大视觉语言模型(LVLM)缺乏主动从相关视角重构空间布局的能力。该方法利用离心新颖视图生成器锚定假设视角,提供显式的 ASM 轨迹监督以教导模型何时及如何进行视图规划与想象,并构建自动化的观点采择任务强化场景想象。

    推荐理由:提出 SpatialASM 框架,通过训练时注入主动视角规划与场景想象监督,提升 LVLMs 在复杂空间推理任务上的准确率。

  7. arXiv · 机器人与计算机视觉78

    地理空间基础模型嵌入中的捷径学习与跨灾害损害评估

    该研究针对地理空间基础模型在熟悉灾害上高准确率可能掩盖捷径学习的问题,利用 TerraMind、Prithvi-EO-2.0 等模型在 xView2 和 BRIGHT 数据集上进行测试。

    推荐理由:研究揭示地理空间基础模型在跨灾害评估中存在捷径学习风险,提出特征变换方法可提升泛化能力。

  8. arXiv · 机器人与计算机视觉78

    KVeil:ECCV 2026 LifeGenIP 挑战赛不可学习视频挑战冠军方案

    该报告介绍了 ECCV 2026 LifeGenIP 挑战赛的两个阶段的一等奖解决方案,旨在通过极小扰动保护面部视频免受身份定制攻击。第一阶段引入参考容量坍塌损失和运动引导 EOT 机制;第二阶段针对基于微调的定制和未见过的生成模型,设计双层框架分别保护人脸与背景区域。该方法在白色盒参考定制下实现近乎完美的防护,并对其他定制范式、多种模型及时间攻击保持有效。代码已公开。

    推荐理由:报告了 ECCV 2026 LifeGenIP 挑战赛的冠军方案,提出双阶段框架以在有限扰动下防御面部视频的身份定制攻击。

  9. arXiv · 机器人与计算机视觉78

    GLIMPSE:用于可探索视频世界模型的全球 - 局部索引与多精度频谱编码

    arXiv 论文 GLIMPSE 提出一种带多精度坐标和几何条件谱衰减的全局 - 局部记忆接口,以解决相机回看场景时因深度或姿态误差导致的鬼影问题。该方法通过位置传输避免重采样,利用局部块记忆提供视图特定外观,用循环全局记忆提供场景上下文,并在匹配检索与读取预算下提升了几何对应和光度一致性。材料为预印本,未报告真实机器人部署结果。

    推荐理由:提出带多精度坐标与几何条件谱衰减的全局 - 局部记忆接口,旨在降低相机回看场景时的鬼影误差。

  10. arXiv · 机器人与计算机视觉83

    X-AVDD:一种基于交叉注意力的音频 - 视觉数据集蒸馏方法

    论文提出了 X-AVDD,这是一种基于交叉注意力的音频 - 视觉数据集蒸馏方法,旨在从大规模配对数据集中合成小数据集并保留训练效用。该方法通过解耦跨模态对齐与联合优化,显著降低了内存需求,将端到端合成成本减少了约 8 倍 GPU 小时。

    推荐理由:针对现有音频 - 视觉数据集蒸馏方法内存占用高且跨模态语义对应弱的问题,提出基于交叉注意力的 X-AVDD 方法。

  11. arXiv · 机器人与计算机视觉78

    对现有 VLM 基准评估运行的审计:揭示图像依赖度不足与评分偏差

    该研究提出一种审计框架,复用 VLM 评估运行中已生成的预测、正确性及元数据工件,通过 VLMEvalKit 新增的六个检测器及纯文本重跑层进行后处理分析。在 MMStar 基准上发现,20.2%的问题无需图像即可达到零准确率增益,其中数学与科学类别存在显著偏差;另有 134 个问题因所有模型均选择同一非标准答案而引发评分争议。

    推荐理由:作者利用现有评估运行产生的原始工件,为 VLMEvalKit 新增审计层以检测基准缺陷与评分偏差。

  12. arXiv · 机器人与计算机视觉83

    高效置信度感知稠密化用于 3DGS

    arXiv 发布了一篇关于 3D Gaussian Splatting 改进方法的研究论文。该方法在固定预算的 MCMC 框架下,通过误差驱动而非不透明度采样实现更优重建效果。

    推荐理由:该方法在固定预算的 MCMC 框架下,通过误差驱动而非不透明度采样实现更优重建效果。

  13. arXiv · 机器人与计算机视觉78

    为何缺乏长跨层连接的 DiT 模型在表征学习中表现不佳

    本文指出尽管扩散 Transformer(DiT)生成能力强,但其提取的特征往往较弱。研究通过从头训练证实引入长跨层连接(LSCs)可显著提升特征质量,并揭示其机制:输入包含潜变量和噪声信号,主骨干网络同时传递两者会污染图像信号,而 LSCs 能直接短路噪声至所需位置,保留更纯净的图像信息。代码已开源。

    推荐理由:通过从头训练揭示长跨层连接能提升扩散模型特征质量,并阐明其机制与扩散目标的关系。

  14. arXiv · 机器人与计算机视觉78

    NovaSplat:基于 3D Gaussian Splatting 的无模型 6D 物体位姿估计

    arXiv 论文 NovaSplat 提出一种无需 CAD 模型的 6D 位姿估计流程,通过手机视频训练 3DGS 作为检测与粗估计模板及可微分优化骨干。该方法在家庭物体基准上超越所有基于模型的方法,并在含无纹理和镜面表面的工业基准上优于同类无模型方法且缩小了与基于模型方法的差距。

    推荐理由:该工作提出 NovaSplat,利用手机视频训练 3DGS 实现无 CAD 模型的 6D 位姿估计,在家庭与工业基准上超越现有方法。

  15. arXiv · 机器人与计算机视觉78

    解码寄存器令牌以保留全局场景细节

    该研究调查了在已有完整空间补丁表示的情况下,保留寄存器特征是否能改善图像解码效果。作者使用冻结的编码器与联合自注意力解码器进行实验,发现保留寄存器特征能将基于 DINOv2 和 DINOv3 的重建 FID 分别降低 9.5% 和 5.2%,PSNR 提升至 19.73 dB 和 20.54 dB。在生成任务中,该方法使 DINOv2 的 FID 比仅用补丁的基线低 9.8%。

    推荐理由:研究证明保留非空间寄存器特征能显著降低图像重建误差并提升生成质量,为现有视觉模型利用全局场景信息提供了新路径。

  16. arXiv · 机器人与计算机视觉82

    CV-OPD:一种解决视觉语言模型后训练中视觉捷径问题的对比式同策略蒸馏方法

    针对现有视觉语言模型(VLM)在同策略蒸馏中过度依赖文本答案提示而忽略真实视觉证据的缺陷,本文提出 Contrastive Vision On-policy Distillation (CV-OPD) 方法。

    推荐理由:提出对比式同策略蒸馏方法,通过引入负样本教师与差异感知门控机制,解决现有 VLM 后训练依赖答案捷径、忽视视觉证据的问题。