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 44 页

10月7日周三第 861–880 条
  1. The Robot Report78

    Overview AI 推出搭载自主智能体的 OV Spark 系列工业检测相机

    Overview AI 今日正式发布 OV Spark 和 OV Spark Pro 两款工业检测相机,内置“Sparky”自主智能体层,支持用自然英语提问并自动推荐检测工具与策略。

    推荐理由:Overview AI 发布搭载自主智能体层的 OV Spark 系列工业相机,将模型选择、推理与 PLC 通信集成于边缘设备,解决工厂部署配置难题。

10月6日周二
  1. Hugging Face Daily Papers83

    基座模型可通过从训练数据获取线索进行推理

    该研究探讨了训练数据如何在基座模型的响应起始 token 与后续推理行为之间建立关联。实验表明,固定特定的起始 token 线索(如'. Okay'或'Alright,')可使基座模型在数学和代码任务上的表现接近强化学习(RL)微调版本。

    推荐理由:原文揭示了训练数据中的特定起始 token 可作为推理触发器,通过因果干预验证了其对数学、代码及模型安全行为的控制作用。

  2. arXiv · 机器人与计算机视觉82

    Recovering Off-Policy Supervision for Speculative Decoding

    arXiv 论文《Recovering Off-Policy Supervision for Speculative Decoding》由 Jungseob Lee 等人提交,针对推测解码中离策略 token 导致后续槽位监督失效的问题,提出基于回滚的训练框架。

    推荐理由:针对推测解码中离策略监督失效问题,提出基于回滚的训练框架以恢复全量监督。

  3. arXiv · 机器人与计算机视觉82

    通用权重子空间假设:跨任务与架构的共享低维结构发现

    论文通过超过 1200 个模型的谱分析(包括 500 个 Mistral-7B LoRA、500 个 Vision Transformer 和 50 个 LLaMA-8B),首次提供大规模实证证据,证明无论初始化、任务或领域如何,神经网络系统性地收敛到共享的谱子空间。

    推荐理由:大规模实证表明不同架构与任务下的神经网络收敛至共享的低维参数子空间,为模型复用、多任务学习及高效算法设计提供新视角。

  4. arXiv · 机器人与计算机视觉83

    PACT:从视频端到端学习人体姿态、接触与力的方法

    arXiv 论文 PACT 提出一种端到端模型,联合从单目视频中估计人体姿态、环境接触点及接触力。该方法在人体重建基础模型上引入可学习的接触力 token 与时序 Transformer,利用物理监督增强运动与力的时空一致性。

    推荐理由:提出端到端模型联合估计人体姿态、接触点与力,并引入物理监督与合成数据管线解决标注稀缺问题。

  5. arXiv · 机器人与计算机视觉82

    ConvStack:克服 MLLM 计数困境的个体化与聚合瓶颈解决方案

    该研究指出多模态大语言模型(MLLMs)在处理细粒度视觉计数时存在困难,主要源于 Vision Transformer 处理图像块时的独立性与注意力压缩导致的表示坍缩。

    推荐理由:本文通过机制分析揭示了多模态大模型在计数任务中的个体化与聚合瓶颈,并提出轻量级架构 ConvStack 以解决这些问题。

  6. arXiv · 机器人与计算机视觉78

    面向细粒度物体操作:基于 SAM3 引导的视觉运动策略与持久记忆学习

    针对细粒度物体操作中场景级视觉条件缺乏明确选择、类别级指导难以区分相似物体的挑战,本文提出一种结合持久物体记忆与聚焦视觉条件的框架。首先引入 FO Memory-driven SAM3(FOM-SAM3),在有限多视角配准图像中学习可复用的细粒度物体记忆 token 并冻结 SAM3;其次提出聚焦空间 - 外观编码(FSAE),融合物体内部外观特征与显式边界框以条件化动作策略。

    推荐理由:提出 SAM3 引导的视觉运动策略框架,利用持久记忆与聚焦视觉条件解决细粒度物体操作难题。

  7. arXiv · 机器人与计算机视觉78

    VidOmni-Bench:基于时空事件验证的细粒度视频理解基准

    针对现有视频大模型评测依赖问答或简单匹配导致模型利用表面线索的问题,作者提出了 VidOmni-Bench 基准。该基准包含 500 个时长从 4 秒到 90 分钟、涵盖五种复杂度的视频,要求模型验证密集视频描述中每个事件是否得到视频支持。实验发现视频大模型在密集描述生成时频繁出现幻觉,且作为验证器难以可靠检测看似合理但错误的事件描述,其弱点随视频复杂度与时长变化而不同。

    推荐理由:该基准通过时空事件验证评估视频大模型的细粒度理解能力,揭示了幻觉与验证失效等瓶颈。

  8. arXiv · 机器人与计算机视觉85

    REBASE:一种用于免训练上下文感知的背景子空间消除方法

    论文提出了 REBASE 框架,旨在解决现有免训练上下文感知分割方法受限于跨图像相似度图质量的问题。该方法通过显式抑制参考图中的低秩背景特征子空间,将参考与查询特征投影到其正交补空间以获取更纯净的语义匹配,并结合基于相似度的远点采样生成正向点提示。

    推荐理由:提出 REBASE 框架,通过显式消除参考图中的背景特征子空间来抑制虚假对应关系,在无需训练的情况下实现单样本分割新 SOTA。

  9. arXiv · 机器人与计算机视觉78

    TACoS:从涂鸦标注到精确分割的二维材料弱监督学习

    针对二维材料薄片高精度像素级定位需求,传统全监督方法依赖密集标注且成本高昂。本文提出 TACoS 框架,整合半监督一致性学习与结构化树能量约束,通过无标签弱强分布对齐及最小生成树建立像素亲和关系。

    推荐理由:提出 TACoS 框架,利用少量涂鸦标注实现二维材料分割,在低对比度场景下保持结构连贯性。

  10. arXiv · 机器人与计算机视觉78

    AnyGroundBench:面向 VLM 视频定位的多领域适应基准

    针对现有视觉语言模型(VLM)仅在通用场景下以零样本方式评估、难以应对专业领域罕见概念的问题,作者提出了 AnyGroundBench 基准。该基准涵盖动物、工业、体育、手术和公共安全五个专业领域,将专家标注的新视频与既有数据集统一,并提供了专用的有限训练子集。

    推荐理由:该基准通过五个专业领域的数据与有限训练子集,系统评估了 VLM 在时空视频定位中的零样本泛化及域适应能力。

  11. arXiv · 机器人与计算机视觉82

    Point-MF:一种用于单图像点云重建的稳定一步均值流框架

    该论文提出了 Point-MF,这是一个无需训练点云自编码器的条件均值流框架,旨在从单张 RGB 图像恢复包含遮挡区域的完整物体几何。该方法直接在点云空间预测区间平均速度场,并通过引入去噪空间锚点(DSA)辅助损失来稳定大跳跃的均值流更新。

    推荐理由:提出 Point-MF 框架,实现单步均值流几何重建,在 ShapeNet-R2N2 等数据集上优于基线且推理延迟低于迭代扩散模型。

  12. arXiv · 机器人与计算机视觉78

    Live Interactive Training:一种在推理时从人类修正中在线学习的视频分割框架

    针对交互式视频分割需要大量人工干预的问题,本文提出 Live Interactive Training (LIT) 框架,让模型在推理阶段即可从用户反馈中学习。

    推荐理由:提出 Live Interactive Training 框架,利用轻量级 LoRA 在线学习用户修正,在视频分割任务中将总修正次数平均减少 18-34%。

  13. arXiv · 机器人与计算机视觉82

    $M^2$-Occ:面向自动驾驶的残缺输入下稳健 3D 语义占用预测

    论文介绍$M^2$-Occ框架,旨在解决多摄像头输入缺失导致的几何结构丢失与语义不连贯问题。方法包含利用邻域重叠进行特征空间重建的多视角掩码重建模块,以及存储类级语义原型的特征记忆模块以修正模糊体素。

    推荐理由:该工作针对多摄像头缺失场景提出$M^2$-Occ框架,通过特征重建与语义原型检索提升鲁棒性。

  14. arXiv · 机器人与计算机视觉82

    DynaTokens:用于连续视频语言理解的动态 Token 控制方法

    针对多模态大模型在连续视频问答中面临的任务干扰与提示词存储难题,该研究提出 DynaTokens,一种基于 Transformer 的动态 Token 生成器。

    推荐理由:该工作提出基于 Transformer 的动态 Token 生成器,通过元学习正则化缓解持续视频问答中的任务干扰与遗忘问题。

  15. arXiv · 机器人与计算机视觉80

    从表征互补到双重系统:协同 VLM 与纯视觉骨干网络实现端到端自动驾驶

    该论文研究了视觉语言动作(VLA)驱动中,经过策略学习后的视觉语言模型(VLM)与纯视觉编码器在表征上的差异及其对规划的影响。研究对比了 InternVL3、Qwen3VL 等 VLM 家族与 ResNet、ViT、EVA-CLIP 等标准纯视觉编码器,发现两者在简单几何主导场景中各有优势,且存在行为上显著不同的制动和路径选择倾向。

    推荐理由:该研究通过对比 VLM 与纯视觉骨干网络,揭示了两者在规划任务中的互补性,并提出混合与双系统架构以提升端到端驾驶性能。

  16. arXiv · 机器人与计算机视觉78

    Zoom-IQA:基于可靠区域感知的图像质量评估模型

    论文介绍 Zoom-IQA,一种基于视觉语言模型的图像质量评估方法,旨在解决现有方法缺乏解释或推理不可靠的问题。该模型通过监督微调在 Grounded-Rationale-IQA 数据集上学习关键区域定位,并利用强化学习与 KL-Coverage 正则化器进行动态策略探索以防止多样性坍塌。实验表明该方法提升了评估的鲁棒性、可解释性和泛化能力,并验证了其在图像恢复等下游任务中的有效性。

    推荐理由:该工作提出 Zoom-IQA,通过两阶段训练让 VLM 在图像质量评估中显式模拟不确定性感知与区域推理,提升解释性与鲁棒性。

  17. arXiv · 机器人与计算机视觉82

    细粒度缓存:基于少量校准条件的扩散 Transformer 加速方法

    针对扩散 Transformer 重复去噪器评估带来的高计算成本,本文提出一种无需训练的框架,利用条件共模抑制效应构建固定模块复用调度。通过两阶段校准建立缓存簿,在推理时实现无需每输入估计策略的加速。实验显示该方法在图像模型上提升 1.66-1.72 倍,视频模型上提升 1.54-1.68 倍,并可结合 MagCache 或 SeaCache 进一步加速。

    推荐理由:原文提出无需训练的微调框架,利用条件共模抑制效应构建固定缓存策略,在图像和视频生成模型上实现 1.54-1.72 倍加速。

  18. arXiv · 机器人与计算机视觉82

    MoFlow:基于隐式最大似然估计蒸馏的一步流匹配人类轨迹预测

    该论文针对人类轨迹预测问题,提出了名为 MoFlow 的条件流匹配模型及一种仅依赖教师模型样本的 IMLE 蒸馏方法。实验表明,该方法在 SportVU、ETH-UCY 和 SDD 等真实数据集上达到了最先进水平,能生成物理和社会合理的多样化轨迹,且学生模型采样速度比教师模型快 100 倍。代码、模型和数据已公开。

    推荐理由:提出 MoFlow 模型与 IMLE 蒸馏方法,在真实数据集上实现高性能且仅需教师样本的蒸馏。