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 46 页

10月6日周二第 901–920 条
  1. arXiv · 机器人与计算机视觉78

    Casual Flash Lighting for Gaussian Splat Inverse Rendering 论文发布

    针对仅靠静态光照进行几何、材质和光照恢复存在歧义的问题,该研究提出了一种结合室内随手捕捉的静态与闪光照明方案。通过哈希编码 MLP 构建基于高斯泼溅(2DGS)的漫射场,该方法在无需暗室或专用硬件的情况下,有效约束反照率和双向反射分布函数,并利用静态光照监督材质分解。实验显示,该方法在五个合成场景和三个真实室内场景中,优于六个近期基线,在重渲染任务中 PSNR 提升 4.17 dB。

    推荐理由:该方法利用静态与闪光照明协同,在无需暗室条件下实现高保真反渲染。

  2. arXiv · 机器人与计算机视觉78

    Level-of-Token Diffusion:基于多分辨率 Token 布局的自适应扩散生成框架

    该论文针对图像和视频扩散模型均匀分配计算资源的低效问题,提出 Level-of-Token (LoT) Diffusion 框架。该方法将场景细节分布知识转化为显式的多分辨率 Token 布局,利用细粒度 Token 处理高细节区域、粗粒度 Token 处理其他区域。

    推荐理由:提出 Level-of-Token Diffusion 框架,通过多分辨率 Token 布局实现自适应生成,在保留预训练先验的同时显著降低计算成本。

  3. arXiv · 机器人与计算机视觉82

    可控道路标线生成:基于文本引导的 BEV 管线与结构化高斯渲染

    该论文提出 Controllable Road Marking Generation 框架,能从可行驶区域掩码、外环标线和文本描述中合成缺失的中心区域标线布局。

    推荐理由:该工作提出可控道路标线生成框架,在 Argoverse~2 和 Waymo 数据集上显著优于基线,为仿真场景构建与地图补全提供新工具。

  4. arXiv · 机器人与计算机视觉78

    T-JEPA:一种用于学习更好遥感表征的时间联合嵌入预测架构

    针对现有遥感基础模型主要依赖预定义成对关系或整体重建上下文的局限,本文提出 T-JEPA 架构以利用地球观测数据中固有的稀疏和非均匀时间采样作为监督信号。该架构通过共享单帧编码器处理观测,并利用时间预测器从掩码源潜在表示和实际经过的时间估计完整目标潜在场,从而组织出结构化潜在轨迹。

    推荐理由:提出利用遥感数据稀疏时间采样的 T-JEPA 架构,在静态与动态任务上均取得领先的迁移性能。

  5. arXiv · 机器人与计算机视觉83

    Rotated, but How Far? Diagnosing and Improving Object-Rotation Reasoning in VLMs

    该论文介绍 OR-Bench 基准,发现现有视觉语言模型(VLMs)虽能检测物体旋转但无法可靠估计旋转幅度,存在“规范角度坍塌”现象。作者提出 RotationCue 轻量解码器,从模型冻结表征中恢复粗粒度旋转信息并反馈给模型,在三个 VLM 上使 OR-Bench 宏平均准确率提升 7.9--12.6 个百分点且保持通用能力。

    推荐理由:提出 OR-Bench 基准揭示 VLMs 在旋转角度估计上的能力缺陷,并通过 RotationCue 方法利用冻结表征中的粗粒度信息提升模型表现。

  6. arXiv · 机器人与计算机视觉78

    FOCUS:面向不确定性感知的半静态场景细粒度开放词汇变化检测

    自主机器人需在长周期运行中更新环境记忆以应对世界变化。本文提出 FOCUS 框架,将半静态记忆维护建模为概率推断,融合几何似然与从 3D 高斯地图渲染的外观似然。

    推荐理由:提出 FOCUS 框架,利用不确定性感知解决半静态场景中的细粒度变化检测问题。

  7. arXiv · 机器人与计算机视觉78

    ArticuTable:基于单张图像生成实例级交互式刚柔混合 3D 桌面场景

    论文提出 ArticuTable 框架,能够从单张输入图像恢复包含可执行部件级关节运动的刚柔混合 3D 桌面场景布局。该方法通过结合多模态大语言模型引导的关节拟合与语义状态推理(GRAM)从单体代理网格中提取可靠参数,并利用渐进式语义 - 几何场景配准(PSGSR)在度量、平面及输入视图约束下解决姿态尺度歧义。

    推荐理由:提出 ArticuTable 框架,从单图生成可交互的刚柔混合桌面场景并开放百例仿真数据。

  8. arXiv · 机器人与计算机视觉82

    F$^2$ SLAM:将前馈几何转化为持久因子的 SLAM 方法

    论文提出 F$^2$SLAM,通过将前馈 3D 模型直接转化为优化原生目标权重测量并附加到持久稠密因子图,解决了现有方法仅事后对齐导致多视图证据未进入优化器的问题。

    推荐理由:该方法将前馈几何直接转化为优化原生因子,在 Replica 数据集上将未标定状态下的平均 ATE RMSE 从 0.030 m 降至 0.002 m。

  9. arXiv · 机器人与计算机视觉78

    ReLaViS:基于循环潜空间视觉搜索的 GUI 元素定位方法

    针对现有单步视觉定位难以处理小元素和密集布局的问题,本文提出 ReLaViS 模型,在 Qwen2.5-VL-7B 基础上实现单轮交互内的循环潜空间视觉搜索。该方法通过空间搜索头查询截图视觉令牌并聚合为潜证据进行反馈,结合从全局到局部的 GUI 感知归纳偏置。

    推荐理由:提出 ReLaViS 模型,在单轮交互内实现循环潜空间视觉搜索,显著提升了 GUI 元素定位的准确率。

  10. arXiv · 机器人与计算机视觉82

    几何如何进入生成的运动?:视频生成模型对物理定律的偏离分析

    该研究通过固定物理定律和初始状态、仅改变首帧几何(如轨道起伏、障碍物高度)的方法,对比了九种图像到视频模型生成的轨迹与模拟器预测。结果显示,虽然局部几何被保留并影响速度等运动特征,但生成运动的演化系统性地偏离了固定物理定律:平均坡度无法有效加速小球,连续接触未能维持一致状态,且编辑操作能提前改变尚未到达物体的运动。此外,文本提示强控制目的地,片段长度强控制时序,该模式在实拍首帧下同样存在。

    推荐理由:论文通过固定物理定律与初始状态仅改变首帧几何的实验,揭示了当前视频生成模型在运动合成中如何偏离物理演化规律。

  11. arXiv · 机器人与计算机视觉78

    RoMod:基于混合专家门控的视频异常检测新框架

    论文提出 RoMod 框架,利用冻结的多模态大模型中间层特征进行视频异常检测。研究发现异常证据集中在少数自发特化的专家中,据此设计了路由调制融合模块(RoMF)和感知时间演变的网络(RoTN)。该方法仅需 5% 弱标注数据即可在三个基准测试上达到最先进性能,且推理速度显著快于稠密骨干网。

    推荐理由:利用多模态大模型中间层特征,通过稀疏 MoE 路由机制实现仅需 5% 弱标注数据即可达到最先进效果的视频异常检测框架。

  12. arXiv · 机器人与计算机视觉78

    ReMAP:通过推理时间潜记忆恢复感知循环

    论文提出 ReMAP(Reasoning-Time Memory-Augmented Perception)框架,旨在解决多模态大语言模型长程推理时视觉注意力衰减的问题。

    推荐理由:提出 ReMAP 框架,通过全局与局部潜记忆耦合及强化学习访问策略,在多基准测试中显著优于现有方法并减少推理序列中的视觉 token。

  13. arXiv · 机器人与计算机视觉82

    Salvation Lies Within:通过语言引导激发步蒸馏扩散模型固有风格迁移

    针对步蒸馏文本到图像(T2I)模型后训练带来的计算成本与原生少步生成行为受损问题,提出 StyleForge 全自动免训练框架。该框架将参考图像的视觉证据组织为渲染指令规范,编译成可复用的文本引导,使冻结的步蒸馏 T2I 模型能在不同内容提示下保持参考风格并保留少步生成特性。实验显示其生成质量分数较最强基线最高提升 29.47%,且 Pareto 分析表明风格化增强同时保持了良好的内容遵循度。

    推荐理由:提出 StyleForge 框架,通过语言引导激发步蒸馏扩散模型的固有风格迁移能力,无需额外训练即可在保留少步生成特性的同时提升风格化质量。

  14. arXiv · 机器人与计算机视觉82

    $R^2$-WAM:面向世界动作模型的修复与拒绝后训练方法

    针对世界动作模型(WAMs)预测结果可能与输入动作不一致的问题,本文提出$R^2$-WAM框架。该方法包含两阶段:首先利用运动学对齐分数将预测视频与机器人演示行为进行运动学对齐,确保预测未来忠实反映输入动作;随后比较采样动作与演示动作的想象结果,对任务进度低于参考基准的样本应用负向微调。

    推荐理由:提出$R^2$-WAM框架,通过运动学对齐修复预测视频并拒绝低质量样本进行负向微调,在RoboTwin 2.0上平均成功率达93.8%。

  15. arXiv · 机器人与计算机视觉78

    Reflection-Robust 6DoF Object Tracking with Light Fields

    针对反光表面导致外观不稳定的问题,该方法利用光场技术将反射视为姿态线索而非噪声。系统每帧恢复深度并反投影为点云,估计法线后将物体外观分解为漫射反照率和环境图,构建可重光照的表面光场。

    推荐理由:提出基于光场的反射鲁棒 6DoF 跟踪方法,将镜面反射转化为姿态线索,在完全反光物体上优于现有基线。

  16. arXiv · 机器人与计算机视觉78

    DriftSR:通过分布漂移的一步现实世界图像超分辨率

    该论文提出了 DriftSR 框架,旨在解决现实世界图像超分辨率(Real-ISR)中依赖分数蒸馏或对抗学习导致优化繁琐的问题。该方法在预训练扩散模型的冻结中间表示空间内进行分布漂移,无需引入额外的任务特定特征编码器。通过引入空间特征漂移和结构调制引导,DriftSR 仅优化一步生成器即可实现高质量重建。实验在三个现实世界基准上验证了其高效性与高画质。

    推荐理由:提出 DriftSR 框架,在冻结预训练扩散模型中间表示空间进行分布漂移,仅需一步生成器优化即可实现高质量现实图像超分辨率。

  17. arXiv · 机器人与计算机视觉78

    MOXIE:发现生物医学图像分类器的替代解释

    针对基于分割的解释方法(如 LIME)仅返回单一解释且受分割方式限制的问题,本文提出了 MOXIE 进化框架。该框架搜索能保持分类器置信度同时最小化图像区域的分割子集,返回从紧凑到高保真的帕累托前沿。在 BloodMNIST 和 HAM10000 数据集上的评估显示,MOXIE 的超体积优于 LIME,且揭示了单一解释可能误导模型决策的事实。

    推荐理由:该工作提出进化框架以寻找模型决策的多种替代解释,揭示单一解释可能掩盖的关键事实。

  18. arXiv · 机器人与计算机视觉78

    Lollypop:基于参考目标的相机至动作捕捉标定验证方法

    论文提出了 Lollypop 参考目标,通过耦合 ArUco 标识符与动作捕捉标记星座,使视觉中心与追踪质心代表同一物理点,从而独立验证相机与动作捕捉系统的标定一致性。实验表明该方法具备亚像素级名义误差,并对受控的外部扰动敏感,能在混合操作序列中监测误差增长。该工作已接受发表于 IEEE SENSORS 2026,原文为预印本版本。

    推荐理由:提出 Lollypop 参考目标用于独立验证相机与动作捕捉系统的标定漂移,实验展示了亚像素级误差及对外部扰动的敏感性。

  19. arXiv · 机器人与计算机视觉82

    RePart:一种用于 3D 分割的强化学习部分推理方法

    该论文提出了 RePart(Reinforcement Part Reasoning)方法,将几何原语的组织问题建模为有限视界马尔可夫决策过程,通过轨迹级强化学习实现语义组织。

    推荐理由:该文提出基于强化学习的语义部分推理方法 RePart,在无需微调情况下实现了几何原语到语义部分的组织与分割。

  20. arXiv · 机器人与计算机视觉78

    WASP:基于临床元数据的胎儿脑MRI-超声弱对齐时空对方法

    针对胎儿MRI成本高而超声数据丰富的不对称性,本文提出WASP框架,将跨模态对应建模为受胎龄和诊断平面驱动的熵最优传输问题。该方法无需微调骨干网络即可将MRI表征映射至超声潜空间。

    推荐理由:提出WASP框架,利用临床元数据解决胎儿MRI与超声的弱对齐问题,在未见MRI预训练下显著降低胎龄估计误差。