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 5 页

11月17日周二第 81–100 条
  1. arXiv · 机器人与计算机视觉78

    FiReIQ:融合推理与图像质量的字段级置信度估计方法

    针对现有不确定性估计器难以区分字段级推理误差且忽视视觉退化问题,本文提出 FiReIQ 框架,通过结合单生成过程的字段对齐推理信号与局部全局图像质量特征进行质量条件化视觉融合。研究构建了涵盖金融票据和法律合同的 FiReIQ-Bench 基准,实验表明该方法在私有金融服务数据上将 AUROC 提升 6.8%,95% 精度下的覆盖率提升 10.6%,有效降低了人工复核需求并提升了文档自动化可靠性。

    推荐理由:FiReIQ 框架结合推理信号与图像质量特征,在金融票据等文档提取任务中显著提升了置信度判别能力。

  2. arXiv · 机器人与计算机视觉78

    Scaling Channel-Adaptive Self-Supervised Learning

    该论文针对非 RGB 科学成像(如生物、医学和卫星图像)中数据集通道组成异质性的问题,提出 DINO BoC 方法。研究发现,在大规模数据训练下,独立编码通道的策略显著优于联合编码方法。该方法在从细胞显微镜到地理空间图像的广泛实验验证中表现优异,特别是在分布外任务和无见过组合的泛化上达到新的 SOTA。作者开源了用于荧光显微镜的新型通用特征提取器的代码和模型权重。

    推荐理由:论文提出 DINO BoC 方法,证明在大规模数据下独立编码通道优于联合编码,并在荧光显微镜等基准上刷新 SOTA。

  3. arXiv · 机器人与计算机视觉84

    相同证据不同判决:CT 图像与 DICOM 元数据交付顺序改变 VLM 质检决策

    论文发现视觉语言模型(VLM)在检查临床影像时,若先见图像后见元数据,会推翻约 91% 的误判;反之则推翻 98-100%。研究基于 60 对含覆盖缺陷的 NLST 胸部 CT 及真实不匹配样本验证了该现象,并指出简单警告句可将顺序反转影响降至 9% 以下。

    推荐理由:研究发现 VLM 对相同证据的质检决策受输入顺序影响,揭示了临床影像处理中的新风险。

  4. arXiv · 机器人与计算机视觉78

    面向内窥镜手术视频理解的特征空间潜在预测方法

    Songtao Hu 等人提出一种特征空间语义预测框架,旨在解决现有手术辅助系统过度关注外观保真而忽视下游推理需求的问题。该方法直接在冻结的视觉基础模型(VFM)表示中建模时序动态,通过构建分层目标表示并用可学习掩码替换未来帧特征,训练掩码 Transformer 从观测上下文预测潜在特征。

    推荐理由:提出在冻结视觉基础模型特征空间进行语义预测的框架,相比像素级合成在手术流程预判与工具识别上表现更优。

  5. arXiv · 机器人与计算机视觉80

    仅识别事件不足:流式 VLM 在组合指令触发上的困境及 TEMPI 解决方案

    本文指出单纯识别个体事件无法保证流式视频中组合指令的正确执行,引入 CoTriggerBench 基准验证通知时机与静默问题,并提出实时 VLM 智能体 TEMPI。TEMPI 通过分解原子查询、维护场景记忆及重叠视觉编码优化推理管道,在 8 GB RTX 5060 上实现 4.90 倍加速,指令级成功率达 44.4%,优于最强闭源与开源基线。材料为预印本论文,未涉及真实机器人部署或量产许可。

    推荐理由:提出 TEMPI 智能体与 CoTriggerBench 基准,解决流式视频理解中的时序指令触发难题。

  6. arXiv · 机器人与计算机视觉78

    AITHER:面向混合权威性的图文证据路由方法

    论文提出 AITHER(Authority-Informed Text-Image Hierarchy)框架,旨在解决传统 grounding 方法中隐含的决策问题——即何种输入有权决定答案。

    推荐理由:提出 AITHER 方法,通过无训练语义帧路由解决多权威图文推理冲突,在 MATRIX 基准上准确率超最强基线 9.1 个点。

  7. arXiv · 机器人与计算机视觉85

    Acting by Intent, Reacting by Sight:面向实时 VLM 智能体的视觉条件反射方法

    论文提出 ViCoR(Visual Conditioned Reflex)架构,旨在解决通用视觉语言模型在实时交互环境中反应过慢的问题。该方法将正常游戏动作与轻量级情境指导交由主 VLM 处理,同时利用无需深度思考的视觉反射分支检查局部动态视图以做出亚秒级决策。

    推荐理由:提出 ViCoR 架构,通过视觉条件反射分支将高频反应决策延迟降低 2.6 倍并减少 36.9% token 消耗。

  8. arXiv · 机器人与计算机视觉82

    Whole-Slice Misses Escape Round-Trip Filtering and Volumetric Dice in a Source-Free Flow-Matching Segmenter

    Guobiao Wang 审计了一种无源流匹配分割器在 120 名未见训练数据上的表现,发现模型常漏检脾脏且现有质量门控(往返过滤和体积 Dice)无法识别此类错误。作者提出 Chain-and-Fill 方法在 119 名患者上满足所有预注册终点,其严重组增益与 SAM 2 传播不可区分,且仅 1/357 的患者种子对受损。

    推荐理由:原文审计了无源流匹配分割器在 CT 影像中的脾脏漏检问题,并验证了链式填充修复方法的有效性。

  9. arXiv · 机器人与计算机视觉78

    TopSDF:用于从 3D Gaussian Splatting 提取高质量三角网格的拓扑符号距离场

    论文 TopSDF 针对 3D Gaussian Splatting 提取干净、水密显式表面网格的挑战,提出将符号距离状态建模为多元高斯随机场的框架。通过学习四面体顶点间的潜在拓扑协方差,该方法扩展了局部自由度并允许候选网格顶点沿四面体的双极边灵活放置,同时直接整合变分网格化能量与能量驱动的 Gaussian 稠密化策略以改善三角形质量。

    推荐理由:提出基于拓扑协方差的 SDF 场框架,解决 3DGS 网格提取中的梯度冲突与退化三角形问题。

  10. arXiv · 机器人与计算机视觉78

    Robustness as a Transferable Skill: Cross-Task Adversarial Defense for Vision-Language-Action Policies

    该研究针对视觉语言动作(VLA)策略易受对抗扰动的问题,提出一种无需目标侧对抗训练即可复用源任务防御能力的跨任务防御方法。作者引入 Source-Norm Transferable Robustness Vector (SN-TRV) 技术,仅利用源更新均值方向并校准幅度,将其应用于目标视觉编码器,无需额外推理模块或梯度优化。

    推荐理由:提出无需目标侧对抗训练的跨任务防御复用方法,通过源更新迁移提升 VLA 策略鲁棒性。

  11. arXiv · 机器人与计算机视觉82

    硬负样本微调如何影响多模态大语言模型?来自组合基准的受控证据

    论文 CompHall 通过受控实验评估了硬负样本微调对多模态大语言模型组合推理能力的影响。研究发现,修正后的损失函数能显著提升空间关系问题的准确率,但该方法存在图像幻觉无关性、泛化能力有限以及引入肯定偏置等局限。

    推荐理由:该文通过受控实验揭示了硬负样本微调对多模态大模型组合推理能力的具体提升幅度与局限性,并指出了该方法引入的偏置问题。

  12. arXiv · 机器人与计算机视觉78

    超越原始相似度:基于先验感知的分布外检测方法

    针对视觉语言模型在分布外(OOD)输入上过度自信的问题,本文提出多模态 Logit 融合(MM-Log)方法。该方法在不丢弃预训练几何结构的前提下,将零样本先验与任务适配分支的四个跨模态相似度通道融合为单一 OOD 分数,利用冻结 CLIP 对捷径攻击形成一致性校验。

    推荐理由:提出无需微调的零样本先验融合方法,通过冻结 CLIP 与任务分支的一致性检查提升分布外检测鲁棒性。

  13. arXiv · 机器人与计算机视觉78

    Speaking-Clock Mamba:基于音素条件状态空间模型的视觉强制对齐

    该论文提出 Speaking-Clock Mamba 模型,旨在解决无声说话人脸视频中音素与单词边界的定位问题。现有方法在解码阶段强加转录顺序,导致编码器缺乏显式机制锚定时间表示,造成长序列下的对齐漂移。

    推荐理由:提出 Speaking-Clock Mamba,通过语音钟监督机制解决长序列对齐漂移问题。

11月16日周一
  1. 量子位77

    阿里巴巴发布Qwen4-Max基座大模型,智能体及编程能力进阶

    阿里巴巴于11月16日发布全新一代基座大模型Qwen4-Max,总参数2.4T,具备原生视觉能力和百万上下文支持。该模型采用基于稀疏注意力的MoE架构,激活参数仅71B,在CodeArena前端编程盲测中位居全球第六,在Agents' Last Exam等智能体评测中处于领先梯队。

    推荐理由:阿里发布Qwen4-Max,总参数2.4T且激活仅71B,在CodeArena等权威评测中表现领先,并支持持续交付与运筹建模。

  2. arXiv · 机器人与计算机视觉83

    MeanFlowAdvantage:面向平均速度生成器的稳定奖励微调方法

    论文提出 MeanFlowAdvantage,解决平均速度表示与现有基于瞬时速度的奖励微调不匹配问题。该方法通过共享的分离均值流导数修正,将奖励目标表达在预测空间,同时使 rollout 和参考正则化成为对推理部署的平均速度网络的精确惩罚。

    推荐理由:提出针对平均速度生成器的奖励微调目标,在少步采样下提升 SD3.5-Medium 指标并支持 DNA 设计任务。

  3. arXiv · 机器人与计算机视觉78

    Graph Your Own Prompt:一种基于模型预测图的自提示学习框架

    作者提出 Graph Consistency Regularization (GCR) 框架,通过引入参数无关的图一致性层,将模型自身的预测语义转化为全局类感知掩码预测图,并与批次级特征相似性图进行对齐。该机制利用自适应权重从图差异中学习各层重要性,优先保留语义可靠层并抑制噪声层,从而在不修改网络架构或训练流程的情况下提升特征质量与泛化能力。

    推荐理由:提出无需修改架构的图一致性正则化框架,利用模型自身预测构建类感知特征图以抑制噪声。

  4. arXiv · 机器人与计算机视觉78

    D2ToF:基于轻量级单光子 LiDAR 波形的单步扩散深度超分辨率方法

    论文提出 D2ToF 框架,利用蒸馏扩散策略和多元引导机制,将低分辨率单光子 LiDAR 波形(8x8)一步重建为高分辨率深度图(128x128),推理耗时约 83 毫秒。实验结果显示该方法优于现有基线,解决了极差输入上采样问题。

    推荐理由:提出 D2ToF 一步扩散框架,实现单光子 LiDAR 波形到高分辨率深度图的超分辨率重建。

  5. arXiv · 机器人与计算机视觉78

    Vision-as-a-Tool:一种将视觉作为工具的视觉 harness 框架

    该论文提出了 Vision-as-a-Tool (VaaT) 范式,通过 VHarness 框架将通用多模态大模型重构为可被调用的外部工具,使纯文本智能体在代理执行中完全卸载视觉推理任务。研究在图像转 HTML、SVG 及 3D 生成等任务上进行了评估,结果显示该架构显著提升了视觉保真度和几何准确性,证明了模块化视觉推理作为未来代理编码系统基础的有效性。

    推荐理由:提出将通用多模态大模型作为外部工具调用,使纯文本智能体具备视觉推理能力并提升生成质量。

  6. arXiv · 机器人与计算机视觉82

    SCAR:通过候选重排序连接粗粒度检索与细粒度定位

    该论文针对自然语言点云定位任务中检索顺序决定最终输出坐标的问题,提出 SCAR 方法。该方法将每个单元 - 细粒度坐标对视为定位假设,利用骨干网络实际细粒度点的空间支持进行证据读出,并结合中心支持、语义存在度等构建 23 维表示训练共享评分器。

    推荐理由:提出 SCAR 方法,通过空间一致性重排序解决自然语言点云定位中检索顺序决定最终输出的问题。