CONFERENCE ARCHIVE
CVPR 2026
自动驾驶 · 具身智能论文归档
从 716 篇 Oral / Highlight 论文中,收录 342 篇相关研究
端到端驾驶与规划 10
BEV与占用感知 1
3D检测与多模态融合 67
世界模型 12
VLA与机器人操作 17
人形与运动控制 10
具身导航与空间智能 11
定位与建图 38
仿真数据与评测 35
3D重建与渲染 92
基础模型与部署 49
01
端到端驾驶与规划
10 篇
RefAV: Towards Planning-Centric Scenario Mining
💡 用VLM按自然语言查询定位驾驶场景时空
🚗 为驾驶规划提供可扩展的场景挖掘与验证数据
Cainan Davidson · Deva Ramanan · Neehar Peri
HighlightRiskProp:碰撞锚定的自监督风险传播用于早期事故预判
RiskProp: Collision-Anchored Self-Supervised Risk Propagation For Early Accident Anticipation
💡 碰撞锚定自监督风险传播,免异常起点标注
🚗 提升行车视频早期事故预警,服务驾驶风险预测与决策
Yiyang Zou · Tianhao Zhao · Peilun Xiao 等 12 人
HighlightSafeDrive: 稀疏世界模型下端到端驾驶的细粒度安全推理
SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World
💡 轨迹条件稀疏世界模型驱动的显式安全推理
🚗 增强端到端驾驶的安全可解释推理与碰撞风险评估
Jungho Kim · Jiyong Oh · Seunghoon Yu 等 6 人
HighlightCausalVAD:通过因果干预去混淆的端到端自动驾驶
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
💡 稀疏因果干预模块在网络上实现后门调整去混淆
🚗 消除端到端驾驶模型的数据集偏置捷径,提升安全可靠性
Jiacheng Tang · Zhiyuan Zhou · Zhuolin He 等 6 人
Highlight面向端到端自动驾驶系统的规模感知数据选择
Scaling-Aware Data Selection for End-to-End Autonomous Driving Systems
💡 用神经缩放律拟合数据域并迭代优化数据混合比
🚗 提升自动驾驶训练数据配比效率与端到端驾驶指标
Tolga Dimlioglu · Nadine Chang · Maying Shen 等 5 人
HighlightActiveAD: 面向规划的端到端自动驾驶主动学习
ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving
💡 面向规划的主动学习采样与标注策略
🚗 降低端到端驾驶标注成本并提升关键长尾样本采样效率
Han Lu · Xiaosong Jia · Yichen Xie 等 7 人
Recover to Predict: Progressive Retrospective Learning for Variable-Length Trajectory Prediction
💡 级联回顾单元渐进对齐不完整观测特征
🚗 提升变长观测下的轨迹预测精度, 支撑安全规划
Hao Zhou · Lu Qi · Xiangtai Li 等 8 人
HighlightGuideFlow:面向端到端自动驾驶规划的约束引导流匹配
GuideFlow: Constraint-Guided Flow Matching for Planning in End-to-End Autonomous Driving
💡 约束引导流匹配规划
🚗 显式安全约束缓解轨迹模式崩溃,提升规划安全性与多样性
Lin Liu · Caiyan Jia · Guanyi Yu 等 9 人
HighlightLinkVLA:统一自动驾驶的语言-动作理解与生成
Unifying Language-Action Understanding and Generation for Autonomous Driving
💡 统一语言动作码本与辅助理解
🚗 提升驾驶VLA语言动作对齐与生成效率
Xinyang Wang · Qian Liu · WENJIE DING 等 10 人
HighlightCounterfactual VLA:自反思视觉-语言-动作模型
Counterfactual VLA: Self-Reflective Vision-Language-Action Model with Adaptive Reasoning
💡 反事实推理修正驾驶元动作与轨迹
🚗 提升端到端驾驶安全与可解释规划
Zhenghao Peng · Wenhao Ding · Yurong You 等 13 人
02
BEV与占用感知
1 篇
Monocular Open Vocabulary Occupancy Prediction for Indoor Scenes
💡 以3D语言高斯与不透明度感知算子做弱监督占用预测
🚗 让具身智能体理解开放类别、细粒度的室内三维占据
Changqing Zhou · Yueru Luo · Han Zhang 等 5 人
03
3D检测与多模态融合
67 篇
Customized Fusion: A Closed-Loop Dynamic Network for Adaptive Multi-Task-Aware Infrared-Visible Image Fusion
💡 闭环反馈与基向量库实现任务定制融合
🚗 提升红外-可见光多传感器感知融合,可迁移至自动驾驶视觉感知
Zengyi Yang · Yu Liu · Juan Cheng 等 6 人
SeeGroup: Multi-Layer Depth Estimation of Transparent Surfaces via Self-Determined Grouping
💡 循环分解模块与强度公式实现多层深度估计
🚗 为机器人交互透明物体提供多层深度感知能力
Hongyu Wen · Jia Deng
ComPose: A Unified Completion-Pose Framework for Robust Category-Level Object Pose Estimation
💡 统一点云补全与类别级物体位姿估计
🚗 提升机器人操作与自动驾驶中物体6D位姿感知鲁棒性
Huan Ren · Yihan Chen · Chuxin Wang 等 6 人
CoSMo3D: Open-World Promptable 3D Semantic Segmentation through LLM-Guided Canonical Spatial Modeling
💡 LLM引导规范空间实现开放世界3D语义分割
🚗 增强机器人/自动驾驶在开放场景的3D语义感知与泛化
Li Jin · Weikai Chen · Yujie Wang 等 10 人
RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video
💡 基于SAM2的机器人分割基础模型与数据集
🚗 为机器人感知提供精确分割,支撑数字孪生与动作提取
Haiyang Mei · Qiming Huang · Hai Ci 等 4 人
S^2AM3D: Scale-controllable Part Segmentation of 3D Point Clouds
💡 融合2D先验与3D一致监督,支持尺度可控部件分割
🚗 点云部件级分割与大尺度数据集可支撑机器人抓取与3D感知
Han Su · Tianyu Huang · Zichen Wan 等 5 人
VGGT-Segmentor: Geometry-Enhanced Cross-View Segmentation
💡 用联合分割头消除跨视角像素级投影漂移
🚗 为具身智能提供跨视角几何与语义一致的实例分割
Yulu Gao · Bohao Zhang · Zongheng Tang 等 6 人
Oral学习潜在概念用于分布外目标检测
Learning Latent Concepts for Detecting Out-of-Distribution Objects
💡 无监督概念发现+神经概念绑定器实现未知概念注入
🚗 增强检测器对未知物体的辨识,提升驾驶感知安全性
Ting Peng · Junhao Dong · Yew-Soon Ong
Optical Flow Matching: Reframing Optical Flow as Continuous Transport Dynamics
💡 以时变速度场建模光流连续传输,提出三角速度协同TVS
🚗 提供连续运动估计新范式,可用于驾驶场景运动与场景流感知
Ao Luo · XIN LI · Fan Yang 等 8 人
SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker
💡 AMG-LoRA实现跨模态匹配对齐
🚗 为多模态感知提供高效自适应跟踪与微调
Junbin Su · Ziteng Xue · Shihui Zhang 等 6 人
U^2Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation
💡 用增强一致性导出无监督不确定性监督并引导光流细化
🚗 提升遮挡等困难区域光流鲁棒性,可用于里程计与运动估计
Xunpei Sun · Wenwei Lin · Yi Chang 等 4 人
SDTrack: A Baseline for Event-based Tracking via Spiking Neural Networks
💡 首个Transformer脉冲驱动跟踪流程
🚗 提升事件相机跟踪能效与精度,可用于驾驶/机器人
Yimeng Shan · Zhenbang Ren · Haodi Wu 等 14 人
Differentiable Laplacian Matrix Guided Superpixel Segmentation
Jeremy Juybari · Joshua Hamilton · Shuvra Das 等 6 人
Dual-level Adapter Boosting Prompt-free Curvilinear Structure Segmentation
Kai Zhu · Li Chen · Jun Cheng
HighlightCD-Buffer:面向恶劣天气目标检测测试时自适应的互补双缓冲框架
CD-Buffer: Complementary Dual-Buffer Framework for Test-Time Adaptation in Adverse Weather Object Detection
💡 双缓冲按特征域偏移平衡加减策略
🚗 提升恶劣天气下目标检测鲁棒性,服务自动驾驶感知
Youngjun Song · Hyeongyu Kim · Dosik Hwang
HighlightDA-Mamba:面向域自适应目标检测的域感知状态空间模型全局-局部对齐
DA-Mamba: Learning Domain-Aware State Space Model for Global-Local Alignment in Domain Adaptive Object Detection
💡 CNN-SSM混合建模全局局部域不变特征
🚗 以线性复杂度实现跨域检测,助力自动驾驶感知部署
Haochen Li · Rui Zhang · Hantao Yao 等 8 人
Highlight基于事件的无配对数据运动去模糊
Event-based Motion Deblurring with Unpaired Data
💡 无配对事件物理先验与置信掩码去模糊
🚗 改善运动模糊下视觉质量,利于驾驶与机器人感知
Hoonhee Cho · Yuhwan Jeong · Kuk-Jin Yoon
Highlight深度假设引导的迭代细化事件-图像单目深度估计
Depth Hypothesis Guided Iterative Refinement for Event–Image Monocular Depth Estimation
💡 深度假设体引导多尺度相关搜索细化
🚗 提升事件-图像单目深度估计精度与稳定性
Daikun Liu · Teng Wang · Changyin Sun
Highlight基于事件的视觉变形测量
Event-based Visual Deformation Measurement
💡 事件帧融合与仿射不变单纯形建模
🚗 为高速动态与柔性物体形变感知提供新方案
Yuliang Wu · Wei Zhai · Yuxin Cui 等 6 人
Highlight从对比到一致性:重新思考基于事件的连续时间光流估计
From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation
💡 时空结构一致性约束混合监督光流
🚗 为动态场景提供高时序精度连续光流估计
rui hu · Song Wu · Wen Yang 等 4 人
HighlightEHETM:基于事件相机的高质量高效湍流抑制
High-Quality and Efficient Turbulence Mitigation with Events
💡 利用事件极性交替结构先验抑制湍流
🚗 事件相机高效复原能力可迁移至车载感知
Xiaoran Zhang · Jian Ding · Yuxing Duan 等 7 人
Highlightx^2-Fusion:事件边缘空间中的跨模态跨维度流估计
x^2-Fusion: Cross-Modality and Cross-Dimension Flow Estimation in Event Edge Space
💡 以事件边缘空间统一图像激光事件特征
🚗 统一多模态光流与场景流估计,增强动态感知
Ruishan Guo · Ciyu Ruan · Haoyang Wang 等 6 人
HighlightCIGPose:用于全身姿态估计的因果干预图神经网络
CIGPose: Causal Intervention Graph Neural Network for Whole-Body Pose Estimation
💡 因果干预去混淆,提升全身姿态估计鲁棒性
🚗 提供机器人/具身智能的全身姿态感知能力
Bohao Li · Zhicheng Cao · Huixian Li 等 4 人
Highlight曲率感知描述生成:基于测地注意力的3D场景理解
Curvature-Aware Captioning: Leveraging Geodesic Attention for 3D Scene Understanding
💡 用双曲测地注意力在大规模点云上做稠密描述
🚗 为机器人导航提供兼具局部几何与全局语义的3D场景理解
Ziyao He · Yingjie Liu · Zhang Yangrui 等 6 人
HighlightSAQN:面向3D指代分割的语义自适应查询网络
SAQN: Semantic-based Adaptive Query Network for 3D Referring Expression Segmentation
💡 用类别可学习查询替代点云生成查询
🚗 显著减少查询数并提升点云语言指代分割精度
Jiale Huang · Shangfei Wang
HighlightV^2-SAM:结合多提示专家的跨视角物体对应
V^2-SAM: Marrying SAM2 with Multi-Prompt Experts for Cross-View Object Correspondence
💡 双提示生成器让SAM2实现跨视角物体对应
🚗 为机器人跨视角感知提供物体级对应与分割能力
Jiancheng Pan · Runze Wang · Tianwen Qian 等 10 人
HighlightLitePT:更轻量却更强的点云Transformer
LitePT: Lighter Yet Stronger Point Transformer
💡 点云网络前卷积后注意力并引入PointROPE
🚗 提升点云骨干效率与精度,服务自动驾驶3D感知
Yuanwen Yue · Damien Robert · Jianyuan Wang 等 7 人
Highlight基于像素集体贡献的目标检测器解释
Explaining Object Detectors via Collective Contribution of Pixels
💡 用Shapley值与交互量化像素集体贡献
🚗 可定位检测关键区域,助自动驾驶感知可解释与安全验证
Toshinori Yamauchi · Hiroshi Kera · Kazuhiko Kawamoto
HighlightMamba在上下文中学习:面向多任务点云理解的结构感知域泛化
Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding
💡 结构感知序列化与上下文点云域泛化
🚗 提升点云跨域多任务泛化,可服务自动驾驶3D感知
Jincen Jiang · Qianyu Zhou · Yuhang Li 等 8 人
Highlight去噪与对齐:面向全景语义分割的无源域无监督域适应
Denoise and Align: Towards Source-Free UDA for Robust Panoramic Semantic Segmentation
💡 无源域设定下联合去噪与对齐提升伪标签可靠性
🚗 增强自动驾驶全景环视感知的跨域分割鲁棒性
Yaowen Chang · Zhen Cao · Xu Zheng 等 5 人
HighlightTeFlow: 自监督前馈场景流估计的多帧监督
TeFlow: Enabling Multi-frame Supervision for Self-Supervised Feed-forward Scene Flow Estimation
💡 时间集成挖掘时序一致监督信号
🚗 提升自监督点云场景流估计鲁棒性, 服务3D感知
Qingwen Zhang · Chenhan Jiang · Xiaomeng Zhu 等 7 人
Highlight实时变化:基于多视图融合的在线场景变化检测
Changes in Real Time: Online Scene Change Detection with Multi-View Fusion
💡 首创位姿无关、免标注的在线场景变化检测
🚗 支持机器人在动态环境中实时检测变化并更新场景表征
Chamuditha Jayanga Galappaththige · Jason Lai · Lloyd Windrim 等 6 人
HighlightOVRCOAT:缓解目标性偏差与区域-文本错位的开放词汇全景分割
Mitigating Objectness Bias and Region-to-Text Misalignment for Open-Vocabulary Panoptic Segmentation
💡 CLIP条件目标性调整与区域-文本精修联合纠偏
🚗 提升开放词汇全景分割对未见类别的识别,支撑开放世界感知
Nikolay Kormushev · Josip Šarić · Matej Kristan
HighlightRAVEN:用于高效啁啾级目标检测与分割的雷达自适应视觉编码器
RAVEN: Radar Adaptive Vision Encoders for Efficient Chirp-wise Object Detection and Segmentation
💡 啁啾级雷达高效检测分割
🚗 降低雷达计算与延迟,提升检测和BEV分割性能
Anuvab Sen · Mir Sayeed · Saibal Mukhopadhyay
Highlight恶劣条件下域自适应语义分割的启发式自步学习
Heuristic Self-Paced Learning for Domain Adaptive Semantic Segmentation under Adverse Conditions
💡 强化学习式自主类别调度器
🚗 提升恶劣天气语义分割域适应,助力自动驾驶感知
Shiqin Wang · Haoyang Chen · Huaizhou Huang 等 9 人
Highlight文本引导特征解耦的跨模态步态识别
Text-guided Feature Disentanglement for Cross-modal Gait Recognition
💡 用文本先验解耦跨模态步态特征
🚗 跨模态LiDAR-相机融合能力可迁移至多传感器感知
Zhiyang Lu · Ming Cheng
Highlight3D物体感知Transformer(3PT)
3D-Object Perception Transformer (3PT)
💡 统一检测、分割与6DoF位姿估计
🚗 增强机器人与自动驾驶的零样本3D物体感知泛化
Agastya Kalra · Tim Salzmann · Guy Stoppi 等 13 人
HighlightRARE:学习排序与检索的单目3D目标检测
RARE: Learn to RAnk and REtrieve for Monocular 3D Object Detection
💡 把置信度估计建模为排序与检索问题
🚗 提升单目3D检测置信度可靠性,助力自动驾驶感知
Hyeonjeong Park · Peixi Xiong · Xiaoqian Ruan 等 6 人
HighlightSABER:面向BEV检测器的空间一致3D通用对抗物体
SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
💡 生成多视角与跨帧一致的通用对抗物体
🚗 揭示BEV 3D检测器脆弱性,支撑自动驾驶安全评测
Aixuan Li · Mochu Xiang · Bosen Hou 等 6 人
Highlight场景重建作为3D检测的建图先验
Scene Reconstruction as Mapping Priors for 3D Detection
💡 自动构建密集建图先验以增强3D检测
🚗 利用建图先验提升自动驾驶3D检测鲁棒性
Yang Fu · Yuliang Zou · Hao Xiang 等 11 人
Highlight释放预测链在单目3D目标检测中的力量
Unleashing the Power of Chain-of-Prediction for Monocular 3D Object Detection
💡 自适应链式预测利用属性相关性
🚗 提升单目3D检测精度,助力自动驾驶感知
Zhihao Zhang · Abhinav Kumar · Girish Chandar Chandar 等 4 人
HighlightUniFusion:兼具鲁棒表征与源信息保持的统一图像融合框架
UniFusion: A Unified Image Fusion Framework with Robust Representation and Source-Aware Preservation
💡 统一多模态多曝光融合并保留源信息
🚗 多模态图像融合可增强夜间红外等多传感器驾驶感知
Xingyuan Li · Songcheng Du · Yang Zou 等 6 人
Highlight基于单目混合脉冲的240FPS立体视觉
240FPS Stereo Vision from Monocular Mixed Spikes
💡 时间光调制与脉冲相机从单目解耦双目视频
🚗 为驾驶与机器人提供高帧率紧凑型立体深度感知方案
Yeliduosi Xiaokaiti · Yakun Chang · Yang Bai 等 6 人
Highlight不再缺失:缺失红外下的字典引导跨模态图像融合
Missing No More: Dictionary-Guided Cross-Modal Image Fusion under Missing Infrared
💡 共享字典系数域融合,可推断缺失红外
🚗 缺失红外时仍可融合成像,提升车载多传感器感知鲁棒性
Yafei Zhang · Meng Ma · Huafeng Li 等 4 人
HighlightSpiderCam:基于差分离焦的低功耗快照深度相机
SpiderCam: Low-Power Snapshot Depth from Differential Defocus
💡 FPGA实时低功耗差分离焦深度计算
🚗 为机器人/自动驾驶提供低功耗实时3D深度感知
Marcos A. Ferreira · Tianao Li · John Mamish 等 7 人
HighlightLiteSense:利用RGB提升轻量级ToF的高分辨率度量深度估计
LiteSense: Lifting Lightweight ToF with RGB for High-Resolution Metric Depth Estimation
💡 RGB-ToF融合与PCSI空间注入
🚗 为资源受限平台提供低成本高分辨率度量深度感知。
Yusheng Li · Lizhi LOU · Yan Tang 等 6 人
HighlightMTD:度量深度的点金术
The Midas Touch for Metric Depth
💡 稀疏3D数据将相对深度转度量
🚗 即插即用提升度量深度,服务3D感知与建模。
Yu Ma · Zizhan Guo · Zuyi Xiong 等 8 人
PET-DINO: Unifying Visual Cues into Grounding DINO with Prompt-Enriched Training
💡 统一文本与视觉提示的开放集检测器
🚗 提升开放世界目标检测,可用于驾驶与机器人感知
Weifu Fu · Jinyang Li · Bin-Bin Gao 等 9 人
Highlight优于平均:空间感知的分割不确定性聚合提升下游性能
Better than Average: Spatially-Aware Aggregation of Segmentation Uncertainty Improves Downstream Performance
💡 提出空间感知的分割不确定性聚合策略
🚗 提升自动驾驶分割失败与OoD检测可靠性
Vanessa Emanuela Guarino · Claudia Winklmayr · Jannik Franzen 等 10 人
D-Convexity: A Unified Differentiable Convex Shape Prior via Quasi-Concavity for Data-driven Image Segmentation
💡 用拟凹性构造无阈值可微凸性先验
🚗 提升分割形状约束,可助力自动驾驶与机器人场景目标分割
Shengzhe Chen · Hao Yan
Highlight城市场景分割中的开放词汇域泛化
Open-Vocabulary Domain Generalization in Urban-Scene Segmentation
💡 提出OVDG-SS新设定与首个自动驾驶基准
🚗 提升城市场景开放词汇分割跨域鲁棒性,服务自动驾驶感知
Dong Zhao · Qi Zang · Nan Pu 等 6 人
Highlight检索与分割:少量示例足以弥合开放词汇分割的监督差距吗?
Retrieve and Segment: Are a Few Examples Enough to Bridge the Supervision Gap in Open-Vocabulary Segmentation?
💡 提出检索增强的少样本开放词汇分割适配器
🚗 提升开放词汇分割少样本适应,可扩展机器人感知能力
Tilemachos Aravanis · Vladan Stojnić · Vasileios Psomas 等 5 人
Highlight提升视觉语言模型实现跨域增量目标检测
Boosting Vision-Language Models Towards Cross-Domain Incremental Object Detection
💡 提出CDIOD基准与动态组子空间DGS
🚗 增强检测器跨域增量适应,助力自动驾驶持续感知
Xu Wang · Zihan Lin · Yixin Zhang 等 4 人
HighlightRaUF: 学习雷达的空间不确定性场
RaUF: Learning the Spatial Uncertainty Field of Radar
💡 各向异性概率建模学习雷达不确定性场
🚗 提升毫米波雷达几何感知与跨模态融合可靠性
Shengpeng Wang · Kuangyu Wang · Wei Wang
HighlightPromptMoE:利用混合专家改进提示的分割精修框架
PromptMoE: A Segmentation Refinement Framework Leveraging Mixture of Experts for Improved Prompting
💡 用MoE动态生成提示以精修分割掩码
🚗 提升分割边界质量,可服务自动驾驶感知标注与检测
Stephen Price · Danielle L. Cote · Elke A. Rundensteiner
Highlight热激活双模态对抗服装对抗AI监控系统
Thermally Activated Dual-Modal Adversarial Clothing against AI Surveillance Systems
💡 热致变色染料实现可开关的对抗图案
🚗 跨可见光与红外规避检测,启示感知鲁棒性研究
Jiahuan Long · Tingsong Jiang · Hanqing Liu 等 7 人
Highlight基于验证器引导伪标注的真实世界点跟踪
Real-World Point Tracking with Verifier-Guided Pseudo-Labeling
💡 元模型评估跟踪可靠性以筛选伪标签
🚗 提升真实视频点跟踪可靠性,可支撑机器人与驾驶感知
Görkay Aydemir · Fatma Güney · Weidi Xie
HighlightFractal Camouflage:红外域多尺度对抗攻击的仿生方法
Fractal Camouflage: A Bio-Inspired Approach for Multi-Scale Adversarial Attacks in the Infrared Domain
💡 分形几何生成多尺度物理红外对抗扰动
🚗 提升红外行人检测攻击鲁棒性,服务驾驶感知安全评估
Chengyin Hu · Xin wang · Rui Qiu 等 8 人
HighlightMocap-2-to-3:基于2D预训练的单目运动恢复多视角提升
Mocap-2-to-3: Multi-view Lifting for Monocular Motion Recovery with 2D Pretraining
💡 2D预训练与多视角提升恢复单目绝对动作
🚗 提供度量尺度人体动作,助力人形机器人模仿学习
Zhumei Wang · Zechen Hu · Ruoxi Guo 等 8 人
Highlight基于单句自然语言描述的实例跟踪学习
Learning to Track Instance from Single Nature Language Description
💡 自监督语言引导跟踪与动态token聚合
🚗 语言描述目标跟踪可增强机器人多模态感知
Yaozong Zheng · Bineng Zhong · Qihua Liang 等 6 人
Highlight超越静态帧:用于人体姿态估计的TAR-ViTPose
Beyond Static Frames: Temporal Aggregate-and-Restore Vision Transformer for Human Pose Estimation
💡 视频姿态估计的时序聚合与恢复ViT
🚗 提升遮挡与运动模糊下2D姿态估计,助机器人感知
Hongwei Fang · Jiahang Cai · Xun Wang 等 4 人
Highlight自适应深度轻量化RGB-T跟踪与整体令牌路由
Adaptive Depth Lightweight RGB-T Tracking with Holistic Token Routing
💡 置信度校准早退出与整体令牌跨模态交互
🚗 低算力多模态融合与自适应推理,可用于车载多传感器感知
Tian Ding · Hongtao Yang · Liangtao Shi 等 7 人
HighlightWave-Pose3D:姿态无关稀疏视角下的小波驱动3D异常检测
Wavelet-Driven 3D Anomaly Detection under Pose-Agnostic and Sparse-View
💡 小波优化高斯建模与结构先验过滤
🚗 增强稀疏视角3D重建与位姿估计,服务机器人感知
Mingwen Shao · Qiao Zhang · Xinyuan Chen 等 8 人
HighlightGSV2X: 面向鲁棒路侧感知的几何感知不确定性建模与正交融合
GSV2X: Geometry-Aware Uncertainty Modeling and Orthogonal Fusion for Robust Roadside Perception
💡 路侧相机-激光雷达几何不确定性与正交融合
🚗 提升路侧多传感器BEV感知在标定误差下的鲁棒性
jianqiang xu · Gensheng Pei · 刘华峰 Liu 等 4 人
A Semantically Disentangled Unified Model for Multi-category 3D Anomaly Detection
SuYeon Kim · Wongyu Lee · MyeongAh Cho
Beyond Strict Pairing: Arbitrarily Paired Training for High-Performance Infrared and Visible Image Fusion
Yanglin Deng · Tianyang Xu · Chunyang Cheng 等 6 人
HighlightFreqSIC: Frequency-aware Stereo Image Compression with Bi-directional Checkerboard Context Model
FreqSIC: Frequency-aware Stereo Image Compression with Bi-directional Checkerboard Context Model
Shiyu Qin · Yongkang Lu · Yimin Zhou 等 8 人
04
世界模型
12 篇
SparseWorld-TC: Trajectory-Conditioned Sparse Occupancy World Model
💡 绕过BEV与离散token,端到端预测未来多帧占用
🚗 为端到端驾驶提供轨迹条件下的未来占用预测
Jiayuan Du · Yiming Zhao · Zhenglong Guo 等 8 人
ProPhy: Progressive Physical Alignment for Dynamic World Simulation
💡 渐进物理对齐与混合物理专家机制
🚗 提升世界模型动态仿真的物理一致性
Zijun Wang · Panwen Hu · Jing Wang 等 10 人
WorldLens: Full-Spectrum Evaluations of Driving World Models in Real World
💡 提出驾驶世界模型五维全谱基准
🚗 为驾驶世界模型提供可靠性与物理一致性评测
Ao Liang · Lingdong Kong · Tianyi Yan 等 22 人
Highlight基于潜世界模型的视频生成模型推理时物理对齐
Inference-time Physics Alignment of Video Generative Models with Latent World Models
💡 以潜世界模型奖励引导去噪轨迹
🚗 提升视频物理合理性,可迁移至驾驶/机器人世界模型
Jianhao Yuan · Zhang Xiaofeng · Felix Friedrich 等 10 人
Highlight4D-RGPT:基于感知蒸馏的区域级4D理解
4D-RGPT: Toward Region-level 4D Understanding via Perceptual Distillation
💡 用感知蒸馏把4D表征注入多模态大模型
🚗 提升动态场景时空与区域级感知,可服务驾驶与机器人
Chiao-An Yang · Ryo Hachiuma · Sifei Liu 等 7 人
Highlight基于物理可控世界模型的物体理解
Physical Object Understanding with a Physically Controllable World Model
💡 可查询概率的物理世界模型与物体理解
🚗 为驾驶与机器人提供物理一致的世界状态预测
Rahul Venkatesh · Klemen Kotar · Lilian Naing Chen 等 12 人
HighlightU4D:基于LiDAR序列的不确定性感知4D世界建模
U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences
💡 按空间不确定性以难到易生成4D LiDAR场景
🚗 为自动驾驶提供高保真时序LiDAR世界模型
Xiang Xu · Ao Liang · Youquan Liu 等 7 人
HighlightNeoVerse:利用野外单目视频增强4D世界模型
NeoVerse: Enhancing 4D World Model with in-the-wild Monocular Videos
💡 无位姿前馈4D重建与在线退化模拟
🚗 可扩展4D世界模型用于驾驶/机器人仿真规划
Yuxue Yang · Lue Fan · Ziqi Shi 等 6 人
HighlightStaMo:从紧凑状态表示无监督学习泛化机器人运动
StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation
💡 用双token紧凑状态表示建模机器人运动
🚗 提升VLA在LIBERO与真实操作任务成功率
Mingyu Liu · Jiuhe Shu · Hui Chen 等 9 人
HighlightPointWorld:面向野外机器人操作的3D世界模型扩展
PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation
💡 以3D点流统一状态与动作的世界模型
🚗 预测动作下3D点位移,助力跨本体机器人操作
Wenlong Huang · Yu-Wei Chao · Arsalan Mousavian 等 7 人
Highlight一帧仅需一个Token:基于Delta Tokens的高效生成式世界建模
A Frame is Worth One Token: Efficient Generative World Modeling with Delta Tokens
💡 DeltaTok编码帧间特征差生成多未来
🚗 高效生成多未来,支撑驾驶/机器人世界模型
Tommie Kerssies · Gabriele Berton · Ju He 等 8 人
Interpretable Motion-Attentive Maps: Spatio-Temporally Localizing Concepts in Video Diffusion Transformers
Youngjun Jun · Seil Kang · Woojung Han 等 4 人
05
VLA与机器人操作
17 篇
NitroGen: An Open Foundation Model for Generalist Gaming Agents
💡 用4万小时游戏视频训练视频-动作基础模型
🚗 其视频-动作预训练范式可迁移至具身智能体与驾驶
Loïc Magne · Anas Awadalla · Guanzhi Wang 等 14 人
AT-VLA: Adaptive Tactile Injection for Enhanced Feedback Reaction in Vision-Language-Action Models
💡 自适应注入触觉信号且不破坏预训练VLA能力
🚗 提升机器人接触密集操作的实时触觉闭环反应能力
Xiaoqi Li · Muhe Cai · Jiadong Xu 等 8 人
Structural Action Transformer for 3D Dexterous Manipulation
💡 结构中心动作表示支持异构灵巧手
🚗 提升跨具身高自由度灵巧操作策略泛化
Xiaohan Lei · Min Wang · Bohong Weng 等 5 人
HighlightCLaD:基于跨模态潜在动力学的具身预见规划
CLaD: Planning with Grounded Foresight via Cross-Modal Latent Dynamics
💡 跨模态转移动力学的潜空间预见建模
🚗 提升机器人操作长程任务的成功率与泛化性
Andrew Jeong · Jaemin Kim · Sebin Lee 等 4 人
HighlightSaPaVe:面向机器人主动感知与操作的视觉-语言-动作模型
SaPaVe: Towards Active Perception and Manipulation in Vision-Language Action Models for Robotics
💡 解耦相机与操作动作的分阶段联合学习
🚗 让机器人主动调整视角并在动态视点下稳健操作
Mengzhen Liu · Enshen Zhou · Cheng Chi 等 9 人
HighlightForeAct:以高效视觉预见规划引导VLA
ForeAct: Steering Your VLA with Efficient Visual Foresight Planning
💡 高效生成未来观测以引导VLA规划
🚗 提升VLA在开放环境中的操作精度与泛化
Zhuoyang Zhang · Shang Yang · Qinghao Hu 等 8 人
Highlight当机器人服从补丁:面向视觉-语言-动作模型的通用可迁移补丁攻击
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models
💡 提出通用可迁移对抗补丁攻击VLA
🚗 揭示并评测VLA机器人物理攻击脆弱性,促进鲁棒部署
Hui Lu · Yi Yu · Yiming Yang 等 8 人
Highlight面向类人机器人手写的轮廓感知生成
Towards Human-Like Robot Handwriting via Contour-Aware Generation
💡 轮廓感知手写轨迹重建与大规模数据集
🚗 提升机器人手写轨迹与笔画轮廓生成质量
Yutao Qin · Gang Dai · Yifan Zhang 等 6 人
HighlightBiPreManip: 基于可供性的双臂前瞻协作预操作学习
BiPreManip: Learning Affordance-Based Bimanual Pre-Manipulation through Anticipatory Collaboration
💡 先预见目标任务再引导单臂做预备操作
🚗 实现双臂长时序协同的预操作与抓取规划
Yan Shen · Feng Jiang · Zichen He 等 8 人
HighlightAVA-VLA: 以主动视觉注意力改进视觉-语言-动作模型
AVA-VLA: Improving Vision-Language-Action models with Active Visual Attention
💡 以POMDP信念状态动态调制视觉token
🚗 提升具身VLA长时序决策的视觉表征效率
Lei Xiao · Jifeng Li · Juntao Gao 等 9 人
Highlight面向视觉-语言-动作模型的跨手部潜动作表示
Cross-Hand Latent Representation for Vision-Language-Action Models
💡 跨不同灵巧手共享的统一潜动作空间
🚗 降低跨本体数据成本,提升灵巧操作VLA泛化
Guangqi Jiang · Yutong Liang · Jianglong Ye 等 9 人
HighlightGeoPredict:利用预测运动学与三维高斯几何实现精确VLA操作
GeoPredict: Leveraging Predictive Kinematics and 3D Gaussian Geometry for Precise VLA Manipulation
💡 为VLA引入预测运动学与三维高斯几何先验
🚗 提升机器人操作的3D空间精度与泛化能力
Jingjing Qian · Boyao Han · Chen Shi 等 7 人
Highlight利用可行动作邻域先验提升VLA微调
Boosting Vision-Language-Action Finetuning with Feasible Action Neighborhood Prior
💡 引入FAN高斯正则塑形VLA输出分布
🚗 提升VLA微调样本效率与泛化,促进机器人操作
Haochen Niu · Kanyu Zhang · Shuyu Yin 等 6 人
HighlightCycleManip:基于有效历史感知与理解的周期操作
CycleManip: Enabling Cycle-based Manipulation via Effective History Perception and Understanding
💡 端到端历史感知实现周期操作
🚗 为机器人循环重复操作提供框架与基准
Yi-Lin Wei · Haoran Liao · Yuhao Lin 等 7 人
HighlightE3Flow:基于球谐的高效混合SE(3)等变视觉运动流策略
Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation
💡 球谐等变结合流匹配稳定多模态
🚗 提升机器人操作策略数据效率与实时性
Qinglun Zhang · Shen Cheng · Tian Dan 等 6 人
HighlightGraspALL:任意低光条件下机器人衣物抓取的照明变化自适应结构补偿
GraspALL: Adaptive Structural Compensation from Illumination Variation for Robotic Garment Grasping in Any Low-Light Conditions
💡 光照-结构交互补偿自适应融合多模态
🚗 提升低光衣物抓取鲁棒性,服务全天候机器人
Haifeng Zhong · Wenshuo Han · Zhouyu Wang 等 13 人
HighlightEnergyAction:基于能量模型的单臂到双臂组合
EnergyAction: Unimanual to Bimanual Composition with Energy-Based Models
💡 用EBM组合单臂策略实现双臂操作
🚗 将单臂操作策略迁移至双臂机器人,降低双臂数据需求
Mingchen Song · Xiang Deng · Jie Wei 等 6 人
06
人形与运动控制
10 篇
HighlightRoboPerform:通过音频控制实现富有表现力的人形运动
Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control
💡 音频驱动的统一人形运动生成框架
🚗 为人形机器人提供音乐与语音驱动的运动生成能力
Zhe Li · Cheng Chi · Yangyang Wei 等 12 人
HighlightInterPrior:规模化生成控制以实现基于物理的人-物交互
InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions
💡 大规模模仿预训练与RL后训练统一运动先验
🚗 提升人形机器人操作与全身协调能力
Sirui Xu · Samuel Schulter · Morteza Ziyadi 等 7 人
Highlight基于流匹配的统一免数量文本到动作生成(UMF)
Unified Number-Free Text-to-Motion Generation Via Flow Matching
💡 统一免数量多智能体动作生成框架
🚗 可为人形机器人或具身智能提供多智能体动作生成先验
Guanhe Huang · Oya Celiktutan
HighlightCoordSpeaker: 利用手势描述实现协同描述增强的语音手势生成
CoordSpeaker: Exploiting Gesture Captioning for Coordinated Caption-Empowered Co-Speech Gesture Generation
💡 手势描述框架与条件潜扩散协同控制生成
🚗 文本-运动扩散生成能力可迁移至人形机器人全身动作合成
Fengyi Fang · Sicheng Yang · Wenming Yang
Highlight用于学习人体运动先验的几何神经距离场
Geometric Neural Distance Fields for Learning Human Motion Priors
💡 用神经距离场建模人体运动高阶先验
🚗 助人形机器人更物理合理地恢复与生成动作
Zhengdi Yu · Simone Foti · Linguang Zhang 等 7 人
HighlightSENTINEL:面向人形全身控制的端到端语言-动作模型
End-to-End Language-Action Model for Humanoid Whole Body Control
💡 端到端语言到人形全身动作流匹配
🚗 提升人形机器人语言理解与全身稳定执行
Yuxuan Wang · Haobin Jiang · Shiqing Yao 等 5 人
HighlightMaskAdapt:通过掩码不变先验学习物理角色的灵活运动适配
MaskAdapt: Learning Flexible Motion Adaptation via Mask-Invariant Prior for Physics-Based Characters
💡 掩码不变先验+两阶段残差运动适配
🚗 提升物理人形控制鲁棒性,可用于机器人全身运动适配
Soomin Park · Eunseong Lee · Kwang Bin Lee 等 4 人
HighlightFloodDiffusion:面向流式运动生成的定制扩散强制
FloodDiffusion: Tailored Diffusion Forcing for Streaming Motion Generation
💡 为时变文本流式人体运动定制扩散强制
🚗 提供低延迟文本驱动人体运动生成,可作人形机器人动作先验
YIYI CAI · Yuhan Wu · Kunhang Li 等 6 人
Highlight动作模体:人体运动的自监督层次表示
Action Motifs: Self-Supervised Hierarchical Representation of Human Body Movements
💡 自监督学习原子到模体的分层动作表示
🚗 为人形机器人模仿学习提供可复用人体动作表征
Genki Kinoshita · Shu Nakamura · Ryo Kawahara 等 6 人
HighlightGallant:面向三维受限地形的人形机器人运动与局部导航
Gallant: Voxel Grid-based Humanoid Locomotion and Local-navigation across 3-D Constrained Terrains
💡 体素LiDAR与2D CNN端到端人形运动导航
🚗 提升人形机器人在三维受限地形的运动与导航能力
Qingwei Ben · Botian Xu · Kailin Li 等 9 人
08
定位与建图
38 篇
Revisiting Geometric Obfuscation with Dual Convergent Lines for Privacy-Preserving Image Queries in Visual Localization
💡 提出双收敛线关键点混淆,抵抗隐私攻击
🚗 提升云端视觉定位的隐私安全与鲁棒性
Jeonggon Kim · Heejoon Moon · Je Hyeong Hong
PoseGAM: Robust Unseen Object Pose Estimation via Geometry-Aware Multi-View Reasoning
💡 免显式匹配的几何感知多视图位姿回归
🚗 提升未见物体6D位姿估计,助力机器人抓取操作
Jianqi Chen · Biao Zhang · Xiangjun Tang 等 4 人
FUSER: Feed-Forward Multiview 3D Registration Transformer and SE(3)^N Diffusion Refinement
💡 前馈多视图点云配准,直接预测全局位姿并扩散精化
🚗 提升多视图点云配准效率与精度,服务SLAM定位与建图
Haobo Jiang · Jin Xie · Jian Yang 等 5 人
From Pairs to Sequences: Track-Aware Policy Gradients for Keypoint Detection
💡 以强化学习序列决策优化关键点长期可跟踪性
🚗 提升SLAM/SfM关键点匹配与位姿估计鲁棒性
yepeng liu · Hao Li · Liwen Yang 等 11 人
Oral从7点或5点线性估计基础矩阵
Linear Fundamental Matrix Estimation from 7 or 5 Points
💡 提出7点特殊构型的首个线性基础矩阵求解器
🚗 提升两视图几何估计效率,可用于SLAM与重定位
Taci Ata Kucukpinar · Juan Mogollon · Joshua Fraser 等 5 人
Global-Aware Edge Prioritization for Pose Graph Initialization
💡 用GNN预测全局一致的边可靠性并指导MST建图
🚗 提升SLAM/SfM位姿图初始化质量与连通性,降低图直径
Tong Wei · Giorgos Tolias · Jiri Matas 等 4 人
QuadSync: Quadrifocal Tensor Synchronization via Tucker Decomposition
💡 首个四焦点张量同步算法,多线性秩与相机数无关
🚗 从高阶张量恢复相机位姿,强化三维重建与定位精度
Daniel Miao · Gilad Lerman · Joe Kileel
TESO: Online Tracking of Essential Matrix by Stochastic Optimization
💡 核相关损失与流形在线随机优化
🚗 在线跟踪外参漂移,提升多传感器融合鲁棒性
Jaroslav Moravec · Radim Sara · Akihiro Sugimoto
HighlightMV-RoMa:从成对匹配到多视图轨迹重建
MV-RoMa: From Pairwise Matching into Multi-View Track Reconstruction
💡 多视图密集匹配联合估计跨视图对应
🚗 提升SfM与三维重建一致性,服务定位建图
JongMin Lee · Seungyeop Kang · Sungjoo Yoo
Highlight基于PGO的无位姿图像场景坐标重建
Learning Scene Coordinate Reconstruction from Unposed Images via Pose Graph Optimization
💡 位姿图优化提升场景坐标重建一致性
🚗 增强SLAM/SfM在无监督位姿估计的鲁棒性
Tze Ho Elden Tse · Jizong Peng · Angela Yao
Highlight平行刚性对光束法平差的重要性
Parallel Rigidity Matters for Bundle Adjustment
💡 用平行刚性理论保证BA解的唯一可解性
🚗 提升SLAM/SfM求解的稳定性与位姿结构唯一性
Lalit Manam · Venu Madhav Govindu
Highlight简单有效的基于三元组的紧凑视觉定位压缩策略
Simple but Effective Triplet-Based Compression Strategies for Compact Visual Localization
💡 以点云三元组子集选择实现极简场景压缩
🚗 降低视觉定位内存占用,便于机器人端侧部署
Torsten Sattler · Zuzana Kukelova
Highlight全局运动恢复结构与前馈重建的结合
Global Structure-from-Motion Meets Feedforward Reconstruction
💡 融合经典SfM与前馈重建互补精度与鲁棒性
🚗 提升复杂场景位姿与场景结构重建的鲁棒性
Linfei Pan · Johannes Schönberger · Marc Pollefeys
Highlight从角点到标定板:重新审视事件相机棋盘格标定
From Corners to Fiducial Tags: Revisiting Checkerboard Calibration for Event Cameras
💡 直接从原始事件流检测棋盘格角点标定
🚗 提升事件相机标定精度,支撑多传感器融合与SLAM
Taehun Ryu · Changwoo Kang · Kyungdon Joo
HighlightSuP:子云驱动的点云配准
SuP: Sub-cloud Driven Point Cloud Registration
💡 将低重叠配准转为高重叠子云锚对挖掘
🚗 提升低重叠场景配准鲁棒性,服务SLAM与定位
Sheldon Fung · Wei Pan · Ling Cao 等 8 人
HighlightLEADER:面向LiDAR重定位的可靠局部到全局对应学习
LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
💡 鲁棒几何编码器与截断相对可靠性损失
🚗 提升LiDAR重定位在复杂环境中的位姿估计鲁棒性
Jianshi Wu · Minghang Zhu · dq Liu 等 8 人
HighlightGM-R^2:无监督几何表征与配准的生成式匹配学习
GM-R^2: Generative Matching Learning for Unsupervised Geometric Representation and Registration
💡 以跨视角生成作几何描述子监督信号
🚗 提升点云配准鲁棒性,服务SLAM与三维重建
Haobo Jiang · Liang Yu · Jianmin Zheng
HighlightGeneralized-CVO:基于二阶黎曼优化的快速无对应局部点云配准
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
💡 各向异性核RKHS表征配二阶黎曼优化
🚗 加速LiDAR与RGB-D里程计跟踪并提精度
Ray (Rui) Zhang · Carl Greiff · Thomas Lew 等 4 人
HighlightStreamVLO: 流式视觉-激光雷达里程计与累积漂移补偿
StreamVLO: Streaming Visual–LiDAR Odometry with Cumulative Drift Compensation
💡 Mamba统一时空关联与在线累积漂移补偿
🚗 提升动态环境视觉-激光雷达里程计定位精度与鲁棒性
Mengmeng Liu · Jiuming Liu · Michael Ying Yang 等 9 人
Highlight基于正交轮廓的全局最优位姿估计
Globally Optimal Pose from Orthographic Silhouettes
💡 利用轮廓面积连续性实现全局最优位姿搜索
🚗 提供无需对应点的物体位姿估计,可用于机器人感知
Agniva Sengupta · Dilara Kus · Jianning Li 等 4 人
HighlightCov2Pose:利用空间协方差进行直接流形感知的6自由度物体位姿估计
Cov2Pose: Leveraging Spatial Covariance for Direct Manifold-aware 6-DoF Object Pose Estimation
💡 协方差池化与SPD位姿编码
🚗 提升单图6D位姿估计,助力机器人抓取
Nassim Ali Ousalah · Peyman Rostami · Vincent Gaudillière 等 7 人
HighlightFlow4DGS-SLAM:光流引导的4D高斯泼溅SLAM
Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM
💡 光流分解生成运动掩码,动态静态高斯分离
🚗 提升动态场景下SLAM位姿估计与建图鲁棒性
Yunsong Wang · Gim Hee Lee
HighlightULF-Loc:基于3D高斯泼溅的无偏地标特征鲁棒视觉定位
ULF-Loc: Unbiased Landmark Feature for Robust Visual Localization with 3D Gaussian Splatting
💡 揭示3DGS特征偏差并提出无偏地标特征
🚗 为自动驾驶与机器人提供鲁棒视觉定位能力
Yingdong Gu · Shaocheng Yan · Zhenjun Zhao 等 7 人
Highlight用于检测临界两视图配置的Homaloidal参数化
Homaloidal parametrization for detecting critical two-view configurations
💡 利用Homaloidal圆锥网设计两视图退化检测
🚗 提升基础矩阵估计鲁棒性,可服务于SLAM与定位。
Rakshith Madhavan · Matteo Forlivesi · Marina Bertolini 等 6 人
HighlightCoLoR:大规模视觉定位中场景坐标回归的关键问题
CoLoR: The Devil is in Scene Coordinate Regression for Large-Scale Visual Localization
💡 两阶段自举与多粒度检索特征提升大场景定位
🚗 提升大规模视觉定位精度与内存效率,用于自动驾驶SLAM
Xindong Mao · Hang Li · Yuchen Wu 等 6 人
HighlightAsymLoc:面向高效视觉定位的非对称特征匹配
AsymLoc: Towards Asymmetric Feature Matching for Efficient Visual Localization
💡 师生非对称蒸馏实现轻量查询端视觉定位
🚗 降低边缘设备定位计算量,助力机器人实时重定位
Mohammad Omama · Gabriele Berton · Eric Foxlin 等 4 人
Highlight仿射透视三点问题
Affine Perspective-Three-Point Problem
💡 给出仿射P3P闭式解及精确迭代修正
🚗 为视觉定位与SLAM提供高效稳定位姿求解器
Gaku Nakano
HighlightVIRD:面向跨视角位姿估计的双轴变换视角不变表征
VIRD: View-Invariant Representation through Dual-Axis Transformation for Cross-View Pose Estimation
💡 用极坐标变换与位置注意力构建视角不变表征
🚗 提升GNSS失效场景下车辆跨视角全局定位精度
Juhye Park · Wooju Lee · Dasol Hong 等 7 人
HighlightSinGeo:释放单模型潜力的鲁棒跨视角地理定位
SinGeo: Unlock Single Model's Potential for Robust Cross-View Geo-Localization
💡 双判别学习让单模型适应任意视角与朝向
🚗 为无人平台提供免多模型部署的鲁棒地理定位能力
CHEN Yang · Xieyuanli Chen · Junxiang Li 等 5 人
HighlightGeoAgent:借助强化地理特征学习随处定位
GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics
💡 用专家CoT与地理奖励训练定位推理智能体
🚗 提供可解释的细粒度地理定位推理,辅助无人平台定位
Modi Jin · Yiming Zhang · Bo-Yuan Sun 等 6 人
HighlightVLM-Loc:基于视觉语言模型的点云地图定位
VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models
💡 把点云转BEV与场景图交由VLM空间推理
🚗 实现自然语言到点云地图的跨模态定位,服务机器人导航
Shuhao Kang · Youqi Liao · Peijie Wang 等 8 人
HighlightHOLO:面向SD地图精细视觉定位的单应性引导位姿估计网络
HOLO: Homography-Guided Pose Estimator Network for Fine-Grained Visual Localization on SD Maps
💡 单应性约束引导多视图与SD地图的位姿回归
🚗 利用低成本SD地图实现多视图高精度自动驾驶视觉定位
Xuchang Zhong · Xu Cao · Jinke Feng 等 4 人
HighlightPiLoT:面向无人机自机与目标地理定位的神经像素到3D配准
PiLoT: Neural Pixel-to-3D Registration for UAV-based Ego and Target Geo-localization
💡 视频直接与地理参考3D地图配准定位
🚗 GNSS拒止下实时无漂移自机与目标定位
Xiaoya Cheng · Long Wang · Yan Liu 等 8 人
Highlight基于FFT插值的无矩阵求逆最小问题求解
Solving Minimal Problems Without Matrix Inversion Using FFT-Based Interpolation
💡 FFT插值重构多项式,避免矩阵求逆
🚗 提升相机几何估计效率与鲁棒性,用于SLAM定位
Haidong Wu · Snehal Bhayani · Janne Heikkilä
Dark3R: Learning Structure from Motion in the Dark
Andrew Y. Guo · Anagh Malik · SaiKiran Tedla 等 10 人
HighlightVisual-RRT:通过可微渲染寻找通往视觉目标的路径
Visual-RRT: Finding Paths toward Visual-Goals via Differentiable Rendering
💡 可微渲染引导采样探索的视觉目标规划
🚗 无需显式目标构型即可由图像规划机械臂运动
Sebin Lee · Jumin Lee · Taeyeon Kim 等 6 人
Highlight基于状态空间建模与稀疏相关的可扩展特征匹配
Scalable Feature Matching via State Space Modeling and Sparse Correlation
💡 Conv-Mamba与稀疏相关实现高效特征匹配
🚗 为SLAM定位提供低内存高分辨率特征匹配能力
Choo Sin Wai · Bo Li
HamiPose: Hamiltonian Optimization for Unsupervised Domain Adaptive Pose Estimation
Jiawen Li · Fei Jiang · Dandan Zhu 等 4 人
09
仿真数据与评测
35 篇
3DReflecNet: A Large-Scale Dataset for 3D Reconstruction of Reflective, Transparent, and Low-Texture Objects
💡 22TB反射/透明/Low-texture物体重建混合数据集
🚗 为透明反光物体的感知与三维重建提供评测基准
Zhicheng Liang · Haoyi Yu · Boyan Li 等 9 人
SPARK: Sim-ready Part-level Articulated Reconstruction with VLM Knowledge
💡 单图重建铰接物体URDF并做可微优化
🚗 为具身仿真快速生成可交互的铰接物体资产
Yumeng He · Ying Jiang · Jiayin Lu 等 5 人
PAI-Bench: A Comprehensive Benchmark For Physical AI
💡 统一评测生成与理解模型的物理合理性
🚗 为驾驶与机器人世界模型提供物理动态评测基准
Fengzhe Zhou · Jiannan Huang · Jialuo Li 等 5 人
InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
💡 自动生成复杂度可控的3D空间推理评测场景
🚗 为具身与空间智能模型提供可扩展空间推理评测
Haoming Wang · Qiyao Xue · Wei Gao
OccuFly: A 3D Vision Benchmark for Semantic Scene Completion from the Aerial Perspective
💡 首个真实世界相机空中视角语义场景补全基准
🚗 将占用预测扩展到空中视角,拓展3D场景理解能力
Markus Gross · Sai B. Matha · Aya Fahmy 等 6 人
VS-Bench: Evaluating VLMs for Strategic Abilities in Multi-Agent Environments
💡 构建十个视觉多智能体环境评测VLM策略能力
🚗 为多智能体具身决策提供感知与策略评测基准
Zelai Xu · Zhexuan Xu · Xiangmin Yi 等 10 人
OpenDance: Multimodal Controllable 3D Dance Generation with Large-scale Internet Data
💡 构建大规模舞蹈数据集并提出统一掩码建模生成框架
🚗 提供大规模人体运动数据与可控动作生成,可迁移至人形运动控制
Jinlu Zhang · Zixi Kang · Libin Liu 等 7 人
SimScale: Learning to Drive via Real-World Simulation at Scale
💡 神经渲染生成可控多视角驾驶场景
🚗 合成安全关键场景并协同训练提升自动驾驶决策
Haochen Tian · Tianyu Li · Haochen Liu 等 13 人
Texvent: Asynchronous Event Data Simulation via Text Prompt
💡 文本提示直接生成异步事件流
🚗 为事件相机提供低成本合成数据,缩小sim-to-real差距
Ruofei Wang · Peiqi Duan · Ka Chun Cheung 等 6 人
The SA-FARI Dataset: Segment Anything in Footage of Animals for Recognition and Identification
💡 迄今最大规模野生动物多目标跟踪数据集
🚗 多目标跟踪与掩码身份关联能力可迁移至自动驾驶感知
Dante Wasmuht · Otto Brookes · Maximilian Schall 等 24 人
HighlightRealAppliance:让高保真家电资产可控可用并匹配真实说明书
RealAppiance: Let High-fidelity Appliance Assets Controllable and Workable as Aligned Real Manauls
💡 高保真可交互家电资产与操作规划基准
🚗 缩小家电操作任务的仿真到现实差距
Yuzheng Gao · Yuxing Long · Lei Kang 等 11 人
HighlightWanderland:面向开放世界具身智能的几何落地仿真
Wanderland: Geometrically Grounded Simulation for Open-World Embodied AI
💡 面向具身仿真的真实到仿真重建管线
🚗 为导航策略提供可复现的闭环仿真评测平台
Xinhao Liu · Jiaqi Li · Youming Deng 等 10 人
Highlight机器人何时该说“我不知道”:具身问答中的弃答基准
When Robots Should Say ''I Don’t Know'': Benchmarking Abstention in Embodied Question Answering
💡 具身问答弃答能力的分类体系与基准
🚗 推动具身智能体识别信息不足并安全弃答
Tao Wu · Chuhao Zhou · Guangyu Zhao 等 6 人
Highlight迈向泛化的多模态单应性估计
Towards Generalized Multimodal Homography Estimation
💡 单图合成未对齐多模态图像对提升泛化
🚗 跨模态图像配准,可用于多传感器标定与视觉定位
Jinkun You · Jiaxin Cheng · Jie Zhang 等 4 人
HighlightHG-Lane: 恶劣天气与光照条件下高保真车道场景生成,无需重新标注
HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation
💡 无需重标注生成恶劣天气车道场景
🚗 提升恶劣天气下车道检测鲁棒性,提供新基准数据集。
Daichao Zhao · Qiupu Chen · Feng He 等 5 人
HighlightHoi!: 力感知跨视角关节式操作多模态数据集
Hoi! - A Multimodal Dataset for Force-Grounded, Cross-View Articulated Manipulation
💡 力触觉同步的人手-机器人跨具身操作数据
🚗 提供人手到机器人可迁移的力触觉抓取与操作数据
Tim Engelbracht · René Zurbrügg · Matteo Wohlrapp 等 8 人
Highlight可扩展的全身移动操作轨迹生成
Scalable Trajectory Generation for Whole-Body Mobile Manipulation
💡 GPU加速规划批量生成全身操作轨迹
🚗 50万条物理可行全身操作数据提升操作策略泛化
Yida Niu · Xinhai Chang · Xin Liu 等 5 人
HighlightSpatialScore:面向综合空间智能的评测
SpatialScore: Towards Comprehensive Evaluation for Spatial Intelligence
💡 最全空间智能基准、语料库与多智能体工具
🚗 为具身与驾驶多模态模型提供空间理解评测及训练资源
Haoning Wu · Xiao Huang · Yaohui Chen 等 6 人
HighlightSpatialTree:多模态大模型空间智能的能力分支
SpatialTree: How Spatial Intelligence Branches Out in MLLMs
💡 构建空间智能能力树与分层评测基准
🚗 为具身智能体空间推理的训练与评测提供分层框架
Yuxi Xiao · longfei li · Shen Yan 等 8 人
HighlightPanoEnv:全景环境中3D空间智能的强化学习探索
PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning
💡 全景3D空间推理基准与GRPO后训练框架
🚗 提升VLM全景三维理解,服务机器人与驾驶感知
Zekai Lin · Xu Zheng
Highlight面向任务的隐式表征用于LiDAR系统自动化设计
Task-Driven Implicit Representations for Automated Design of LiDAR Systems
💡 六维设计空间学隐式密度自动设计LiDAR
🚗 自动优化驾驶与机器人LiDAR传感器配置
Nikhil Behari · Aaron Young · Tzofi Klinghoffer 等 5 人
HighlightDENALI: 低成本激光雷达非视域空间推理数据集
DENALI: A Dataset Enabling Non-Line-of-Sight Spatial Reasoning with Low-Cost LiDARs
💡 首个低成本LiDAR时空直方图非视域隐藏物体数据集
🚗 为低成本LiDAR非视域感知与数据驱动推理提供数据与基线
Nikhil Behari · Diego Rivero · Luke Apostolides 等 6 人
HighlightHanDyVQA: 细粒度手-物交互动态视频问答基准
HanDyVQA: A Video QA Benchmark for Fine-Grained Hand-Object Interaction Dynamics
💡 覆盖操作与效果两面的细粒度手物交互视频QA基准
🚗 为机器人操作提供手物交互动态理解与分割评测基准
Masatoshi Tateno · Gido Kato · Hirokatsu Kataoka 等 5 人
HighlightRLFTSim:基于强化学习微调的真实可控多智能体交通仿真
RLFTSim: Realistic and Controllable Multi-Agent Traffic Simulation via Reinforcement Learning Fine-Tuning
💡 用强化学习微调仿真模型兼顾真实性与目标可控性
🚗 为自动驾驶提供更真实可控的多智能体交互仿真场景
Ehsan Ahmadi · Hunter Schofield · Behzad Khamidehi 等 8 人
HighlightCARD:面向复杂道路地形的稠密三维重建多模态数据集
CARD: A Multi-Modal Automotive Dataset for Dense 3D Reconstruction in Challenging Road Topography
💡 多激光融合提供准稠密深度真值与多模态同步标注
🚗 为自动驾驶稠密三维重建与深度补全提供评测基准
Gasser Elazab · Frank Neuhaus · Tilman Koß 等 8 人
HighlightPerpetualWonder:长时程动作条件4D场景生成
PerpetualWonder: Long-horizon Action-conditioned 4D Scene Generation
💡 闭环统一表征连接物理状态与视觉
🚗 为具身与驾驶提供长时交互仿真与合成数据
Jiahao Zhan · Zizhang Li · Hong-Xing Yu 等 4 人
HighlightPAL:面向目标检测的可移植主动学习
Portable Active Learning for Object Detection
💡 检测器无关,融合实例不确定性与图像多样性
🚗 降低自动驾驶目标检测标注成本
Rashi Sharma · Justin Timothy C. Bersamin · Karthikk Subramanian
HighlightDetGain:基于数据集级平均精度边际贡献的目标检测在线数据策展
Online Data Curation for Object Detection via Marginal Contributions to Dataset-level Average Precision
💡 按数据集级AP边际贡献在线筛选样本
🚗 提升目标检测样本效率,可用于自动驾驶感知数据闭环。
Zitang Sun · Masakazu Yoshimura · Junji Otsuka 等 5 人
HighlightEgoXtreme:极端条件下第一人称视角鲁棒物体位姿估计数据集
EgoXtreme: A Dataset for Robust Object Pose Estimation in Egocentric Views under Extreme Conditions
💡 构建极端条件第一人称6D位姿数据集
🚗 为机器人/AR提供鲁棒位姿估计基准
Taegyoon Yoon · Yegyu Han · Seojin Ji 等 7 人
HighlightSceneScribe-1M:大规模几何与语义标注视频数据集
SceneScribe-1M: A Large-Scale Video Dataset with Comprehensive Geometric and Semantic Annotations
💡 百万级视频集齐相机、深度、点轨迹标注
🚗 为驾驶与具身场景重建及仿真提供数据基础
Yunnan Wang · Kecheng Zheng · Jianyuan Wang 等 11 人
What Makes Good Synthetic Training Data for Zero-Shot Stereo Matching?
David Yan · Alexander Raistrick · Jia Deng
HighlightM3DLayout: 面向3D生成的多源室内3D布局与结构化描述数据集
M3DLayout: A Multi-Source Dataset of 3D Indoor Layouts and Structured Descriptions for 3D Generation
💡 融合实扫/CAD/程序化生成的大规模室内布局与结构化文本标注
🚗 为具身与仿真场景合成提供语言可控的三维布局数据基础
Yiheng Zhang · Zhuojiang Cai · Mingdao Wang 等 7 人
HighlightSimRecon: 从真实视频进行仿真就绪的组合式场景重建
SimRecon: SimReady Compositional Scene Reconstruction from Real Videos
💡 感知-生成-仿真管线组合式重建杂乱场景
🚗 为机器人仿真提供物理合理的场景与物体资产
Chong Xia · Kai Zhu · Zizhuo Wang 等 6 人
Diffusion-Based sRGB Real Noise Generation via Prompt-Driven Noise Representation Learning
Jaekyun Ko · Dongjin Kim · Soomin Lee 等 5 人
HighlightOMG-Bench: A New Challenging Benchmark for Skeleton-based Online Micro Hand Gesture Recognition
OMG-Bench: A New Challenging Benchmark for Skeleton-based Online Micro Hand Gesture Recognition
Haochen Chang · Pengfei Ren · Buyuan Zhang 等 9 人
10
3D重建与渲染
92 篇
MAMMA: Markerless Accurate Multi-person Motion Acquisition
💡 可学习查询实现遮挡下多人SMPL-X重建
🚗 为机器人提供多视角无标记人体动作数据
Hanz Cuevas Velasquez · Anastasios Yiannakidis · Soyong Shin 等 10 人
Energy-GS: Image Energy-guided Pose Alignment Gaussian Splatting with redesigned pose gradient flow
💡 重设计位姿梯度流,RGB联合优化相机位姿
🚗 提升无先验位姿的3DGS重建与SLAM鲁棒性
Yu Gao · Lutong Su · Ruixiang Huang 等 7 人
4D Primitive-Mâché: Glueing Primitives for Persistent 4D Scene Reconstruction
💡 刚体图元分解与运动外推实现持久4D重建
🚗 支持遮挡物体的动态场景重建,服务驾驶仿真与回放
Kirill Mazur · Marwan Taher · Andrew J. Davison
OralD4RT:高效重建动态场景
Efficiently Reconstructing Dynamic Scenes One D4RT at a Time
💡 统一Transformer前馈推断深度、对应与相机
🚗 高效4D场景重建,可用于驾驶感知与世界模型
Chuhan Zhang · Guillaume Le Moing · Skanda Koppula 等 14 人
Natural Human Motion Recovery by Aligning High-Order Temporal Dynamics from Monocular Videos
💡 显式估计速度与加速度约束优化人体运动
🚗 产出高质量人体运动数据,供人形机器人模仿学习
Dingkun Wei · Zehong Shen · Yan Xia 等 6 人
Residual Primitive Fitting of 3D Shapes with SuperFrusta
💡 提出SuperFrustum基元与残差拟合,紧凑表达3D形状
🚗 为机器人操作与仿真提供物体几何的紧凑可编辑重建表示
Aditya Ganeshan · Matheus Gadelha · Thibault Groueix 等 8 人
RetimeGS: Continuous-Time Reconstruction of 4D Gaussian Splatting
Xuezhen Wang · Li Ma · Yulin Shen 等 5 人
SAM 3D Body: Robust Full-Body Human Mesh Recovery
Xitong Yang · Devansh Kukreja · Don Pinkus 等 14 人
SmokeSVD: Smoke Reconstruction from A Single View via Progressive Novel View Synthesis and Refinement with Diffusion Models
Chen Li · Shanshan Dong · Sheng Qiu 等 8 人
PPISP: Physically-Plausible Compensation and Control of Photometric Variations in Radiance Field Reconstruction
Isaac Deutsch · Nicolas Moënne-Loccoz · Gavriel State 等 4 人
SAM 3D: 3Dfy Anything in Images
💡 单图生成物体几何、纹理与布局,配大规模标注流程
🚗 为机器人操作与仿真提供单图物体三维重建及基准
Xingyu Chen · Fu-Jen Chu · Pierre Gleize 等 22 人
Selfi: Self-improving Reconstruction Engine via 3D Geometric Feature Alignment
💡 用自身输出作伪标签对齐多视角几何特征
🚗 提升无标定图像的三维重建与位姿估计精度
Youming Deng · Songyou Peng · Junyi Zhang 等 8 人
Faithful Contouring: Near-Lossless 3D Voxel Representation Free from Iso-surface
💡 免等值面的稀疏体素表示,几何近乎无损
🚗 为物体与场景几何重建、仿真提供高保真体素表示
Yihao Luo · Xianglong He · Chuanyu Pan 等 10 人
Native and Compact Structured Latents for 3D Generation
💡 提出O-Voxel全向体素表示与稀疏压缩VAE
🚗 可高效生成仿真所需3D资产,紧凑几何外观隐表示可用于重建与建模
Jianfeng XIANG · Xiaoxue Chen · Sicheng Xu 等 11 人
Chorus: Multi-Teacher Pretraining for Holistic 3D Gaussian Scene Encoding
💡 多教师蒸馏统一3D高斯场景编码
🚗 增强3D场景语义理解与数据效率
Yue Li · Qi Ma · Runyi Yang 等 11 人
GaussianFluent: Gaussian Simulation for Dynamic Scenes with Mixed Materials
💡 用生成模型补全内部高斯并实现脆性断裂仿真
🚗 为机器人/驾驶仿真提供高保真动态物理场景与渲染
Bei Huang · Yixin Chen · Ruijie Lu 等 7 人
OralVGGT-Ω
VGGT-Ω
💡 简化架构与大规模数据实现动静场景前馈三维重建
🚗 为机器人感知与仿真提供高精度可扩展的三维重建基座
Jianyuan Wang · Minghao Chen · Shangzhan Zhang 等 10 人
Oral证据神经辐射场
Evidential Neural Radiance Fields
💡 单次前向同时量化偶然与认知不确定性
🚗 为安全关键的机器人与驾驶场景建模提供不确定性度量
Ruxiao Duan · Alex Wong
FILTR: Extracting Topological Features from Pretrained 3D Models
💡 用Transformer从冻结的3D点云编码器直接预测持续同调图
🚗 为点云表征补充拓扑描述子,可增强LiDAR场景几何理解
Louis Martinez · Maks Ovsjanikov
Oral通过特征场学习凸分解
Learning Convex Decomposition via Feature Fields
💡 首个前馈开放世界凸分解方法
🚗 加速物理仿真碰撞检测,服务机器人仿真与操作
Yuezhi Yang · Qixing Huang · Mikaela Angelina Uy 等 4 人
UnReflectAnything: RGB-Only Highlight Removal by Rendering Synthetic Specular Supervision
Alberto Rota · Mert Kiray · Mert Asim Karaoglu 等 7 人
Oral非结构化数据流形的特征结构学习
Learning Eigenstructures of Unstructured Data Manifolds
💡 从非结构化数据学习谱基与特征结构
🚗 可支撑点云与3D几何重建的谱表示
Roy Velich · Arkadi Piven · David Bensaid 等 6 人
HighlightMoRe:运动感知前馈4D重建Transformer
MoRe: Motion-aware Feed-forward 4D Reconstruction Transformer
💡 注意力强制解耦动态运动与静态结构
🚗 单目视频动态4D重建,助力机器人与驾驶感知
Juntong Fang · Zequn Chen · Weiqi Zhang 等 7 人
HighlightScal3R:面向大规模3D重建的可扩展测试时训练
Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction
💡 压缩长序列场景信息为神经全局上下文
🚗 提升长视频三维重建一致性,支撑大规模建图
Tao Xie · Peishan Yang · Yudong Jin 等 11 人
HighlightOmniVGGT:全模态驱动的视觉几何基础Transformer
OmniVGGT: Omni-Modality Driven Visual Geometry Grounded Transformer
💡 GeoAdapter将深度与相机参数注入3D模型
🚗 多模态几何融合提升三维重建与定位感知
Hao Li · Hao Li · Yalun Dai 等 11 人
HighlightE-RayZer:自监督3D重建作为空间视觉预训练
E-RayZer: Self-supervised 3D Reconstruction as Spatial Visual Pre-training
💡 直接3D空间显式几何自监督重建
🚗 为驾驶与具身感知提供3D预训练表示
Qitao Zhao · Hao Tan · Qianqian Wang 等 8 人
HighlightPoint4Cast:流式动态场景重建与预测
Point4Cast: Streaming Dynamic Scene Reconstruction and Forecasting
💡 持续演化的时空表示预测未来3D动态
🚗 为自动驾驶与具身提供动态3D场景预测
Xinhang Liu · Pedro Miraldo · Suhas Lohit 等 8 人
HighlightAMB3R:带后端的精确前馈度量尺度3D重建
AMB3R: Accurate Feed-forward Metric-scale 3D Reconstruction with Backend
💡 稀疏体积后端实现度量尺度3D重建
🚗 免微调扩展至视觉里程计与SfM/SLAM
Hengyi Wang · Lourdes Agapito
HighlightSTAC:面向流式3D重建的时空感知缓存压缩
STAC: Plug-and-Play Spatio-Temporal Aware Cache Compression for Streaming 3D Reconstruction
💡 时空感知KV缓存压缩降低流式重建内存
🚗 支撑长序列在线3D重建的低内存部署
Runze Wang · Yuxuan Song · Youcheng Cai 等 4 人
Highlight无标定、无深度、没问题:具3D一致性的跨传感器视图合成
No Calibration, No Depth, No Problem: Cross-Sensor View Synthesis with 3D Consistency
💡 免标定跨传感器视图合成与3DGS
🚗 降低多传感器融合的标定与对齐成本
Cho-Ying Wu · Zixun Huang · Xinyu Huang 等 4 人
HighlightSLARM:面向动态场景的流式语言对齐重建模型
SLARM: Streaming and Language-Aligned Reconstruction Model for Dynamic Scenes
💡 高阶运动建模与语言对齐动态重建
🚗 为具身感知提供可语言查询的动态3D场景
ZhiCheng Qiu · Jiarui Meng · Tong-an Luo 等 7 人
HighlightRnG:从部分观测进行完整3D建模的统一Transformer
RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
💡 重建引导因果注意力统一3D重建与生成
🚗 从稀疏视角补全3D场景,服务具身感知
Mochu Xiang · Zhelun Shen · Xuesong li 等 10 人
HighlighttttLRM:面向长上下文自回归三维重建的测试时训练
tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction
💡 用TTT层压缩多视图为隐式三维表示
🚗 支持流式观测渐进重建,可用于机器人场景建图
Chen Wang · Hao Tan · Wang Yifan 等 9 人
Highlight几何-光度事件驱动的3D高斯射线追踪
Geometric-Photometric Event-based 3D Gaussian Ray Tracing
💡 双分支解耦事件几何与快照光度渲染
🚗 提升事件相机运动与结构估计精度和时序分辨率
Kai Kohyama · Yoshimitsu Aoki · Guillermo Gallego 等 4 人
HighlightChronoGS:解耦多时期场景的不变量与变化
ChronoGS: Disentangling Invariants and Changes in Multi-Period Scenes
💡 时序高斯统一重建多期场景并解耦变化
🚗 为自动驾驶长期建图与变化检测提供时序一致重建
Zhongtao Wang · Jiaqi Dai · Qingtian Zhu 等 11 人
HighlightTokenGS:用可学习Token解耦3D高斯预测与像素
TokenGS: Decoupling 3D Gaussian Prediction from Pixels with Learnable Tokens
💡 用可学习Token解耦高斯预测与像素
🚗 提升前馈3D重建鲁棒性,服务驾驶与机器人感知
Jiawei Ren · Michal Tyszkiewicz · Jiahui Huang 等 4 人
Highlight基于可微渲染的Hermite径向基函数曲面重建
Hermite Radial Basis Function for Surface Reconstruction via Differentiable Rendering
💡 用局部RBF及其导数构建全局隐式曲面
🚗 为机器人/驾驶提供高效精确的几何重建
Hugo Blanc · Jean-Emmanuel Deschaud · Alexis Paljic
HighlightRF4D:用于户外动态场景新视角合成的神经雷达场
RF4D:Neural Radar Fields for Novel View Synthesis in Outdoor Dynamic Scenes
💡 将神经雷达场用于户外动态场景新视角合成
🚗 提升恶劣天气下自动驾驶动态场景重建鲁棒性
Jiarui Zhang · Zhihao Li · Chong Wang 等 4 人
ParticleGS: Learning Neural Gaussian Particle Dynamics from Videos for Prior-free Physical Motion Extrapolation
💡 用Neural ODE学习高斯粒子连续物理动力学
🚗 为世界模型与仿真提供物理一致动态外推能力
Jinsheng Quan · Qiaowei Miao · Yichao Xu 等 8 人
HighlightWildRayZer:动态环境中的自监督大规模新视角合成
WildRayZer: Self-supervised Large View Synthesis in Dynamic Environments
💡 自监督残差掩膜解耦动态运动
🚗 动态场景位姿与运动估计,助力自动驾驶动态SLAM
Xuweiyi Chen · Wentao Zhou · Zezhou Cheng
HighlightPhysGM:用于前馈4D合成的大物理高斯模型
PhysGM: Large Physical Gaussian Model for Feed-Forward 4D Synthesis
💡 单图前馈联合预测3D高斯与物理属性
🚗 生成可仿真物理4D资产,服务机器人仿真与世界模型
chunji lv · Zequn Chen · Donglin Di 等 8 人
Highlight明暗之间:基于传感器物理的单曝光图像与事件去模糊HDR NeRF
Seeing through Light and Darkness: Sensor-Physics Grounded Deblurring HDR NeRF from Single-Exposure Images and Events
💡 统一传感器物理的NeRF实现HDR去模糊
🚗 为事件相机与NeRF在驾驶感知重建提供物理建模方法。
Yunshan Qi · Lin Zhu · Nan Bao 等 5 人
Highlight基于手语数据的文本驱动3D手部运动生成
Text-Driven 3D Hand Motion Generation from Sign Language Data
💡 用LLM标注手语数据训练文本条件手部扩散模型
🚗 为灵巧手与机器人操作提供文本到3D手部运动生成能力
Léore Bensabath · Mathis Petrovich · Gul Varol
HighlightClay-to-Stone: 面向单目关节式手物操作的阶段性3D高斯泼溅
Clay-to-Stone: Phase-wise 3D Gaussian Splatting for Monocular Articulated Hand-Object Manipulation Modeling
💡 双阶段高斯泼溅解耦形状与关节运动
🚗 从单目视频重建手-关节物体操作几何与运动, 服务机器人操作学习
Xingyu Liu · Pengfei Ren · Qi Qi 等 7 人
HighlightTouchDream: 通过想象触觉的3D物体补全
TouchDream: 3D Object Completion through Imagined Touch
💡 扩散生成触觉潜表示引导点云补全
🚗 触觉引导几何补全, 提升机器人3D感知鲁棒性
Yuanbo Wang · Xinning Wang · Zhaoxuan Zhang 等 7 人
HighlightArtHOI: 单目手-关节物体交互的4D重建
ArtHOI: Taming Foundation Models for Monocular 4D Reconstruction of Hand-Articulated-Object Interactions
💡 融合多基础模型先验的单目4D交互重建
🚗 单目视频恢复手与关节物体4D交互, 可服务机器人示教操作
Zikai Wang · Zhilu Zhang · Yiqing Wang 等 5 人
HighlightGlove2Hand:从多模态传感手套合成自然手物交互
Glove2Hand: Synthesizing Natural Hand-Object Interaction from Multi-Modal Sensing Gloves
💡 多模态手套驱动高斯手物交互合成
🚗 为机器人操作提供手物交互数据与重建方法
Xinyu Zhang · Ziyi Kou · Chuan Qin 等 10 人
HighlightIntrinsicWeather: 本征空间中的可控天气编辑
IntrinsicWeather: Controllable Weather Editing in Intrinsic Space
💡 本征图感知注意力实现本征空间可控天气编辑
🚗 可为驾驶感知提供天气域随机化的合成数据增强
Yixin Zhu · Zuo-Liang Zhu · Jian Yang 等 6 人
HighlightDMAligner:基于扩散模型视图合成的图像对齐增强
DMAligner: Enhancing Image Alignment via Diffusion Model Based View Synthesis
💡 用扩散视图合成替代光流扭曲实现图像对齐
🚗 提升遮挡与光照变化下图像对齐,可服务SLAM与多传感器融合
Xinglong Luo · Ao Luo · Zhengning Wang 等 8 人
HighlightInstantViR:基于蒸馏扩散先验的实时视频逆问题求解器
InstantViR: Real-Time Video Inverse Problem Solver with Distilled Diffusion Prior
💡 蒸馏视频扩散先验为单步因果自回归重建
🚗 提供扩散模型实时蒸馏部署方案,可迁移至驾驶世界模型与VLA
Weimin Bai · Suzhe Xu · Yiwei Ren 等 7 人
Highlight基于标记表示的统一矢量平面图生成
Unified Vector Floorplan Generation via Markup Representation
💡 提出FML,统一平面图生成表示
🚗 为具身导航与室内空间布局生成提供结构化表示
Kaede Shiohara · Toshihiko Yamasaki
HighlightVista4D:基于4D点云的视频重拍
Vista4D: Video Reshooting with 4D Point Clouds
💡 用4D点云锚定视频重合成
🚗 动态4D重建与相机控制可赋能仿真数据生成
Kuan Heng Lin · Zhizheng Liu · Pablo Salamanca 等 12 人
HighlightMotionCrafter:基于4D VAE的密集几何与运动重建
MotionCrafter: Dense Geometry and Motion Reconstruction with a 4D VAE
💡 4D VAE联合编码点图与场景流
🚗 单目4D几何与运动重建可强化具身世界模型
Ruijie Zhu · Jiahao Lu · Wenbo Hu 等 7 人
MatLat: Material Latent Space for PBR Texture Generation
Kyeongmin Yeo · Yunhong Min · Jaihoon Kim 等 4 人
HighlightEcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images
EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images
Minh-Quan Viet Bui · Jongmin Park · Juan Luis Gonzalez Bello 等 6 人
HighlightUrban-GS:航拍到街景紧凑高保真重建的统一3D高斯泼溅框架
Urban-GS: A Unified 3D Gaussian Splatting Framework for Compact and High-Fidelity Aerial-to-Street Reconstruction
💡 航拍街景联合自适应致密化与贡献式锚点剪枝
🚗 为城市级驾驶场景重建与仿真提供紧凑高保真表示
Meng Wang · Changqun Xia · Yuze Wang 等 7 人
HighlightUni3R:基于可泛化高斯泼溅的无位姿多视图统一3D重建与语义理解
Uni3R: Unified 3D Reconstruction and Semantic Understanding via Generalizable Gaussian Splatting from Unposed Multi-View Images
💡 无位姿多视图前馈统一重建与三维语义分割
🚗 支持无位姿输入的高保真重建、深度与开放词表3D语义分割
Xiangyu Sun · Haoyi Jiang · Liu Liu 等 11 人
HighlightTokenSplat:面向无位姿前馈重建的Token对齐3D高斯泼溅
TokenSplat: Token-aligned 3D Gaussian Splatting for Feed-forward Pose-free Reconstruction
💡 Token对齐高斯预测与双流解码器
🚗 实现无位姿多视图联合重建与相机位姿估计,可服务机器人感知建图
Yihui Li · Chengxin Lv · Zichen Tang 等 5 人
HighlightAeroGS:面向无位姿动态无人机场景重建的尺度感知高斯泼溅
AeroGS: Scale-Aware Gaussian Splatting for Pose-Free Dynamic UAV Scene Reconstruction
💡 尺度感知时空锚解耦自运动与物体运动
🚗 从无人机视频恢复动态场景与轨迹,助力空中机器人感知导航
Tingyun Li · Xinyi Liu · Yongjun Zhang 等 7 人
HighlightTagSplat:面向动态网格建模与跟踪的拓扑感知高斯泼溅
TagSplat: Topology-Aware Gaussian Splatting for Dynamic Mesh Modeling and Tracking
💡 显式编码空间连通性的高斯拓扑结构与剪枝
🚗 为机器人操作与仿真提供拓扑一致的动态网格重建
Hanzhi Guo · dongdong weng · Mo Su 等 6 人
HighlightBEA-GS:超越辐射监督的3DGS精确物体提取
BEA-GS: BEyond RAdiance Supervision in 3DGS for Precise Object Extraction
💡 边界感知损失优化可见与不可见高斯几何
🚗 支持驾驶/机器人场景的3D物体提取与仿真资产构建
Alessio Mazzucchelli · María Naranjo Almeida · Jorge Bustos Sanchez 等 7 人
E2EGS: Event-to-Edge Gaussian Splatting for Pose-Free 3D Reconstruction
Yunsoo Kim · Changki Sung · Dasol Hong 等 4 人
DirectFisheye-GS: Enabling Native Fisheye Input in Gaussian Splatting with Cross-View Joint Optimization
Zhengxian Yang · Fei Xie · Xutao Xue 等 8 人
CUPID: Generative 3D Reconstruction via Joint Object and Pose Modeling
Binbin Huang · Haobin Duan · Yiqun Zhao 等 6 人
RawMetaDiff: Unlocking Extreme Darkness from Dual-Exposure RAW with Meta-Guided Diffusion
Panjun Liu · Jiyuan Xia · YUANSHEN GUAN 等 10 人
HighlightOv3R: 从RGB视频的开放词汇语义3D重建
Ov3R: Open-Vocabulary Semantic 3D Reconstruction from RGB Videos
💡 将CLIP语义注入3D重建,联合预测点图与开放词汇语义
🚗 为机器人与驾驶提供全局一致的语义3D重建与开放词汇分割能力
ZIREN GONG · Xiaohan Li · Fabio Tosi 等 7 人
HighlightUniPart: 基于统一3D几何-分割潜变量的部件级3D生成
UniPart: Part-Level 3D Generation with Unified 3D Geom–Seg Latents
💡 统一几何-分割潜表征,两阶段部件级潜扩散生成
🚗 可为机器人操作与仿真生成带部件结构的可控三维物体资产
Xufan He · Yushuang Wu · Xiaoyang Guo 等 8 人
HighlightUniPixie:基于流匹配的统一概率3D物理学习
UniPixie: Unified and Probabilistic 3D Physics Learning via Flow Matching
💡 从单图预测连续材质分布与物理参数
🚗 支撑机器人仿真、交互世界建模与sim-to-real
Qilin Huang · Quynh Anh Huynh · Long Le 等 8 人
Highlight2D-LFM:无3D监督的3D提升基础模型
2D-LFM: Lifting Foundation Model without 3D Supervision
💡 仅用2D关键点学习物体特定3D几何
🚗 提升单目关键点3D重建与位姿估计,服务感知与操作
Mosam Dabhi · Irhas Gill · László A. Jeni 等 4 人
HighlightNG-GS:NeRF引导的3D高斯泼溅分割
NG-GS: NeRF-guided 3D Gaussian Splatting Segmentation
💡 NeRF引导的连续特征场改善3DGS边界分割
🚗 提升3D高斯场景物体分割,服务驾驶与机器人3D感知
Yi He · Tao Wang · Yi Jin 等 6 人
HighlightRINO: 旋转不变的非刚性对应
RINO: Rotation-Invariant Non-Rigid Correspondences
💡 无监督旋转不变稠密形状对应框架
🚗 可用于非刚体与可变形物体的3D感知和机器人操作。
Maolin Gao · Shao Jie Hu-Chen · Congyue Deng 等 6 人
HighlightVideo-GMAE:通过预测随时间变化的三维高斯进行跟踪
Tracking by Predicting 3-D Gaussians Over Time
💡 以时序三维高斯表示视频,跟踪能力自涌现
🚗 零样本点跟踪与动态三维场景重建,可服务感知
Tanish Baranwal · Himanshu Singh Singh · Jathushan Rajasegaran 等 4 人
HighlightResiHMR:面向截肢者的残肢感知单图三维人体网格重建
ResiHMR: Residual-Limb Aware Single-Image 3D Human Mesh Recovery for Individuals with Limb Loss
💡 拓扑自适应优化与残肢终止几何显式重建
🚗 拓扑自适应三维人体重建,支撑人形机器人与人体动作理解
Jiaying Ying · Heming Du · Kaihao Zhang 等 5 人
EgoPoseFormer v2: Accurate Egocentric Human Motion Estimation for AR/VR
💡 身份条件查询与因果时序注意力
🚗 提供可扩展人体运动估计与自动标注,助人形机器人学习
Zhenyu Li · Sai Kumar Dwivedi · Filip Maric 等 14 人
HighlightPoseD-Flow:通用且引导的人体姿态流匹配模型
PoseD-Flow: Versatile and Guided Flow Matching Model of Human Pose
💡 首个黎曼流匹配人体姿态恢复框架
🚗 为人形机器人提供人体姿态先验与运动生成。
Jebastin Nadar · Simone Foti · Tolga Birdal
HighlightPAD-Hand:物理感知扩散用于手部运动恢复
PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery
💡 物理感知扩散恢复手部运动并估计物理方差
🚗 提升灵巧操作与抓取中手部运动的物理一致性。
Elkhan Ismayilzada · Yufei Zhang · Zijun Cui
Highlight交互感知的单图人体3D重建(HUG-MVD)
Human Interaction-Aware 3D Reconstruction from a Single Image
💡 群体-实例联合多视图扩散重建
🚗 单图多人交互3D重建,可迁移至机器人场景与人体感知建模
Gwanghyun Kim · Junghun James Kim · Suh Yoon Jeon 等 5 人
Highlight从单目视频恢复物理合理的人-物交互
Recovering Physically Plausible Human-Object Interactions from Monocular Videos
💡 自适应采样与双自更新RL物理精修
🚗 物理仿真加RL重建人-物交互,可助机器人操作数据生成
Dingbang Huang · Etienne Vouga · Qixing Huang 等 4 人
HighlightTeHOR: 文本引导的带纹理3D人体与物体重建
TeHOR: Text-Guided 3D Human and Object Reconstruction with Textures
💡 文本引导人-物联合重建与纹理生成
🚗 为机器人从图像理解人-物交互与物体几何提供重建能力
Hyeongjin Nam · Daniel Jung · Kyoung Mu Lee
BiMotion: B-spline Motion for Text-guided Dynamic 3D Character Generation
Miaowei Wang · Qingxuan Yan · Zhi Cao 等 7 人
CoRoGS: Contextual Gaussian Splatting for Robust Large-Deviation View Synthesis
Xin Ma · Peng Lu · Yisong Chen 等 5 人
HighlightContent-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
Junbo Ke · Yangyang Xu · Chao Wang 等 4 人
HighlightFACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation
FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation
Hanxiao Wang · Yuanchen Guo · Ying-Tian Liu 等 9 人
MeshRipple: Structured Autoregressive Generation of Artist-Meshes
JunKai Lin · Hang Long · Huipeng Guo 等 11 人
NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code
Seemandhar Jain · Keshav Gupta · Kunal Gupta 等 4 人
One-Shot Flow, Any-Time Frame: A Bidirectional Warping Framework for Event-Based Video Frame Interpolation
Linghui Fu · Yuhan Liu · Hao Chen 等 5 人
HighlightPhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning
PhysSkin: Real-Time and Generalizable Physics-Based Animation via Self-Supervised Neural Skinning
Yuanhang Lei · Tao Cheng · Xingxuan Li 等 9 人
Taming Video Models for 3D and 4D Generation via Zero-Shot Camera Control
Chenxi Song · Yanming Yang · Tong Zhao 等 5 人
gQIR: Generative Quanta Image Reconstruction
Aryan Garg · Sizhuo Ma · Mohit Gupta
HighlightSemantic Foam:统一空间与语义场景分解
Semantic Foam: Unifying Spatial and Semantic Scene Decomposition
💡 Voronoi网格结合显式语义特征场分解场景
🚗 提供可编辑语义3D场景表示,助力机器人语义建图与场景理解
Amr Sharafeldin · Aryan Mikaeili · Thomas Walker 等 7 人
Highlight彩色编码照明的高速体积场景重建
Color-Encoded Illumination for High-Speed Volumetric Scene Reconstruction
💡 彩色编码照明实现高速体积重建
🚗 高速动态3D重建,可用于世界模型与仿真
David Novikov · Eilon Vaknin · Narek Tumanyan 等 4 人
HighlightFISHuman: 基于多视角4D重网格化的细粒度单图3D人体重建
FISHuman: Fine-grained Single-image 3D Human Reconstruction via Multi-view 4D Remeshing
💡 双流视频扩散生成跨模态对齐多视角RGB与法线并4D重网格化
🚗 单图动态人体几何重建与资产生成能力可迁移至人形建模与机器人仿真数据生产
Hanxi Liu · Yifang Men · Zhouhui Lian
11
基础模型与部署
49 篇
Does YOLO Really Need to See Every Training Image in Every Epoch?
💡 抗遗忘采样动态跳过已充分学习图像
🚗 加速检测器训练,利于自动驾驶感知模型高效迭代部署
Xingxing Xie · Jiahua Dong · Junwei Han 等 4 人
NuWa: Deriving Lightweight Class-Specific Vision Transformers for Edge Devices
💡 类特定ViT压缩,剔除类有害权重
🚗 为车载等边缘设备提供高效类特定视觉模型部署方案
Ziteng Wei · Qiang He · Bing Li 等 6 人
SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching
💡 按样本敏感度动态选择缓存时间步
🚗 可加速扩散类世界模型与VLA推理,降低部署算力成本
Yasaman Haghighi · Alex Alahi
Streaming Diffusion Model for Fast Infrared and Visible Video Fusion
💡 一步采样扩散与记忆增强时序融合
🚗 为自动驾驶多模态感知提供实时鲁棒视频融合
Jinyuan Liu · Ludan Sun · Tengyu Ma 等 8 人
INSID3: Training-Free In-Context Segmentation with DINOv3
💡 冻结DINOv3特征免训练上下文分割
🚗 为机器人与驾驶提供通用可泛化分割能力
Claudia Cuttano · Gabriele Trivigno · Christoph Reich 等 6 人
Featurising Pixels from Dynamic 3D Scenes with Linear In-Context Learners
💡 用线性上下文学习从视频学像素级时空表征
🚗 提供时空一致的稠密动态场景表征,支撑驾驶感知与预测
Nikita Araslanov · Martin Sundermeyer · Hidenobu Matsuki 等 5 人
MARCO: Navigating the Unseen Space of Semantic Correspondence
💡 自蒸馏与由粗到细实现稠密语义对应
🚗 提升稠密匹配跨域泛化,可用于定位与位姿估计
Claudia Cuttano · Gabriele Trivigno · Carlo Masone 等 4 人
PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation
💡 免训练用掩码解码器梯度精炼分割提示
🚗 提升分割基础模型少样本迁移能力,可服务感知分割
Minjae Lee · Sungwoo Hur · Soojin Hwang 等 4 人
OralAToken:统一视觉分词器
AToken: A Unified Tokenizer for Vision
💡 共享四维隐空间统一图像视频三维的重建与语义
🚗 为具身多模态大模型与世界模型提供统一视觉token表示
Jiasen Lu · Liangchen Song · Mingze Xu 等 8 人
ANTS: Adaptive Negative Textual Space Shaping for OOD Detection via Test-Time MLLM Understanding and Reasoning
Wenjie Zhu · Yabin Zhang · Xin Jin 等 5 人
SeaCache: Spectral-Evolution-Aware Cache for Accelerating Diffusion Models
Jiwoo Chung · Sangeek Hyun · MinKyu Lee 等 8 人
ViT^3: Unlocking Test-Time Training in Vision
Dongchen Han · Yining Li · Tianyu Li 等 9 人
Oral映射网络
Mapping Networks
💡 用低维潜向量映射替代高维权重空间
🚗 大幅减少可训练参数,可用于自驾/机器人大模型压缩部署
Lord Sen · Shyamapada Mukherjee
HighlightAVGGT:重新思考加速VGGT的全局注意力
AVGGT: Rethinking Global Attention for Accelerating VGGT
💡 分析全局注意力分层角色并免训练加速
🚗 加速多视图3D重建基础模型,支撑实时定位建图与感知
Xianbing Sun · Zhikai Zhu · Zhengyu Lou 等 8 人
Highlight混合模态训练使DINO成为杂食视觉编码器
A Mixed Diet Makes DINO An Omnivorous Vision Encoder
💡 跨模态对齐的模态无关视觉编码器
🚗 可增强RGB-Depth等多模态融合的感知表征
Rishabh Kabra · Maks Ovsjanikov · Drew A Hudson 等 8 人
Highlight从视觉基础模型扩展密集事件流预训练
Scaling Dense Event-Stream Pretraining from Visual Foundation Models
💡 蒸馏视觉基础模型语义结构做事件预训练
🚗 增强事件流表征,支撑驾驶与机器人多模态感知
Zhiwen Chen · Junhui Hou · Zhiyu Zhu 等 5 人
Highlight面向少标签的多模态域泛化
Towards Multimodal Domain Generalization with Few Labels
💡 融合共识与分歧正则的半监督多模态域泛化
🚗 少标签跨域多模态学习,提升多传感器感知泛化
Hongzhao Li · Hao Dong · Hualei Wan 等 6 人
HighlightSAMTok: 用两个词表示任意掩码
SAMTok: Representing Any Mask with Two Words
💡 将任意掩码编码为两个离散文本token并高保真重建
🚗 让MLLM通过下一词预测获得像素级分割能力
yikang zhou · Tao Zhang · Dengxian Gong 等 16 人
Highlight自监督Transformer中分布式物体中心属性的发现
Finding Distributed Object-Centric Properties in Self-Supervised Transformers
💡 发现q/k/v的patch相似度均编码物体中心信息
🚗 提升自监督ViT物体定位,利于机器人感知与分割
Samyak Rawlekar · Amitabh Swain · Yujun Cai 等 6 人
HighlightSigLino:聚合式视觉基础模型的高效多教师蒸馏
SigLino: Efficient Multi-Teacher Distillation for Agglomerative Vision Foundation Models
💡 多教师蒸馏训练MoE视觉基础模型学生
🚗 低成本获得可部署的视觉感知骨干模型
Sofian Chaybouti · Sanath Narayan · Yasser Dahou 等 9 人
Highlight分布外检测中的隐形大猩猩效应
The Invisible Gorilla Effect in Out-of-distribution Detection
💡 揭示OOD检测受ROI视觉相似性影响的偏差
🚗 提升驾驶感知对分布外异常的识别与安全性评估
Harry Anthony · Ziyun Liang · Hermione Warr 等 4 人
HighlightCoIn: 覆盖率与信息量引导的高效大型多模态模型Token削减
CoIn: Coverage and Informativeness-Guided Token Reduction for Efficient Large Multimodal Models
💡 双准则引导的无训练视觉token削减
🚗 降低多模态模型视觉token开销,助力车端与机器人端部署
Chenxi Du · Yongheng Deng · Jiani Liu 等 6 人
Highlight一层之废为另一层之宝: 大视觉语言模型的自适应逐层视觉Token选择
One Layer’s Trash is Another Layer’s Treasure: Adaptive Layer-wise Visual Token Selection in LVLMs
💡 逐层自适应的视觉token选择机制
🚗 提升大视觉语言模型推理效率,利于具身端侧部署
Yongru Chen · Kai Zhang · Zeliang Zong 等 7 人
SSM-Aware Token-Efficient VMamba via Adaptive Patch Pruning and Merging for Person Re-Identification
💡 自适应块剪枝与合并降低冗余token计算
🚗 高效视觉骨干与模型压缩技术可助力自动驾驶感知部署
Huiyuan Huang · SANG MIN YOON
HighlightPPCL:面向扩散Transformer的可插拔剪枝与连续层蒸馏
Pluggable Pruning with Contiguous Layer Distillation for Diffusion Transformers
💡 单次训练内融合深度与宽度剪枝蒸馏
🚗 可迁移至世界模型与VLA的模型压缩及端侧部署
jian ma · Qirong Peng · Xujie Zhu 等 6 人
VMonarch: Efficient Video Diffusion Transformers with Structured Attention
Cheng Liang · Haoxian Chen · Liang Hou 等 7 人
HighlightDraft and Refine with Visual Experts
Draft and Refine with Visual Experts
SungHeon Jeong · Ryozo Masukawa · Jihong Park 等 8 人
ApET: Approximation-Error Guided Token Compression for Efficient VLMs
Qiankun Ma · Ziyao Zhang · Haofei Wang 等 6 人
All Roads Lead to Rome: Incentivizing Divergent Thinking in Vision-Language Models
Xinyu Tian · Shu Zou · Zhaoyuan Yang 等 6 人
HighlightNAF:基于邻域注意力滤波的零样本特征上采样
NAF: Zero-Shot Feature Upsampling via Neighborhood Attention Filtering
💡 邻域注意力滤波实现VFM无关零样本上采样
🚗 为分割、深度等密集感知任务提供免重训高分辨率特征上采样
Loick Chambon · Paul Couairon · Éloi Zablocki 等 6 人
HighlightReMoT:基于运动对比三元组的强化学习
ReMoT: Reinforcement Learning with Motion Contrast Triplets
💡 规则生成运动对比数据并用GRPO训练VLM
🚗 提升导航/驾驶多模态模型的时空运动辨识能力
Cong Wan · Zeyu Guo · Jiangyang Li 等 8 人
HighlightGated KalmaNet:通过测试时岭回归的衰减记忆层
Gated KalmaNet: A Fading Memory Layer through Test-time Ridge Regression
💡 用测试时岭回归实现线性复杂度衰减记忆层
🚗 为VLA/世界模型提供高效长序列建模组件
Liangzu Peng · Aditya Chattopadhyay · Luca Zancato 等 6 人
Highlight证据变换网络 ETN:将预训练模型转化为证据模型以实现事后不确定性估计
Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation
💡 轻量后处理将预训练模型转为证据模型
🚗 为感知模型提供高效事后不确定性估计,提升自动驾驶安全性
Yongchan Chun · Chanhee Park · Jeongho Yoon 等 5 人
Dual-branch Distilled Transformer for Efficient Asymmetric UAV Tracking
💡 教师引导双分支蒸馏增强轻量跟踪表征
🚗 实现高效无人机视觉跟踪与模型压缩部署
Hongtao Yang · Bineng Zhong · Qihua Liang 等 7 人
HighlightVeriDou:双扰动神经网络鲁棒性验证
Verifying Neural Network Robustness with Dual Perturbations
💡 统一卷积与像素级双扰动的神经网络验证
🚗 支撑感知模型复合扰动鲁棒性验证与自动驾驶安全
Hai Duong · Son Vu · Thanh Le 等 4 人
HighlightETCTrack:高效视觉目标跟踪令牌压缩框架
An Efficient Token Compression Framework for Visual Object Tracking
💡 压缩历史模板令牌后再交互跟踪
🚗 提升跟踪模型效率与部署性,可迁移至驾驶感知
Weijing Wu · Qihua Liang · Bineng Zhong 等 6 人
DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers
Dahye Kim · Deepti Ghadiyaram · Raghudeep Gadde
HighlightKeep It Frozen: Domain-Routed Conditional Residual Modulation for Multi-Domain Vision Transformers
Keep It Frozen: Domain-Routed Conditional Residual Modulation for Multi-Domain Vision Transformers
Ufaq Khan · Umair Nawaz · Massimo Caputo 等 6 人
MSPT: Efficient Large-Scale Physical Modeling via Parallelized Multi-Scale Attention
Pedro M. P. Curvo · Jan-Willem van de Meent · Maksim Zhdanov
Mechanisms of Object Localization in Vision–Language Models
Timothy Schaumlöffel · Martina G. Vilas · Gemma Roig
THE MORE, THE MERRIER: CONTRASTIVE FUSION FOR HIGHER-ORDER MULTIMODAL ALIGNMENT
Stefanos Koutoupis · Michaela Areti Zervou · Konstantinos Kontras 等 6 人
Trainable Log-linear Sparse Attention for Efficient Diffusion Transformers
Yifan Zhou · Zeqi Xiao · Tianyi Wei 等 5 人
TriLite: Efficient Weakly Supervised Object Localization with Universal Visual Features and Tri-Region Disentanglement
Arian Sabaghi · Jose Oramas
Visual Diffusion Models are Geometric Solvers
Nir Goren · Shai Yehezkel · Omer Dahary 等 6 人
What Do Visual Tokens Really Encode? Uncovering Sparsity and Redundancy in Multimodal Large Language Models
Yingqi Fan · Junlong Tong · Anhao Zhao 等 4 人
When Do Models Actually Decide? Mapping the Layer-Wise Decision Timeline in Pretrained Neural Networks
Minhyeok Lee
Inside-Out: Measuring Generalization in Vision Transformers Through Inner Workings
Yunxiang Peng · Mengmeng Ma · Ziyu Yao 等 4 人
HighlightAttend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing
Attend Before Attention: Efficient and Scalable Video Understanding via Autoregressive Gazing
Baifeng Shi · Stephanie Fu · Long Lian 等 12 人
HighlightConcept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
Concept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
Yehonatan Elisha · Oren Barkan · Noam Koenigstein