端到端驾驶与规划 3 BEV与占用感知 2 3D检测与多模态融合 39 世界模型 3 VLA与机器人操作 4 人形与运动控制 9 具身导航与空间智能 6 定位与建图 25 仿真数据与评测 16 3D重建与渲染 38 基础模型与部署 27
01 端到端驾驶与规划 3 篇
Where, What, Why: Towards Explainable Driver Attention Prediction
💡 联合预测注意力位置、语义与认知原因
🚗 提供可解释驾驶员注意力数据集与预测范式,助力驾驶行为建模
Yuchen Zhou · Jiayu Tang · Xiaoyan Xiao 等 9 人
Interaction-Merged Motion Planning: Effectively Leveraging Diverse Motion Datasets for Robust Planning
💡 通过参数检查点预合并与合并迁移多域运动知识
🚗 提升自动驾驶运动规划跨域泛化与鲁棒性
Giwon Lee · Wooseong Jeong · Daehee Park 等 5 人
SRefiner: Soft-Braid Attention for Multi-Agent Trajectory Refinement
💡 基于辫理论的软辫注意力建模轨迹拓扑关系
🚗 提升多智能体轨迹预测精度,直接服务自动驾驶行为规划。
Liwen Xiao · Zhiyu Pan · Zhicheng Wang 等 5 人
02 BEV与占用感知 2 篇
Distilling Diffusion Models to Efficient 3D LiDAR Scene Completion
💡 面向LiDAR场景补全的扩散蒸馏与结构损失
🚗 加速LiDAR场景补全,提升自动驾驶感知实时性
shengyuan zhang · An Zhao · Ling Yang 等 10 人
AutoOcc: Automatic Open-Ended Semantic Occupancy Annotation via Vision-Language Guided Gaussian Splatting
💡 VLM引导高斯泼溅自动生成语义占用标注
🚗 免人工标注的语义占用数据生成,服务自动驾驶占用感知
Xiaoyu Zhou · Jingqi Wang · Yongtao Wang 等 6 人
03 3D检测与多模态融合 39 篇
Multi-View 3D Point Tracking
💡 前馈多视角3D点跟踪器,融合点云与Transformer
🚗 为机器人动态场景提供鲁棒3D点对应与跟踪
Frano Rajič · Haofei Xu · Marko Mihajlovic 等 10 人
Diving into the Fusion of Monocular Priors for Generalized Stereo Matching
💡 融合视觉基础模型单目先验解决立体匹配病态区域
🚗 提升自动驾驶立体深度估计在遮挡与非朗伯面的泛化性
Chengtang Yao · Lidong Yu · Zhidan Liu 等 6 人
Counting Stacked Objects
💡 结合多视图几何重建与深度分析估计堆叠占用率
🚗 多视图3D几何与占用估计可迁移至机器人抓取与场景理解
Corentin Dumery · Noa Ette · Aoxiang Fan 等 7 人
CorrCLIP: Reconstructing Patch Correlations in CLIP for Open-Vocabulary Semantic Segmentation
💡 用SAM与自监督模型重建patch相关性
🚗 提升开放词汇分割能力,可用于驾驶/机器人开放场景感知。
Dengke Zhang · Fagui Liu · Quan Tang
E-SAM: Training-Free Segment Every Entity Model
💡 免训练多层级掩码生成实现实体分割
🚗 开放世界实体分割可迁移至机器人/驾驶场景的通用感知。
WEIMING ZHANG · Dingwen Xiao · Lei Chen 等 4 人
Easy3D: A Simple Yet Effective Method for 3D Interactive Segmentation
💡 体素稀疏编码器加轻量Transformer隐式点击融合
🚗 支持机器人操作中的3D物体选择与交互式分割
Andrea Simonelli · Norman Müller · Peter Kontschieder
Towards Foundational Models for Single-Chip Radar
💡 构建百万级雷达数据集并训练4D雷达基础模型
🚗 提升车载毫米波雷达的3D占用与语义分割能力
ForestFormer3D: A Unified Framework for End-to-End Segmentation of Forest LiDAR 3D Point Clouds
💡 查询点选择与分数块合并的端到端点云分割
🚗 提供可迁移的3D点云实例与语义分割方法
Binbin Xiang · Maciej Wielgosz · Stefano Puliti 等 7 人
ReTracker: Exploring Image Matching for Robust Online Any Point Tracking
💡 融合图像匹配先验的在线点跟踪框架
🚗 为机器人视觉与驾驶场景提供长时遮挡下的在线点跟踪能力
Dongli Tan · Xingyi He · Sida Peng 等 10 人
Test-Time Prompt Tuning for Zero-Shot Depth Completion
💡 参数高效的测试时微调实现零样本深度补全
🚗 为自动驾驶深度感知提供低成本跨域深度补全方案
Chanhwi Jeong · Inhwan Bae · Jin-Hwi Park 等 4 人
DiffRefine: Diffusion-based Proposal Specific Point Cloud Densification for Cross-Domain Object Detection
💡 用扩散模型对检测候选框内点云稠密化以增强特征
🚗 提升跨域3D目标检测鲁棒性,直接服务自动驾驶感知
Sangyun Shin · Yuhang He · Xinyu Hou 等 6 人
Boosting Domain Generalized and Adaptive Detection with Diffusion Models: Fitness, Generalization, and Transferability
💡 单步扩散提特征,降75%推理耗时并提升域泛化
🚗 提升检测器跨域鲁棒性,可用于自动驾驶跨场景感知部署
Boyong He · Yuxiang Ji · Zhuoyue Tan 等 4 人
Multispectral Demosaicing via Dual Cameras
💡 用RGB引导多光谱去马赛克并构建配对数据集
🚗 多传感器成像融合方法,可提升自动驾驶多光谱感知质量
SaiKiran Tedla · Junyong Lee · Beixuan Yang 等 5 人
CoTracker3: Simpler and Better Point Tracking by Pseudo-Labelling Real Videos
💡 用现成跟踪器伪标注真实视频,简化模型并提性能
🚗 点跟踪技术可用于机器人操作与驾驶场景运动感知
Nikita Karaev · Yuri Makarov · Jianyuan Wang 等 6 人
StableDepth: Scene-Consistent and Scale-Invariant Monocular Depth
💡 双解码器架构实现视频级3D一致且尺度不变的单目深度
🚗 为自动驾驶与机器人提供稳定一致的在线深度感知
Zheng Zhang · Lihe Yang · Tianyu Yang 等 7 人
Find Any Part in 3D
💡 用2D基础模型构建数据引擎实现开放世界3D部件分割
🚗 为机器人操作与具身感知提供可泛化的3D部件级理解能力
Ziqi Ma · Yisong Yue · Georgia Gkioxari
Unsupervised Joint Learning of Optical Flow and Intensity with Event Cameras
💡 从事件生成模型推导光度误差联合估计光流与强度
🚗 事件相机感知可用于驾驶低延迟运动估计与多传感器融合
Shuang Guo · Friedhelm Hamann · Guillermo Gallego
HighlightETCH
ETCH: Generalizing Body Fitting to Clothed Humans via Equivariant Tightness
💡 用等变紧致性映射将穿衣人体点云拟合到人体
🚗 点云人体拟合可迁移至具身智能的人体/物体位姿估计
Boqian Li · Haiwen Feng · Zeyu Cai 等 5 人
FlashDepth: Real-time Streaming Video Depth Estimation at 2K Resolution
💡 改造单目深度模型实现高分辨率实时流式深度估计
🚗 为机器人实时决策与在线感知提供高分辨率流式深度估计能力
Gene Chou · Wenqi Xian · Guandao Yang 等 8 人
Few-Shot Pattern Detection via Template Matching and Regression
💡 用模板匹配保留空间结构实现少样本模式检测
🚗 可用于机器人视觉中少样本目标定位与工业检测
Eunchan Jo · Dahyun Kang · Sanghyun Kim 等 5 人
Interpretable point cloud classification using multiple instance learning
💡 用多实例学习框架实现可解释的点云分类
🚗 点云分类与可解释性方法可迁移至自动驾驶激光雷达感知
Matt De Vries · Reed Naidoo · Olga Fourkioti 等 7 人
Prior2Former - Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation
💡 引入Beta先验建模掩码不确定性以检测新类与OOD
🚗 提升自动驾驶感知在未知场景下的可靠性与异常分割
Sebastian Schmidt · Julius Koerner · Dominik Fuchsgruber 等 6 人
OmniSAM: Omnidirectional Segment Anything Model for UDA in Panoramic Semantic Segmentation
💡 将SAM2适配全景分割,分块序列化处理大视场畸变
🚗 为环视/全景感知提供分割基础模型适配方案
Ding Zhong · Xu Zheng · Chenfei Liao 等 8 人
CoopTrack: Exploring End-to-End Learning for Efficient Cooperative Sequential Perception
💡 实例级端到端协同3D多目标跟踪框架
🚗 提升多车协同跟踪能力,直接服务自动驾驶感知
Jiaru Zhong · Jiahao Wang · Jiahui Xu 等 6 人
BridgeDepth: Bridging Monocular and Stereo Reasoning with Latent Alignment
💡 跨注意力双向对齐单目上下文与立体假设表示
🚗 提升深度估计精度与鲁棒性,直接服务于自动驾驶与机器人三维感知。
Tongfan Guan · Jiaxin Guo · Chen Wang 等 4 人
Lidar Waveforms are Worth 40x128x33 Words
💡 学习式DSP直接处理全波形并利用邻域上下文
🚗 提升自动驾驶激光雷达点云质量与低信噪比鲁棒性
Dominik Scheuble · Hanno Holzhüter · Steven Peters 等 5 人
Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts
💡 首个联合最小化语义与几何不确定性的TTA框架
🚗 提升自动驾驶单目3D检测在域漂移下的鲁棒性
Zixuan Hu · Dongxiao Li · Xinzhu Ma 等 7 人
CoST: Efficient Collaborative Perception From Unified Spatiotemporal Perspective
💡 将多智能体与多时刻融合统一到单一时空空间
🚗 多车协同感知的高效特征传输与融合,直接服务自动驾驶感知
Zongheng Tang · Yi Liu · Yifan Sun 等 7 人
DAP-MAE: Domain-Adaptive Point Cloud Masked Autoencoder for Effective Cross-Domain Learning
💡 异构域适配器实现跨域点云MAE预训练
🚗 提升跨域点云感知预训练效果,服务自动驾驶3D感知
Ziqi Gao · Qiufu Li · Linlin Shen
UniDxMD: Towards Unified Representation for Cross-Modal Unsupervised Domain Adaptation in 3D Semantic Segmentation
💡 软量化统一离散表征实现跨模态域自适应分割
🚗 提升跨模态跨域3D语义分割,服务自动驾驶感知
Zhengyin Liang · Hui Yin · Min Liang 等 6 人
Height-Fidelity Dense Global Fusion for Multi-modal 3D Object Detection
💡 用纯Mamba块实现高效密集全局相机-激光雷达融合
🚗 提升自动驾驶多模态3D检测的效率与长程建模能力
Hanshi Wang · Jin Gao · Weiming Hu 等 4 人
SMSTracker: Tri-path Score Mask Sigma Fusion for Multi-Modal Tracking
💡 三路径分数掩码融合量化各模态可靠性以互补
🚗 提升复杂环境下多模态目标跟踪鲁棒性,可用于感知系统
Sixian Chan · Zedong Li · Wenhao Li 等 6 人
Stereo Any Video: Temporally Consistent Stereo Matching
💡 利用单目深度先验实现时序一致视频立体匹配
🚗 为自动驾驶提供无需位姿与光流的稠密深度估计能力。
Junpeng Jing · Weixun Luo · Ye Mao 等 4 人
When Confidence Fails: Revisiting Pseudo-Label Selection in Semi-supervised Semantic Segmentation
💡 将伪标签选择建模为凸优化求样本级决策边界
🚗 提升半监督分割伪标签质量,可降低驾驶感知标注成本。
Pan Liu · Jinshi Liu
Learning Robust Stereo Matching in the Wild with Selective Mixture-of-Experts
💡 LoRA与MoE自适应融合视觉基础模型做立体匹配
🚗 增强跨域立体匹配鲁棒性,服务自动驾驶深度感知。
Yun Wang · Longguang Wang · Chenghao Zhang 等 9 人
Structure Matters: Revisiting Boundary Refinement in Video Object Segmentation
💡 轻量结构细化模块融合边缘先验提升分割精度
🚗 提升遮挡场景视频目标分割,可用于感知与跟踪
Guanyi Qin · Ziyue Wang · Daiyun Shen 等 8 人
CounterPC: Counterfactual Feature Realignment for Unsupervised Domain Adaptation on Point Clouds
💡 用反事实干预解耦点云域不变语义特征
🚗 提升点云跨域泛化,利于激光雷达感知的域适应部署。
Feng Yang · Yichao Cao · Xiu Su 等 5 人
ATCTrack: Aligning Target-Context Cues with Dynamic Target States for Robust Vision-Language Tracking
💡 用动态目标状态对齐视觉与文本的目标-上下文线索
🚗 提升长时复杂场景下的视觉语言跟踪鲁棒性,可用于机器人目标跟随
Xiaokun Feng · Shiyu Hu · Xuchen Li 等 8 人
PriOr-Flow: Enhancing Primitive Panoramic Optical Flow with Orthogonal View
💡 双分支正交视图与双代价协作查找缓解全景畸变
🚗 提升全景/鱼眼相机光流精度,可用于环视感知与运动估计
Longliang Liu · Miaojie Feng · Junda Cheng 等 6 人
04 世界模型 3 篇
GameFactory: Creating New Games with Generative Interactive Videos
💡 动作可控、场景可泛化的游戏视频生成框架
🚗 视频动作生成与世界模型技术同源,可用于具身智能体训练。
Jiwen Yu · Yiran Qin · Xintao Wang 等 6 人
From Image to Video: An Empirical Study of Diffusion Representations
💡 系统对比图像与视频扩散模型表征在下游任务的表现
🚗 视频扩散表征可用于世界模型与具身感知的表征学习
Pedro Vélez · Luisa F. Polanía · Yi Yang 等 7 人
VMem: Consistent Interactive Video Scene Generation with Surfel-Indexed View Memory
💡 用面元索引的视图记忆实现长时一致的交互式场景生成
🚗 为具身智能体提供可交互探索的一致环境生成与世界模型记忆机制
Runjia Li · Philip Torr · Andrea Vedaldi 等 4 人
05 VLA与机器人操作 4 篇
Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos
💡 用潜在运动Token做自回归预训练迁移到操作
🚗 视频预训练运动表征提升机器人操作策略学习
Yi Chen · Yuying Ge · Weiliang Tang 等 8 人
Combinative Matching for Geometric Shape Assembly
💡 建模相同表面形状与相反体积占据,实现互锁部件装配
🚗 为机器人装配操作提供形状匹配与位姿对齐能力
Nahyuk Lee · Juhong Min · Junhong Lee 等 5 人
DexVLG: Dexterous Vision-Language-Grasp Model at Scale
💡 单视图RGBD语言对齐的灵巧手抓取位姿预测
🚗 为机器人灵巧操作提供大规模抓取数据集与VLA模型
Jiawei He · Danshi Li · Xinqiang Yu 等 10 人
Contact-Aware Amodal Completion for Human-Object Interaction via Multi-Regional Inpainting
💡 结合人体拓扑与接触先验的多区域修复补全
🚗 提升机器人对人-物交互遮挡场景的完整感知
Seunggeun Chi · Enna Sachdeva · Pin-Hao Huang 等 4 人
06 人形与运动控制 9 篇
MaskControl: Spatio-Temporal Control for Masked Motion Synthesis
💡 为掩码运动生成模型引入时空可控性
🚗 可控人体运动生成,可迁移至机器人动作生成与仿真
Ekkasit Pinyoanuntapong · Muhammad Usama Saleem · Korrawe Karunratanakul 等 10 人
DPoser-X: Diffusion Model as Robust 3D Whole-body Human Pose Prior
💡 扩散模型统一全身姿态先验并解逆问题
🚗 为人体姿态估计与动作生成提供先验,可迁移至人形机器人与具身动作建模。
Junzhe Lu · Jing Lin · Hongkun Dou 等 11 人
VolumetricSMPL: A Neural Volumetric Body Model for Efficient Interactions, Contacts, and Collisions
💡 用神经混合权重构建紧凑体积人体模型
🚗 支持人-物交互与碰撞建模,服务具身智能与人形研究
Marko Mihajlovic · Siwei Zhang · Gen Li 等 6 人
SceneMI: Motion In-betweening for Modeling Human-Scene Interaction
💡 将人体-场景交互建模重构为场景感知运动插值任务
🚗 为具身智能中人体动作生成与场景交互仿真提供可控框架
Inwoo Hwang · Bing Zhou · Young Min Kim 等 5 人
Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis
💡 自回归反应扩散规划器实时联合预测动作与反应
🚗 为人形机器人与机器人实时物理合理交互动作生成提供方案
Kaiyang Ji · Ye Shi · Zichen Jin 等 8 人
GENMO: A GENeralist Model for Human MOtion
💡 统一运动估计与生成的通用框架
🚗 人体运动建模可迁移至人形机器人与具身运动控制。
Jiefeng Li · Jinkun Cao · Haotian Zhang 等 7 人
UniPhys: Unified Planner and Controller with Diffusion for Flexible Physics-Based Character Control
💡 扩散行为克隆统一运动规划与物理控制
🚗 为具身智能体提供长时程物理可行的运动生成与控制框架
Yan Wu · Korrawe Karunratanakul · Zhengyi Luo 等 4 人
DisCoRD: Discrete Tokens to Continuous Motion via Rectified Flow Decoding
💡 用整流流将离散运动令牌解码为连续运动
🚗 提升机器人/角色运动生成的平滑性与可控性
Jungbin Cho · Junwan Kim · Jisoo Kim 等 8 人
A Plug-and-Play Physical Motion Restoration Approach for In-the-Wild High-Difficulty Motions
💡 掩码运动修正加物理先验注入的动作模仿
🚗 提升单目视频人体动作的物理合理性,可用于人形机器人动作学习与仿真。
Youliang Zhang · Ronghui Li · Yachao Zhang 等 7 人
07 具身导航与空间智能 6 篇
Online Reasoning Video Segmentation with Just-in-Time Digital Twins
💡 用即时数字孪生实现在线视频推理分割
🚗 为具身智能体提供在线视频中隐式指令的目标分割能力
Yiqing Shen · Bohan Liu · Chenjia Li 等 5 人
Less is More: Empowering GUI Agent with Context-Aware Simplification
💡 元素剪枝与历史压缩简化GUI智能体上下文
🚗 智能体上下文建模与压缩,可迁移至具身智能体决策
Gongwei Chen · Xurui Zhou · Rui Shao 等 10 人
Embodied VideoAgent: Persistent Memory from Egocentric Videos and Embodied Sensors Enables Dynamic Scene Understanding
💡 融合第一视角视频与深度位姿构建可更新场景记忆的LLM智能体
🚗 支撑机器人动态3D场景理解、推理与具身任务规划
Yue Fan · Xiaojian Ma · Rongpeng Su 等 7 人
Visual Test-time Scaling for GUI Agent Grounding
💡 动态放大相关区域并构建图像即地图的定位机制
🚗 提升具身智能体在复杂界面中的视觉定位与动作选择能力
Tiange Luo · Lajanugen Logeswaran · Justin Johnson 等 4 人
Move to Understand a 3D Scene: Bridging Visual Grounding and Exploration for Efficient and Versatile Embodied Navigation
💡 统一主动探索与3D视觉语言定位的框架
🚗 提升具身智能体的主动感知与导航理解能力
Ziyu Zhu · Xilin Wang · Yixuan Li 等 12 人
Embodied Image Captioning: Self-supervised Learning Agents for Spatially Coherent Image Descriptions
💡 自监督智能体探索环境并用共识机制生成一致伪描述
🚗 提升具身智能体在探索中的多视角物体描述与空间理解能力
Tommaso Galliena · Tommaso Apicella · Stefano Rosa 等 6 人
08 定位与建图 25 篇
GT-Loc: Unifying When and Where in Images Through a Joint Embedding Space
💡 联合嵌入空间同时预测拍摄时间与地理位置
🚗 为视觉定位与重定位提供时间-地理联合检索能力
David G. Shatwell · Ishan Rajendrakumar Dave · Swetha Sirnam 等 4 人
Uncalibrated Structure from Motion on a Sphere
💡 球面相机运动下三视图自标定SfM
🚗 提升全景/多相机采集的SfM重建鲁棒性
Jonathan Ventura · Viktor Larsson · Fredrik Kahl
Image as an IMU: Estimating Camera Motion from a Single Motion-Blurred Image
💡 用运动模糊预测稠密光流与深度恢复相机速度
🚗 为快速运动下机器人位姿估计提供类IMU测量
Jerred Chen · Ronald Clark
Back on Track: Bundle Adjustment for Dynamic Scene Reconstruction
💡 用3D点跟踪解耦静态与动态运动做BA
🚗 提升动态场景SLAM重建鲁棒性,可用于自动驾驶定位建图
Weirong Chen · Ganlin Zhang · Felix Wimbauer 等 7 人
Forecasting Continuous Non-Conservative Dynamical Systems in SO(3)
💡 神经控制微分方程建模SO(3)非保守旋转动力学
🚗 为机器人/驾驶中物体旋转状态预测与位姿估计提供物理建模方法。
Lennart Bastian · Mohammad Rashed · Nassir Navab 等 4 人
Certifiably Optimal Anisotropic Rotation Averaging
💡 将各向异性不确定性纳入可认证全局最优旋转平均
🚗 提升SLAM与多传感器位姿估计的全局优化精度与可靠性
Carl Olsson · Yaroslava Lochman · Johan Malmport 等 4 人
Deterministic Object Pose Confidence Region Estimation
💡 用共形预测与隐函数定理直接回归6D位姿置信区域
🚗 为机器人抓取与自动驾驶提供可靠的位姿不确定性量化
Jinghao Wang · Zhang Li · Zi Wang 等 6 人
RePoseD: Efficient Relative Pose Estimation With Known Depth Information
💡 联合估计尺度与相对位姿的单目深度相对位姿求解器
🚗 提升SLAM与视觉里程计中相机相对位姿估计效率
Yaqing Ding · Viktor Kocur · VACLAV VAVRA 等 7 人
RALoc: Enhancing Outdoor LiDAR Localization via Rotation Awareness
💡 点云规范化模块消除旋转敏感性
🚗 提升室外LiDAR定位鲁棒性,服务自动驾驶与机器人定位
Yuyang Yang · Wen Li · Sheng Ao 等 9 人
Registration beyond Points: General Affine Subspace Alignment via Geodesic Distance on Grassmann Manifold
💡 推导可优化的Grassmann流形刚体变换代价函数
🚗 为点云/子空间配准提供新数学工具,服务SLAM与定位
Jaeho Shin · Hyeonjae Gil · Junwoo Jang 等 5 人
BUFFER-X: Towards Zero-Shot Point Cloud Registration in Diverse Scenes
💡 自适应体素与多尺度块描述子实现零样本配准
🚗 免重训练的通用点云配准,服务机器人SLAM与定位
Minkyun Seo · Hyungtae Lim · Kanghee Lee 等 5 人
A Linear N-Point Solver for Structure and Motion from Asynchronous Tracks
💡 支持任意时间戳点对应的线性结构与运动估计
🚗 为卷帘快门与事件相机的SLAM/里程计提供新求解器
Hang Su · Yunlong Feng · Daniel Gehrig 等 7 人
Fast Globally Optimal and Geometrically Consistent 3D Shape Matching
💡 将3D形状匹配建模为超图最小费用环流问题
🚗 为机器人操作与场景几何配准提供形状匹配基础方法
Paul Roetzer · Florian Bernard
SAC-GNC: SAmple Consensus for adaptive Graduated Non-Convexity
💡 自适应退火形状参数与采样搜索提升鲁棒估计
🚗 鲁棒位姿估计与建图,直接服务SLAM与定位系统
Valter Piedade · Chitturi Sidhartha · José Gaspar 等 5 人
HccePose(BF): Predicting Front & Back Surfaces to Construct Ultra-Dense 2D-3D Correspondences for Pose Estimation
💡 预测物体前后表面并密集采样构建超密集2D-3D对应
🚗 提升物体位姿估计精度,可用于机器人抓取与操作
Yulin Wang · Mengting Hu · Hongli Li 等 4 人
CoMatch: Dynamic Covisibility-Aware Transformer for Bilateral Subpixel-Level Semi-Dense Image Matching
💡 共视引导的token压缩与注意力抑制,实现亚像素半稠密匹配
🚗 为SLAM、位姿估计与多传感器融合提供高效鲁棒的图像匹配能力。
Zizhuo Li · Yifan Lu · Linfeng Tang 等 5 人
On the Recovery of Cameras from Fundamental Matrices
💡 首个在一般视图图中从含噪基础矩阵恢复相机的方法
🚗 为多视图几何与SfM/位姿估计提供鲁棒求解工具
Rakshith Madhavan · Federica Arrigoni
EDM: Efficient Deep Feature Matching
💡 轻量CNN与相关性注入实现高效特征匹配
🚗 为SLAM、位姿估计与多传感器配准提供高效匹配能力
Xi Li · Tong Rao · Cihui Pan
SGAD: Semantic and Geometric-aware Descriptor for Local Feature Matching
💡 语义几何感知区域描述子实现直接匹配
🚗 为SLAM、位姿估计与点云配准提供高效特征匹配
Xiangzeng Liu · Chi Wang · Guanglu Shi 等 6 人
Underwater Visual SLAM with Depth Uncertainty and Medium Modeling
💡 融合深度不确定性与神经散射建模的水下稠密SLAM
🚗 不确定性感知SLAM与神经高斯建图可迁移至机器人定位与建图
Rui Liu · Sheng Fan · Wenguan Wang 等 4 人
CasP: Improving Semi-Dense Feature Matching Pipeline Leveraging Cascaded Correspondence Priors for Guidance
💡 级联对应先验引导的半稠密特征匹配加速
🚗 提升特征匹配精度与效率,可用于SLAM与位姿估计
Peiqi Chen · Lei Yu · Yi Wan 等 12 人
PLMP - Point-Line Minimal Problems for Projective SfM
💡 完整分类投影SfM的点线最小问题
🚗 为SfM求解器设计提供理论基础,服务定位与建图
Kim Kiehn · Albin Ahlbäck · Kathlén Kohn
A Constrained Optimization Approach for Gaussian Splatting from Coarsely-posed Images and Noisy Lidar Point Clouds
💡 无需SfM的位姿估计与3DGS联合约束优化
🚗 支持噪声点云与粗位姿下的大规模场景重建与定位
Jizong Peng · Tze Ho Elden Tse · Kai Xu 等 5 人
Kaleidoscopic Background Attack: Disrupting Pose Estimation with Multi-Fold Radial Symmetry Textures
💡 用径向对称纹理盘攻击位姿估计模型
🚗 揭示位姿估计在对抗纹理下的脆弱性,对SLAM与视觉定位鲁棒性有参考价值。
Xinlong Ding · Hongwei Yu · Jiawei Li 等 8 人
SuperEvent: Cross-Modal Learning of Event-based Keypoint Detection for SLAM
💡 用灰度帧自监督训练事件关键点检测与描述子
🚗 将事件相机接入视觉SLAM,提升机器人/驾驶定位鲁棒性。
Yannick Burkhardt · Simon Schaefer · Stefan Leutenegger
09 仿真数据与评测 16 篇
Heavy Labels Out! Dataset Distillation with Label Space Lightening
💡 用投影器在线生成标签替代存储软标签
🚗 降低数据集蒸馏存储成本,可用于感知模型训练数据策展
Ruonan Yu · Songhua Liu · Zigeng Chen 等 5 人
ReCamMaster: Camera-Controlled Generative Rendering from A Single Video
💡 用预训练视频扩散模型重渲染新相机轨迹
🚗 多相机同步视频合成数据可用于驾驶场景仿真与视角生成
Jianhong Bai · Menghan Xia · Xiao Fu 等 11 人
Stable-Sim2Real: Exploring Simulation of Real-Captured 3D Data with Two-Stage Depth Diffusion
💡 两阶段深度扩散实现合成到真实3D数据转换
🚗 为真实3D视觉任务提供数据驱动的sim-to-real深度仿真方法
Mutian Xu · Chongjie Ye · Haolin Liu 等 6 人
Guiding Diffusion-Based Articulated Object Generation by Partial Point Cloud Alignment and Physical Plausibility Constraints
💡 用SDF引导扩散生成物理合理的铰接物体
🚗 为机器人操作生成可交互铰接物体资产,服务仿真与抓取
Jens U. Kreber · Joerg Stueckler
Is Tracking Really More Challenging in First Person Egocentric Vision?
💡 构建基准解耦视角与活动域对跟踪难度的影响
🚗 为具身第一人称视觉跟踪提供评测基准与洞察
Matteo Dunnhofer · Zaira Manigrasso · Christian Micheloni
Learning Large Motion Estimation from Intermediate Representations with a High-Resolution Optical Flow Dataset Featuring Long-Range Dynamic Motion
💡 提出4K长程光流数据集RelayFlow-4K及中间表征估计方法
🚗 提升高分辨率大位移光流估计能力,可用于驾驶场景运动感知
Hoonhee Cho · Yuhwan Jeong · Kuk-Jin Yoon
HighlightAdvDreamer
AdvDreamer Unveils: Are Vision-Language Models Truly Ready for Real-World 3D Variations?
💡 从单视图生成物理可复现的对抗3D变换样本评测VLM鲁棒性
🚗 为驾驶/机器人VLM的鲁棒性评测与3D数据增强提供方法
Shouwei Ruan · Hanqing Liu · Yao Huang 等 8 人
WonderPlay: Dynamic 3D Scene Generation from a Single Image and Actions
💡 物理求解器与视频生成闭环,动作条件动态3D场景生成
🚗 为机器人/驾驶提供可交互物理仿真与动态场景生成能力
Zizhang Li · Hong-Xing Yu · Wei Liu 等 7 人
Go to Zero: Towards Zero-shot Motion Generation with Million-scale Data
💡 构建两百万序列运动数据集实现零样本生成
🚗 为机器人运动生成提供大规模数据与评测基准
Ke Fan · Shunlin Lu · Minyue Dai 等 9 人
RESCUE: Crowd Evacuation Simulation via Controlling SDM-United Characters
💡 融合感知-决策-运动流程的实时人群疏散仿真框架
🚗 为具身智能体行为建模与人群仿真提供决策-运动一体化方案。
Xiaolin Liu · Tianyi Zhou · Hongbo Kang 等 9 人
Benchmarking Egocentric Visual-Inertial SLAM at City Scale
💡 面向可穿戴设备的大规模视觉惯性SLAM数据集与基准
🚗 为SLAM定位算法提供城市场景评测基准,支撑导航与定位研究。
Anusha Krishnan · Shaohui Liu · Paul-Edouard Sarlin 等 9 人
MaterialMVP: Illumination-Invariant Material Generation via Multi-view PBR Diffusion
💡 参考注意力与一致性正则实现光照不变PBR纹理生成
🚗 可为驾驶/机器人仿真提供真实感材质与资产生成
Zebin He · Mingxin Yang · Shuhui Yang 等 11 人
PolarAnything: Diffusion-based Polarimetric Image Synthesis
💡 单张RGB零样本合成物理准确的偏振图像
🚗 可合成偏振传感器数据,助力感知与3D重建研究
Kailong Zhang · Youwei Lyu · Heng Guo 等 6 人
DSO: Aligning 3D Generators with Simulation Feedback for Physical Soundness
💡 用非可微仿真器反馈微调3D生成器保证稳定性
🚗 为机器人/驾驶仿真生成物理合理的3D资产
Ruining Li · Chuanxia Zheng · Christian Rupprecht 等 4 人
UnrealZoo: Enriching Photo-realistic Virtual Worlds for Embodied AI
💡 基于虚幻引擎构建100+照片级虚拟世界与可操控实体
🚗 为具身导航与强化学习智能体提供多样化仿真环境与评测平台
Fangwei Zhong · Kui Wu · Churan Wang 等 7 人
Towards Scalable Spatial Intelligence via 2D-to-3D Data Lifting
💡 单视图图像自动生成尺度真实的三维空间数据
🚗 低成本生成3D数据集,助力具身与驾驶空间智能
Xingyu Miao · Haoran Duan · Quanhao Qian 等 9 人
10 3D重建与渲染 38 篇
TrajectoryCrafter: Redirecting Camera Trajectory for Monocular Videos via Diffusion Models
💡 双流扩散模型解耦视角变换与内容生成
🚗 可控新视角视频生成,可用于驾驶场景合成与仿真
Mark YU · Wenbo Hu · Jinbo Xing 等 4 人
RayZer: A Self-supervised Large View Synthesis Model
💡 无位姿无3D监督的自监督多视角重建
🚗 无标定位姿估计与场景重建,利于机器人感知
Hanwen Jiang · Hao Tan · Peng Wang 等 11 人
EVER: Exact Volumetric Ellipsoid Rendering for Real-time View Synthesis
💡 光线追踪椭球体消除高斯泼溅跳变伪影
🚗 实时高质量重建,可用于驾驶仿真场景渲染
Alexander Mai · Peter Hedman · George Kopanas 等 9 人
Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis
💡 不确定性扰动自集成缓解3DGS过拟合
🚗 少样本重建,利于机器人场景稀疏视角建模
Chen Zhao · Xuan Wang · Tong Zhang 等 5 人
SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining
💡 首个原生3DGS大规模室内场景语义理解模型
🚗 为机器人提供3DGS原生语义理解与自监督特征
Yue Li · Qi Ma · Runyi Yang 等 13 人
WIR3D: Visually-Informed and Geometry-Aware 3D Shape Abstraction
💡 用稀疏Bezier曲线结合CLIP先验抽象3D形状
🚗 为机器人操作与场景几何理解提供可变形曲线表示
Richard Liu · Daniel Fu · Noah Tan 等 5 人
SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling
💡 稀疏体素等值面表示实现1024³可微网格重建
🚗 为机器人仿真与操作提供高精度任意拓扑物体重建
Xianglong He · Zi-Xin Zou · Chia Hao Chen 等 9 人
SuperDec: 3D Scene Decomposition with Superquadrics Primitives
💡 用超二次曲面基元紧凑分解点云场景
🚗 为机器人/驾驶提供紧凑可表达的3D场景几何表示,利于感知与操作。
Elisabetta Fedele · Boyang Sun · Francis Engelmann 等 5 人
Radiant Foam: Real-Time Differentiable Ray Tracing
💡 用体积网格光线追踪替代光栅化实现可微渲染
🚗 为驾驶与机器人仿真提供高效可微渲染与光传输建模能力
Shrisudhan Govindarajan · Daniel Rebain · Kwang Moo Yi 等 4 人
Long-LRM: Long-sequence Large Reconstruction Model for Wide-coverage Gaussian Splats
💡 Mamba与Transformer混合的前馈场景级高斯重建
🚗 为驾驶与机器人提供快速大范围场景重建能力
Chen Ziwen · Hao Tan · Kai Zhang 等 8 人
Human-in-the-Loop Local Corrections of 3D Scene Layouts via Infilling
💡 将场景布局修正建模为语言填充任务并人机回环
🚗 3D场景布局估计与修正,服务机器人与具身场景理解
Christopher Xie · Armen Avetisyan · Henry Howard-Jenkins 等 8 人
Dynamic Point Maps: A Versatile Representation for Dynamic 3D Reconstruction
💡 将点图扩展至4D支持运动分割、场景流与3D跟踪
🚗 为动态场景重建与运动估计提供统一表征,服务驾驶与机器人感知
Edgar Sucar · Zihang Lai · Eldar Insafutdinov 等 4 人
HighlightCObL
CObL: Toward Zero-Shot Ordinal Layering without User Prompting
💡 扩散模型并行生成遮挡有序的物体层堆叠表示
🚗 为机器人场景理解与遮挡推理提供分层物体表示
Aneel Damaraju · Dean Hazineh · Todd Zickler
MaGS: Reconstructing and Simulating Dynamic 3D Objects with Mesh-adsorbed Gaussian Splatting
💡 网格与高斯互吸附表示,兼顾渲染灵活性与结构约束
🚗 为机器人与驾驶仿真提供可形变的动态物体重建与仿真表示
Shaojie Ma · Yawei Luo · Wei Yang 等 4 人
Diorama: Unleashing Zero-shot Single-view 3D Indoor Scene Modeling
💡 零训练零标注,分解子任务实现开放世界单视图场景重建
🚗 为具身智能体提供可交互结构化室内场景重建与位姿估计能力
Qirui Wu · Denys Iliash · Daniel Ritchie 等 5 人
CHROME: Clothed Human Reconstruction with Occlusion-Resilience and Multiview-Consistency from a Single Image
💡 无需SMPL先验,实现抗遮挡且多视图一致的穿衣人体重建
🚗 为具身智能中人体建模与遮挡鲁棒重建提供技术支持
Arindam Dutta · Meng Zheng · Zhongpai Gao 等 8 人
MeshLLM: Empowering Large Language Models to Progressively Understand and Generate 3D Mesh
💡 图元分解与面连接推断实现LLM网格生成
🚗 为机器人仿真与操作提供3D网格理解与生成能力
Shuangkang Fang · I-Chao Shen · Yufeng Wang 等 9 人
Blended Point Cloud Diffusion for Localized Text-guided Shape Editing
💡 基于点云扩散与坐标混合的局部形状编辑框架
🚗 为机器人操作与仿真中的3D资产编辑与几何生成提供方法。
Etai Sella · Noam Atia · Ron Mokady 等 4 人
Geo4D: Leveraging Video Generators for Geometric 4D Scene Reconstruction
💡 复用视频扩散模型预测点、视差与射线图并多模态融合
🚗 为动态场景单目4D重建提供方案,可用于驾驶与机器人感知
Zeren Jiang · Chuanxia Zheng · Iro Laina 等 5 人
PRM: Photometric Stereo based Large Reconstruction Model
💡 变光照材质渲染提升大重建模型的网格细节与鲁棒性
🚗 高质量网格重建可用于机器人操作与仿真的物体几何获取。
Wenhang Ge · Jiantao Lin · Guibao Shen 等 7 人
RayletDF: Raylet Distance Fields for Generalizable 3D Surface Reconstruction from Point Clouds or Gaussians
💡 用射线距离场从查询射线直接预测表面点
🚗 从点云/高斯快速重建表面,服务机器人感知与场景几何建模。
Shenxing Wei · Jinxi Li · Yafei Yang 等 5 人
HiNeuS: High-fidelity Neural Surface Mitigating Low-texture and Reflective Ambiguity
💡 统一解决多视图不一致、无纹理与Eikonal约束退化
🚗 提升复杂场景神经表面重建质量,可用于机器人场景几何感知。
Yida Wang · Xueyang Zhang · Kun Zhan 等 5 人
Discontinuity-aware Normal Integration for Generic Central Camera Models
💡 显式建模深度不连续并支持通用中心相机
🚗 提升光度形状重建精度,可用于机器人/驾驶场景几何感知
Francesco Milano · Manuel López-Antequera · Naina Dhingra 等 5 人
Explaining Human Preferences via Metrics for Structured 3D Reconstruction
💡 提出结构化3D重建评测指标与人类偏好蒸馏度量
🚗 为机器人/驾驶场景重建质量评估提供度量方法
Jack Langerman · Denys Rozumnyi · Yuzhong Huang 等 4 人
Thermal Polarimetric Multi-view Stereo
💡 利用长波红外偏振线索实现光照无关的精细三维重建
🚗 为透明/异质物体提供多视图三维重建能力,可迁移至机器人感知与仿真建模。
Takahiro Kushida · Kenichiro Tanaka
AAA-Gaussians: Anti-Aliased and Artifact-Free 3D Gaussian Rendering
💡 引入自适应3D平滑滤波与视图空间包围消除高斯泼溅伪影
🚗 提升3DGS渲染质量与效率,可用于驾驶/机器人场景重建与仿真渲染。
Michael Steiner · Thomas Köhler · Lukas Radl 等 6 人
SAFT: Shape and Appearance of Fabrics from Template via Differentiable Physical Simulations from Monocular Video
💡 结合可微物理仿真与渲染从单目视频重建织物几何与外观
🚗 动态场景几何与外观重建能力可迁移至机器人操作中的可变形物体建模。
David Stotko · Reinhard Klein
FlowR: Flowing from Sparse to Dense 3D Reconstructions
💡 多视图流匹配模型将稀疏重建渲染流至稠密高质量视图
🚗 降低稠密采集需求,可用于驾驶/机器人场景的高质量三维重建与仿真。
Tobias Fischer · Samuel Rota Bulò · Yung-Hsu Yang 等 10 人
Stochastic Gradient Estimation for Higher-Order Differentiable Rendering
💡 用重要性采样计算渲染算子的高阶微分
🚗 加速逆渲染优化,可用于机器人/驾驶场景的几何与材质重建
Zican Wang · Michael Fischer · Tobias Ritschel
HouseCrafter: Lifting Floorplans to 3D Scenes with 2D Diffusion Models
💡 自回归多视角RGB-D生成重建整屋3D场景
🚗 可生成大规模室内场景,服务机器人仿真与具身环境构建
Yiwen Chen · Hieu T. Nguyen · Vikram Voleti 等 5 人
No Pose at All: Self-Supervised Pose-Free 3D Gaussian Splatting from Sparse Views
💡 单步前馈同时预测高斯原语与相机位姿,无需位姿监督
🚗 无位姿稀疏视角重建与位姿估计可支撑机器人/驾驶场景的建图与感知
Ranran Huang · Krystian Mikolajczyk
Sparfels: Fast Reconstruction from Sparse Unposed Imagery
💡 用3D基础模型先验实现2分钟内稀疏无位姿高斯泼溅重建
🚗 稀疏视角快速重建与相机优化可用于机器人/驾驶场景几何感知与仿真建模
Shubhendu Jena · Amine Ouasfi · Mae Younes 等 4 人
Shape of Motion: 4D Reconstruction from a Single Video
💡 用SE(3)运动基表示单目视频动态场景的显式3D轨迹
🚗 动态场景重建能力可用于机器人操作与驾驶场景理解
Qianqian Wang · Vickie Ye · Hang Gao 等 7 人
DIMO: Diverse 3D Motion Generation for Arbitrary Objects
💡 用视频模型先验驱动任意物体多样3D运动生成
🚗 可为机器人与驾驶仿真生成多样化动态物体运动
Linzhan Mou · Jiahui Lei · Chen Wang 等 5 人
MEGA: Memory-Efficient 4D Gaussian Splatting for Dynamic Scenes
💡 分解颜色属性并压缩4D高斯表示以降低内存与存储
🚗 为动态场景重建与驾驶仿真提供高效4D渲染表示
Xinjie Zhang · Zhening Liu · Yifan Zhang 等 10 人
Self-Calibrating Gaussian Splatting for Large Field-of-View Reconstruction
💡 混合神经场镜头畸变建模+立方体贴图渲染大FOV
🚗 支持鱼眼大视场场景重建,可用于驾驶环视与机器人感知建图。
Youming Deng · Wenqi Xian · Guandao Yang 等 7 人
Highlight几何分布
Geometry Distributions
💡 用扩散模型学习表面点分布表示几何
🚗 无需拓扑假设的几何表示,可用于机器人与驾驶场景重建。
Biao Zhang · Jing Ren · Peter Wonka
MoGA: 3D Generative Avatar Prior for Monocular Gaussian Avatar Reconstruction
💡 以3D生成化身先验约束单目高斯化身重建
🚗 单视图高保真3D人体重建,可服务具身智能数字人与仿真。
Zijian Dong · Longteng Duan · Jie Song 等 5 人
11 基础模型与部署 27 篇
Scaling Laws for Native Multimodal Models
💡 457模型缩放研究,早融合优于晚融合
🚗 为多模态大模型架构设计提供规模化指导
Mustafa Shukor · Enrico Fini · Victor Guilherme Turrisi da Costa 等 6 人
Removing Cost Volumes from Optical Flow Estimators
💡 训练策略去除代价体,提速降内存
🚗 加速光流估计,利于实时感知与部署
Simon Kiefhaber · Stefan Roth · Simone Schaub-Meyer
Token Activation Map to Visually Explain Multimodal LLMs
💡 因果推断消除上下文冗余的MLLM解释方法
🚗 提升多模态大模型可解释性,助力驾驶VLM可信部署
Yi Li · Hualiang Wang · Xinpeng Ding 等 5 人
Variance-Based Pruning for Accelerating and Compressing Trained Networks
💡 一次性结构化剪枝,极少微调恢复精度
🚗 模型压缩加速,利于驾驶与机器人端侧部署
Uranik Berisha · Jens Mehnert · Alexandru Condurache
Importance-Based Token Merging for Efficient Image and Video Generation
💡 按信息量优先分配算力的Token合并
🚗 生成模型加速,利于驾驶世界模型高效推理
Haoyu Wu · Jingyi Xu · Hieu Le 等 4 人
Knowledge Distillation for Learned Image Compression
💡 分阶段模块化蒸馏压缩图像压缩模型
🚗 模型压缩蒸馏技术,可迁移至感知模型部署
Yunuo Chen · Zezheng Lyu · Bing He 等 7 人
Learning Streaming Video Representation via Multitask Training
💡 因果时序注意力骨干加多任务视觉语言对齐
🚗 低延迟流式视频理解,适用于具身智能与自动驾驶感知
Yibin Yan · Jilan Xu · Shangzhe Di 等 9 人
LoftUp: Learning a Coordinate-Based Feature Upsampler for Vision Foundation Models
💡 坐标交叉注意力实现VFM特征高分辨率上采样
🚗 提升基础模型像素级特征质量,可用于驾驶与机器人密集感知任务。
Haiwen Huang · Anpei Chen · Volodymyr Havrylov 等 5 人
VRM: Knowledge Distillation via Virtual Relation Matching
💡 用虚拟视图构建亲和图进行关系蒸馏
🚗 通用模型压缩蒸馏方法,可用于驾驶与机器人模型部署加速
Weijia Zhang · Fei Xie · Weidong Cai 等 4 人
One Trajectory, One Token: Grounded Video Tokenization via Panoptic Sub-object Trajectory
💡 以子物体轨迹组织视频token减少冗余
🚗 高效视频表征可支撑具身与驾驶的长视频理解与动作建模
Chenhao Zheng · Jieyu Zhang · Mohammadreza Salehi 等 8 人
Scaling Language-Free Visual Representation Learning
💡 在相同数据下证明视觉自监督比CLIP扩展性更好
🚗 为机器人/驾驶提供可扩展的通用视觉骨干预训练方案
David Fan · Shengbang Tong · Jiachen Zhu 等 11 人
Confound from All Sides, Distill with Resilience: Multi-Objective Adversarial Paths to Zero-Shot Robustness
💡 用多目标对抗样本蒸馏迁移零样本鲁棒性
🚗 为驾驶/机器人模型提供鲁棒压缩与蒸馏方法
Junhao Dong · Jiao Liu · Xinghua Qu 等 4 人
What to Distill? Fast Knowledge Distillation with Adaptive Sampling
💡 从数据知识量与质量出发自适应采样加速蒸馏
🚗 模型压缩加速技术,可部署于车端与机器人端感知模型
Byungchul Chae · Seonyeong Heo
Corvid: Improving Multimodal Large Language Models Towards Chain-of-Thought Reasoning
💡 混合视觉编码器与GateMixer连接器增强多模态链式推理
🚗 提升多模态大模型复杂推理能力,可迁移至驾驶与机器人决策
Jingjing Jiang · Chao Ma · Xurui Song 等 5 人
HighlightMEMFOF
MEMFOF: High-Resolution Training for Memory-Efficient Multi-Frame Optical Flow Estimation
💡 多帧光流估计的高分辨率低显存训练与推理方法
🚗 高效光流可用于驾驶与机器人实时运动估计及模型部署
Vladislav Bargatin · Egor Chistov · Alexander Yakovenko 等 4 人
Outlier-Aware Post-Training Quantization for Image Super-Resolution
💡 双区域量化策略分离激活离群值与密集区分别量化
🚗 为感知与驾驶模型的训练后量化部署提供激活离群值处理思路
Hailing Wang · Jianglin Lu · Yitian Zhang 等 4 人
Adversarial Distribution Matching for Diffusion Distillation Towards Efficient Image and Video Synthesis
💡 用对抗式扩散判别器做分数蒸馏,缓解模式坍塌
🚗 扩散模型蒸馏加速技术,可用于驾驶/机器人实时生成与部署压缩
Yanzuo Lu · Yuxi Ren · Xin Xia 等 9 人
EVEv2: Improved Baselines for Encoder-Free Vision-Language Models
💡 系统研究无编码器VLM的训练策略与模态解耦
🚗 为自动驾驶与机器人多模态大模型提供高效无编码器架构方案
Haiwen Diao · Xiaotong Li · Yufeng Cui 等 9 人
WINS: Winograd Structured Pruning for Fast Winograd Convolution
💡 针对GPU上Winograd卷积特性设计结构化剪枝
🚗 卷积推理加速与剪枝技术可用于驾驶与机器人模型部署
Cheonjun Park · Hyun Jae Oh · Mincheol Park 等 8 人
Cross-Architecture Distillation Made Simple with Redundancy Suppression
💡 用冗余抑制损失实现简单跨架构知识蒸馏
🚗 通用模型压缩蒸馏方法,可用于驾驶与机器人模型部署加速
Weijia Zhang · Yuehao Liu · Wu Ran 等 4 人
Token-Efficient VLM: High-Resolution Image Understanding via Dynamic Region Proposal
💡 动态区域检测与多尺度patch采样降低视觉token冗余
🚗 提升高分辨率多模态感知效率,利于驾驶/机器人VLM部署
Yitong Jiang · Jinwei Gu · Tianfan Xue 等 7 人
Emulating Self-attention with Convolution for Efficient Image Super-Resolution
💡 用共享大核与动态核卷积化自注意力降低开销
🚗 高效注意力算子设计,可迁移至感知模型推理加速
Dongheon Lee · Seokju Yun · Youngmin Ro
Beyond Losses Reweighting: Empowering Multi-Task Learning via the Generalization Perspective
💡 用权重扰动调控梯度范数缓解任务冲突
🚗 为多任务感知/驾驶模型提供更好泛化的训练方法
Hoang Phan · Lam Tran · Quyen Tran 等 9 人
Rectifying Magnitude Neglect in Linear Attention
💡 指出线性注意力忽略Query幅度并加以修正
🚗 高效注意力算子改进可用于驾驶/机器人模型的推理加速与部署
Qihang Fan · Huaibo Huang · Yuang Ai 等 4 人
Region-based Cluster Discrimination for Visual Representation Learning
💡 区域感知聚类判别损失统一物体与OCR区域表征
🚗 提供区域级视觉骨干表征,可支撑密集感知与多模态基础模型
Yin Xie · Kaicheng Yang · Xiang An 等 12 人
The Scalability of Simplicity: Empirical Analysis of Vision-Language Learning with a Single Transformer
💡 单Transformer统一多模态大模型,去除独立视觉编码器
🚗 为VLM/VLA架构设计提供单塔统一骨干的可扩展性实证依据。
Weixian Lei · Jiacong Wang · Haochen Wang 等 7 人
ResidualViT for Efficient Temporally Dense Video Encoding
💡 可学习残差连接与token削减实现高效时间密集视频特征
🚗 为驾驶视频时序理解提供高效骨干网络与推理加速方案
Mattia Soldan · Fabian Caba Heilbron · Bernard Ghanem 等 5 人