cs.CV（2025-07-16）
📊 共 12 篇论文 | 🔗 3 篇有代码
🎯 兴趣领域导航
支柱三：空间感知与语义 (Perception & Semantics) (4 🔗1)
支柱二：RL算法与架构 (RL & Architecture) (3 🔗2)
支柱一：机器人控制 (Robot Control) (2)
支柱四：生成式动作 (Generative Motion) (1)
支柱九：具身大模型 (Embodied Foundation Models) (1)
支柱六：视频提取与匹配 (Video Extraction) (1)
🔬 支柱三：空间感知与语义 (Perception & Semantics) (4 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 1 | SGLoc: Semantic Localization System for Camera Pose Estimation from 3D Gaussian Splatting Representation | SGLoc：利用语义信息的3D高斯溅射相机位姿估计 | 3D gaussian splatting 3DGS gaussian splatting | ✅ | |
| 2 | Funnel-HOI: Top-Down Perception for Zero-Shot HOI Detection | Funnel-HOI：一种用于零样本人-物交互检测的自顶向下感知框架 | scene understanding human-object interaction HOI | ||
| 3 | PhysX-3D: Physical-Grounded 3D Asset Generation | 提出PhysX-3D框架，用于生成具有物理属性的3D资产，解决现有方法忽略物理属性的问题。 | affordance embodied AI | ||
| 4 | SpatialTrackerV2: 3D Point Tracking Made Easy | SpatialTrackerV2：简易的单目视频3D点云追踪方法 | monocular depth |
🔬 支柱二：RL算法与架构 (RL & Architecture) (3 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 5 | Mono-InternVL-1.5: Towards Cheaper and Faster Monolithic Multimodal Large Language Models | 提出Mono-InternVL-1.5，一种更经济高效的单体多模态大语言模型，通过改进的预训练策略和优化推理加速，降低训练和推理成本。 | visual pre-training large language model multimodal | ✅ | |
| 6 | Mitigating Object Hallucinations via Sentence-Level Early Intervention | 提出SENTINEL框架，通过句子级早期干预缓解多模态大语言模型中的对象幻觉问题 | preference learning DPO open-vocabulary | ✅ | |
| 7 | DVFL-Net: A Lightweight Distilled Video Focal Modulation Network for Spatio-Temporal Action Recognition | 提出DVFL-Net，一种轻量级蒸馏视频焦点调制网络，用于时空动作识别。 | distillation spatiotemporal |
🔬 支柱一：机器人控制 (Robot Control) (2 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 8 | MindJourney: Test-Time Scaling with World Models for Spatial Reasoning | MindJourney：利用世界模型进行测试时缩放，提升视觉语言模型在空间推理任务上的性能。 | manipulation reinforcement learning world model | ||
| 9 | Vision-based Perception for Autonomous Vehicles in Obstacle Avoidance Scenarios | 提出基于视觉的自动驾驶避障方案，融合YOLOv11和单目深度估计 | motion planning depth estimation monocular depth |
🔬 支柱四：生成式动作 (Generative Motion) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 10 | MMHU: A Massive-Scale Multimodal Benchmark for Human Behavior Understanding | 提出大规模多模态人类行为理解基准MMHU，助力安全驾驶系统发展 | motion generation multimodal |
🔬 支柱九：具身大模型 (Embodied Foundation Models) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 11 | UL-DD: A Multimodal Drowsiness Dataset Using Video, Biometric Signals, and Behavioral Data | 提出UL-DD：一个融合视频、生物信号和行为数据的多模态驾驶员疲劳检测数据集 | multimodal |
🔬 支柱六：视频提取与匹配 (Video Extraction) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 12 | Spontaneous Spatial Cognition Emerges during Egocentric Video Viewing through Non-invasive BCI | 通过非侵入式BCI解码自发空间认知，揭示人脑空间映射机制 | egocentric |