cs.CV（2025-09-08）
📊 共 5 篇论文 | 🔗 2 篇有代码
🎯 兴趣领域导航
支柱九：具身大模型 (Embodied Foundation Models) (2 🔗1)
支柱三：空间感知与语义 (Perception & Semantics) (1 🔗1)
支柱二：RL算法与架构 (RL & Architecture) (1)
支柱七：动作重定向 (Motion Retargeting) (1)
🔬 支柱九：具身大模型 (Embodied Foundation Models) (2 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 1 | Interleaving Reasoning for Better Text-to-Image Generation | 提出交错推理生成框架IRG，提升文本到图像生成中的指令遵循和细节保持能力 | foundation model multimodal instruction following | ✅ | |
| 2 | Multi-Modal Camera-Based Detection of Vulnerable Road Users | 提出一种多模态相机融合的弱势道路使用者检测框架，提升恶劣环境下的检测性能。 | multimodal |
🔬 支柱三：空间感知与语义 (Perception & Semantics) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 3 | Prototype-Aware Multimodal Alignment for Open-Vocabulary Visual Grounding | 提出原型感知多模态学习框架PAML，解决开放词汇视觉定位中的跨模态对齐问题。 | open-vocabulary open vocabulary multimodal | ✅ |
🔬 支柱二：RL算法与架构 (RL & Architecture) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 4 | Video-based Generalized Category Discovery via Memory-Guided Consistency-Aware Contrastive Learning | 提出MCCL框架，解决视频广义类别发现中时空信息有效融合难题 | representation learning contrastive learning |
🔬 支柱七：动作重定向 (Motion Retargeting) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 5 | Spatial Reasoning with Vision-Language Models in Ego-Centric Multi-View Scenes | 提出Ego3D-Bench与Ego3D-VLM，提升VLM在第一视角多视图场景下的空间推理能力。 | spatial relationship embodied AI |