cs.CV（2025-12-22）
📊 共 5 篇论文 | 🔗 1 篇有代码
🎯 兴趣领域导航
支柱一：机器人控制 (Robot Control) (2)
支柱三：空间感知与语义 (Perception & Semantics) (1 🔗1)
支柱九：具身大模型 (Embodied Foundation Models) (1)
支柱八：物理动画 (Physics-based Animation) (1)
🔬 支柱一：机器人控制 (Robot Control) (2 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 1 | Zero-shot Reconstruction of In-Scene Object Manipulation from Video | 提出首个系统，从单目视频零样本重建场景内物体操作过程。 | manipulation scene reconstruction physically plausible | ||
| 2 | VLNVerse: A Benchmark for Vision-Language Navigation with Versatile, Embodied, Realistic Simulation and Evaluation | VLNVerse：用于视觉-语言导航的多功能、具身、逼真模拟与评估基准 | locomotion sim-to-real embodied AI |
🔬 支柱三：空间感知与语义 (Perception & Semantics) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 3 | CETCAM: Camera-Controllable Video Generation via Consistent and Extensible Tokenization | 提出CETCAM框架以解决视频生成中的相机控制问题 | depth estimation VGGT geometric consistency | ✅ |
🔬 支柱九：具身大模型 (Embodied Foundation Models) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 4 | Point What You Mean: Visually Grounded Instruction Policy | 提出Point-VLA，通过视觉引导增强VLA模型在复杂环境中的目标指代能力。 | vision-language-action VLA visual grounding |
🔬 支柱八：物理动画 (Physics-based Animation) (1 篇)
| # | 题目 | 一句话要点 | 标签 | 🔗 | ⭐ |
|---|---|---|---|---|---|
| 5 | Towards AI-Guided Open-World Ecological Taxonomic Classification | 提出TaxoNet，解决开放世界生态分类中的长尾分布和领域偏移问题 | spatiotemporal foundation model multimodal |