来源：多模态视觉 原文链接：https://mp\.weixin\.qq\.com/s/9DDw5LZTBdYIR64l0lM2Bg 在遥感、无人机和港口画面里，目标大多是斜着的，水平检测框会框进一大堆背景，旋转框又因为角度周期性而难训、难收敛。中科大联合华为、清华提出的 RiO-DETR 把端到端旋转 DETR 第一次推进实时区间——最轻量模型只有 4.0M 参数、T4 上端到端延迟 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/tMxuVOqCad5I6bO\_Jb3Njg 请想象这样一种居家场景：当你戴着 AI 眼镜在厨房准备晚饭，用刀切菜时，它会立刻提醒你注意安全；当你连续几天形成举着手机长时间录像的习惯时，它会主动建议你换一种更省力的记录方式。前者需要 AI 助手根据当前场景服务用户，后者则需要调用跨越数天的记忆，总结用...

来源：林叔说事 原文链接：https://mp\.weixin\.qq\.com/s/dF\_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花...

来源：量子位 原文链接：https://mp\.weixin\.qq\.com/s/fmy0V\_Curk3m7PNq3dZgHQ 在机器人、自动驾驶、AR等真实场景中，空间理解从来都不是“看一眼图像”就能解决的问题。 相机持续移动、视角不断变化、目标时隐时现，空间信息从来不是明确且集中的，而是往往分散在长时间视频流里，模型不仅要“看得见”，更要“记得住、连得起来、还能持续更新”。 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/yaIxPelBSSqg6GJ5hAhMKg 论文的团队来自于清华大学产业研究院（AIR），滴滴，北京航空航天大学。团队近年在自动驾驶与具身智能领域发表论文数十篇，并和国内外知名高校、科研机构广泛开展合作。 该论文的第一作者为杨予光，北京航空航天大学博士研究生，研究方向为自动驾驶与具身智能，提出首个 ...

来源：公众号“具身栖息地” 原文链接：https://mp\.weixin\.qq\.com/s/DnTT7d2WSAYdvCLRnbMYzw?scene=1 想象一个这样的午后：家用机器人在餐边柜前接到“把杯子递过来”的指令，它抬起手臂，绕过桌角堆叠的杂志，避开突然探过身来的孩子，稳稳地握住杯柄，轻轻绕过水杯旁的玻璃花瓶，安全递到你手边。 这一切听起来很自然，是因为我们默认它懂得什么...

    作者丨陈淑瑜     编辑丨岑   峰 *                                                                                                       * ▎《Physics-Grounded Multimodal Perception：从视觉、声音到触觉的统一物理底座》 ...

来源：机器之心 原文链接：https://mp\.weixin\.qq\.com/s/u\_TLN8q7bp\-GJVcJVXYdPw 近年来，视觉语言模型（Vision-Language Model, VLM）在图像理解、语义推理等任务中展现出了强大的能力。然而，当这些模型真正进入物理世界，让机器人根据一句自然语言指令完成自主导航时，仍然面临巨大挑战。 例如，机器人完成一句简单的指令...

来源：我爱计算机视觉 原文链接：https://mp\.weixin\.qq\.com/s/2pGGqmJAUvmP\_nflnXBh3g 背景与动机：医疗推理一定要“把思考过程说出来”吗？ 经验丰富的医生在看到医学影像时，往往不会先生成一段冗长的逐步推理，再得到诊断结论。更多时候，他们会迅速调用长期积累的解剖知识、病灶模式和病例经验，在极短时间内完成感知匹配与诊断记...

来源：数策智合 原文链接：https://mp\.weixin\.qq\.com/s/kEaqXJ5BGpqXjgd1mrT71Q?scene=1 ⚡ ECCV 2026 的 LocateAnything 给出了一条更结构化的路线：把完整 bounding box 当成一个几何原子单元，一次并行解码。 ? 论文：LocateAnything: Fas...