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： “穿过走廊，...

来源：复旦大数据研究院原文链接：https://mp.weixin.qq.com/s/jKJOsNcG9chkEBSwtrlGxg IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)由 IEEE Computer Society 出版，是计算机科学与人工智能领域公认的国际顶级期刊之一，也是模式分析、机器...

来源：遥感和深度学习 原文链接：https://mp.weixin.qq.com/s/kvFykKLlDoECC_M2-1aaQg 题目：RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration 期刊：European Conference on Computer Vis...

为什么字节要把“空间表示”的体积压掉 90%？ 作者丨吴思梦 编辑丨岑 峰 如果有一天，沉浸式直播里的每一个主播都拥有一个实时跟随的 3D 分身，观众可以在任何角度切进去和他对话，看到他的表情、衣服褶皱、头发飘动的细节，那么这个 3D 分身究竟应该有多大？ 这不是一个凌空蹈虚的问题，已经逐渐落定变成一个非常具体的工程问题。 过去几年，3D Gaussian Splatting（3DGS）让“...

Spatial-TTT 给 2B 模型装上“流式空间记忆” ，在空间基准上超越 GPT-5。 作者丨张 璐 编辑丨幸丽娟 单纯拉长上下文，可以解决“能塞进多少信息”的问题。但面对状态变化、时序关联这类长程任务时，注意力还是容易被稀释，关键证据也容易找不回来。当场景扩展到具身机器人、自动驾驶和智能硬件这些需要与三维物理世界实时交互的领域时，这一矛盾被进一步放大。与纯文本或静态图文不同，真实物理...

来源：深蓝具身智能 原文链接：https://mp.weixin.qq.com/s/KSF-DndHNSau02ZYBMCT8Q 懂物理的3D世界模型，才有资格谈动态操控——高速动态任务场景 不可否认，VLA与视频世界模型在静态或准静态任务上已取得显著进展。 而在真实产线、日常服务场景中的目标往往处于持续运动状态——传送带上的工件、旋转货架上的货品、投掷而来的球体…… 这些动态物体的通用操作...

来源：量子位（QbitAI） 原文链接：https://mp.weixin.qq.com/s/fgnisGlSYBEYCcJLZZ00lg 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：多模态信息融合 原文链接：https://mp.weixin.qq.com/s/QjD1bmw0Bvoga3Jx6BpHOQ01｜引言多曝光融合的目的就是把同一个场景下的不同曝光的照片的优点结合起来，使得高光不过曝、暗部有层次、运动的地方没有拖影。但是真实的设备不会一直用固定的方式去拍摄：在夜晚、逆光或者是室内和室外交接的地方，可能需要两帧、三帧甚至是五帧的数据来完成一次融合。 现有的...

来源：MIPLatPKU 原文链接：https://mp.weixin.qq.com/s/uC9T-Rf_AZJlWdOw9OvxbQ导语本文介绍北京大学MIPL彭宇新教授团队录用于ECCV 2026的2篇论文，研究细粒度多图感知和人与物体交互检测。 第19届欧洲计算机视觉会议，英文全称 The 19th European Conference on Computer Vision (ECC...

来源：全民AI学习 原文链接：https://mp.weixin.qq.com/s/8dpeFwBhkxawr2o1pUo-kg 该论文的第一作者和通讯作者均来自北京大学王选计算机研究所，共同第一作者为博士生雷廷和实习生刘佳林，通讯作者为博士生导师刘洋。团队近年来在 TPAMI、IJCV、CVPR、ICML 等顶会上有多项代表性成果发表，多次荣获国内外多模态理解与生成竞赛冠军，和国内外知名高...