论文

瀑布流分页

SeededGrasp:多本体复杂场景语言引导抓取

复杂场景的实用机器人抓取需要3D感知与语言引导,本方法支持多种机器人本体。

抓取Language-Guided

Yang Xu, Gurpreet Singh Mukker, Raymond Wang · 396次阅读 · 2026年7月22日

Geo3R:缓解多模态大模型空间推理幻觉

多模态大模型在视觉理解上进展显著但存在空间推理幻觉,Geo3R 通过几何关系缓解该问题。

空间推理多模态

Mingyu Wang, Weilin Jin, Wenbo Li · 455次阅读 · 2026年7月23日

3D感知视觉语言模型:隐式与显式几何融合

现有视觉语言模型大多缺乏3D感知,本文融合隐式与显式几何构建3D感知VLM。

3D-Aware视觉语言模型

Wenhao Li, Xueying Jiang, Quanhao Qian · 494次阅读 · 2026年7月23日

保持一致:一致性约束增强LVLM鲁棒视觉推理

大型视觉语言模型视觉推理强但鲁棒性不足,本工作用一致性约束增强其鲁棒性。

LVLM视觉推理

Liqiang Jing, Xiong Zhou, Siddharth Varia · 429次阅读 · 2026年7月23日

从零开始的规模化原生多模态预训练

大规模语言模型能力强,本文研究从零开始的原生多模态预训练的规模化方法。

多模态Pre-Training

Haoyuan Wu, Aoqi Wu, Hai Wang · 556次阅读 · 2026年7月24日

航空多模态大模型智能体的零样本任务级评估

多模态大模型正成为航空任务的核心,本工作提出零样本任务级评估框架。

AerialMLLM

Suman Navaratnarajah, Taehyoung Kim, Jona Ruthardt · 471次阅读 · 2026年7月24日

SiPhy:单图像物理属性推理

从单张图像推断质量、刚度、弹性等物理属性是重要挑战,本工作提出SiPhy方法。

物理属性单图像

Hoang Le, Joonwoo Kwon, Elkhan Ismayilzada · 432次阅读 · 2026年7月24日

持久计算状态:生成式世界模型的会话运行时

生成式世界模型日益作为模拟器使用,本文提出以会话为中心的持久计算状态运行时。

世界模型生成式

Zhen Lin · 394次阅读 · 2026年7月23日

TRW:世界模型作为物化视图的可审计一致性契约

TRACE-RealWorld 解决世界模型作为物化视图的数据管理一致性问题,提供可审计契约。

世界模型一致性

Edward Y. Chang · 358次阅读 · 2026年7月24日

Music-JEPA:从动作学习声音世界模型

联合嵌入预测架构(JEPA)近期兴起,本文将其扩展为从动作学习声音的世界模型。

世界模型Sound

Ziyu Wang, Kun Fang, Yann LeCun · 573次阅读 · 2026年7月24日

受控世界模型的可辨识性研究

研究从人类交互中推断环境动力学的世界模型的可辨识性问题。

世界模型Identifiability

Xiangteng Zhang, Yang Guan, Bo Zhang · 339次阅读 · 2026年7月24日

ViTacWorld:面向接触密集型机器人操作的视触觉世界模型

接触密集型机器人操作需要物理交互,ViTacWorld 扩展视触觉世界模型以支持此类操作。

世界模型Visuo-Tactile

Yunao Huang, Shiyu Sang, Haotao Lu · 576次阅读 · 2026年7月24日

本站含 CakeGrowth 联盟推广链接,我们可能从符合条件的购买中获得佣金。