Daily Paper Feed

2026 年 07 月 25 日 星期六 · 共 13 篇相关论文 · 全部存档
1

3D-Aware VLMs with Implicit and Explicit Geometries

Wenhao Li, Xueying Jiang, Quanhao Qian, Deli Zhao, Ran Xu, Shijian Lu, Gongjie Zhang
任务设定 增强视觉语言模型的 3D 空间理解与推理能力
痛点动机 现有 VLM 仅靠 2D 输入，难以处理精细 3D 任务
解决方案 从 RGB 视频学习隐式与显式几何 token ，融合 2D 视觉线索注入 3D 先验
alphaXiv Project Page
2

Streaming Multi-Agent Autoregressive Diffusion Model with World State Registers

Sicheng Mo, Yuheng Li, Ziyang Leng, Krishna Kumar Singh, Bolei Zhou
任务设定 多智能体交互式世界模型的流式视频生成
痛点动机 自回归视频扩散难以维持跨智能体共享的世界状态
解决方案 引入世界状态寄存器存储共享信息，用混合 Transformer 分离状态与画面建模
alphaXiv
3

Unified Video Dense Prediction from Disjoint Data

Yihong Sun, Seoung Wug Oh, Jiahui Huang, Bharath Hariharan, Joon-Young Lee
任务设定 统一预测 8 种密集场景属性的视频模型
痛点动机 各任务标注分散在不兼容数据集，联合训练成本高
解决方案 借助扩散模型先验，用任务专家蒸馏出统一骨干，无需标注重叠
alphaXiv Project Page
4

Scale Up Strategically: Learning Compositional Generalization via Bias-Aware Evaluation and Data Collection for Robotic Manipulation

Yu Qi, Zhang Ye, Xinyi Xu, Yuxuan Lu, Amitoj Sandhu, Boce Hu, Haojie Huang, Jonathan Tremblay, Lawson L. S. Wong
任务设定 诊断机器人操作策略对指令因子的捷径依赖
痛点动机 策略常走捷径，依赖颜色等显著线索而非真正理解语言
解决方案 提出指令因子偏差诊断框架，定向采集数据提升泛化与样本效率
alphaXiv
5

GS-Agent: Creating 4D Physical Worlds With Generative Simulation

Hongxin Zhang, Chunru Lin, Junyan Li, Zhou Xian, Tsun-Hsuan Wang, Chuang Gan
任务设定 从自然语言生成可控、物理真实的 4D 动态世界
痛点动机 现有生成模型难以保证物理合理性与可控性
解决方案 多智能体框架接入物理引擎，分工完成资产、材质、运动与渲染配置
alphaXiv
6

Future Rendering $\neq$ Future Surface: A Benchmark and Dataset for Dynamic Surface Reconstruction Beyond the Observed Window

Yukun Shi, Minglun Gong
任务设定 评测观测窗口外动态场景的未来表面重建能力
痛点动机 现有动态重建只评估观测区间内，缺少面向 AR/机器人的未来预测基准
解决方案 构建 FutureSurf 基准，用 Chamfer 距离量化未来表面重建误差
alphaXiv
7

HyWorldVLA: A Vision-Language-Action Model with Hybrid World Modeling for Autonomous Driving

Quanfu Yu, Xian Wu, Hao Xu, Liulong Ma
任务设定 自动驾驶中融合世界模型的 VLA 轨迹生成
痛点动机 像素级预测鲁棒性差，纯隐空间预测缺乏可解释性
解决方案 提出混合世界模型：预训练阶段同时做隐空间预测与像素重建，微调阶段仅用隐空间特征驱动动作专家出轨迹
alphaXiv
8

FA-LAM: Focus-Aware Large Avatar Model for One-Shot 4D Animatable Gaussian Head

Yingdong Hu, Yisheng He, Yiming Jiang, Zehong Lin, Steven Hoi, Jun Zhang
任务设定 单张图像一次性生成可动画的 4D 高斯头部化身
痛点动机 现有方法注意力激活含噪声,且重建与动画目标相冲突
解决方案 提出对称语义注意力正则化,并用双阶段训练分离重建与动画能力
alphaXiv
9

Engine-Native Editable 3D World Reconstruction with Objects and Lighting

Junhao Chen, Xinghao Chen, Henghaofan Zhang, Zihao Qiao, Saining Zhang, Yongzhi Li, Ruqi Huang, Sisi Li, Yimin Sheng, Jianyi Zhu, Hao Zhao
任务设定 单图重建可编辑的 3D 场景（物体+光照）
痛点动机 现有方法止步于房间几何，光照烘焙难以编辑
解决方案 构建 Lumera 基准与管线，用 VLM 解析物体框和参数化光源并重建网格
alphaXiv
10

Robostral Navigate

Arjun Majumdar, Avinash Sooriyarachchi, Benjamin Tibi, Chris Bamford, Elliot Chane-Sane, Guillaume Lample, Khyathi Raghavi Chandu, Ludovic Ho Fuh, Mathieu Poiree, Olivier Duchenne, Rosalie Millner, Srijan Mishra, Theo Cachet, Thomas Chabal
任务设定 仅用单目 RGB 实现跨机器人本体的导航
痛点动机 依赖深度相机/多目/地图导致部署成本高
解决方案 8B 视觉语言模型在图像空间预测路点，模拟数据+前缀缓存训练提速 22 倍
alphaXiv
11

Emergent Compositional Skills in Mixture-of-Experts VLAs

Shlok Shah, Rhiaan Jhaveri, Tharun Kumar Tiruppali Kalidoss, Chirayu Nimonkar, Ishaan Javali
任务设定 端到端学习可组合的机器人操作策略
痛点动机 无预定义任务分解，如何自动获得可复用技能
解决方案 MoE 动作头使专家涌现为可复用行为基元，路由隐式完成高层任务排序
alphaXiv
12

Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

Miroslav Krupa, Miroslav Cibula, Kristína Malinovská
任务设定 学习式机器人避障轨迹规划
痛点动机 采样法算力开销大，学习法样本效率低、泛化差
解决方案 用正向-逆向模型做自监督信号训练规划器，发现并缓解其“钻学习信号空子”问题
alphaXiv
13

PhysCoRe: Physics-Corrected Residual World Models for Material-Aware Deformable Dynamics

Haocheng Yin, Shuohan Tao, Yongsheng Chen, Lu Gan
任务设定 预测机器人操控下可变形物体的动力学演化
痛点动机 逐物体拟合材料参数慢且难泛化,纯学习模型外推差
解决方案 结合可微 MPM 模拟器与两个前馈网络:从视觉推断材料弹性,并学习残差修正弥补模拟偏差
alphaXiv