Daily Paper Feed

2026 年 09 月 28 日 星期一 · 共 19 篇相关论文 · 全部存档
1

GraphWrit3R: End-to-End 3D Scene Graph Writing

Luka Milivojevic, Nikola Popovic, Sayan Deb Sarkar, Sebastian Koch, Iro Armeni, Luc Van Gool, Danda Pani Paudel
任务设定 端到端生成 3D 场景图(物体及关系)
痛点动机 现有方法依赖多阶段流程和真值标注,脆弱易错
解决方案 融合点云与高斯泼溅特征,经 LLM 解码输出结构化场景图
2

Vision-Based 6-DoF Grasp Pose Estimation for Robot Cloth Unfolding

Domen Tabernik, Peter Nimac, Jan Jerićević, Danijel Skočaj, Andrej Gams
任务设定 双臂机器人抓取布料并将其展开的位姿估计
痛点动机 布料可变形易遮挡,折痕、边缘等抓取点难以稳定感知
解决方案 提出 CeDiRNet-6DoF ,联合预测分割与 6 自由度抓取位姿,选取能最大化展开面积的抓取点
3

InternW0-$Δ$: A World Action Model Bridging Predictive Dynamics and Actions with 20K+ Hours of Open Data

Xingyu Miao, Zizun Li, Baole Fang, Kaiwen Song, Tenghui Wang, Hanxue Zhang, Yating Wang, Xudong Li, Yuping He, Xueyuan Wei, Chao Gao, Xijie Yang, Yingxiang Xu, Kerui Ren, Wenqi Guo, Jianjun Zhou, Xinzhe Wang, Weiguang Zhao, Ni Yang, Zetao Cai, Yufei Xue, Hengjie Li, Zeyu He, Yuanzhen Zhou, Rong Fu, Jianyang Zhang, Siwei Cui, Fuxian Huang, Yunsong Zhou, Xing Gao, Yifei Yao, Qiaojun Yu, Kailin Li, Ming Zhou, Mu Huang, Xinyue Li, Wenze Cui, Bingqi Jiang, Xueyue Zhu, Junting Dong, Haoyu Guo, Tao Lu, Mulin Yu, Bowen Zhou, Bin Zhao, Tianfan Xue, Weinan Zhang, Chunhua Shen et al. (18 additional authors not shown)
任务设定 面向机器人操作的统一世界动作模型
痛点动机 如何统一融合视频、几何、语义等多种预训练先验
解决方案 用混合专家架构融合视频专家与动作专家,并通过 4D 先验蒸馏注入几何运动信息
4

DyMD: Preserving Interaction Dynamics through Distribution Matching Distillation in Few-Step Video World Models

Haojun Xu, Jie Huang, Xin Lu, Mingchen Zhong, Zihao Fan, Linjiang Huang, Si Liu
任务设定 用少步蒸馏加速具身视频世界模型生成
痛点动机 分布匹配蒸馏容易抑制机器人与物体间的交互运动
解决方案 自适应调整教师加噪时间步与难例加权,在提速同时保留交互动态
5

Towards VLA-Dreamer: Refining VLA Behavior Using World Models

Parsa Mastouri Kashani, Jan-Gerrit Habekost, Stefan Wermter
任务设定 在 VLA 视觉编码器嵌入空间训练世界模型
痛点动机 VLA 缺乏显式世界模型,样本效率与规划能力受限
解决方案 在嵌入空间而非像素空间预测未来,支持基于动作采样的短期规划
6

MA-WAM: Multi-Agent World-Action Model for Test-Time Planning

Guowei Zou, Haitao Wang, Guoxin Wang, Beiwen Zhang, Zhiquan Chen, Guojie Wang, Hejun Wu
任务设定 多智能体强化学习的测试时联合动作规划
痛点动机 单智能体世界模型难建模多智能体动作间依赖
解决方案 提出多智能体世界-动作模型,预测联合动作后果并打分择优。
7

Enabling a Unified Cross-Domain Representation for Two-Finger Gripper Manipulation via Interaction-Centric Modeling

Guanlin Li, Shifeng Bao, Yihan Zhao, Haitao Shen, Haoyang Li, Chen Zhao, Tong Yang, Jie Tang, Jing Zhang
任务设定 双指夹爪机器人跨本体的模仿学习泛化
痛点动机 现有表征把任务语义和硬件视觉几何纠缠,难迁移
解决方案 提出交互中心化通用夹爪表征,结合 VLM 推理与 Flow-Matching 生成动作,实现零样本跨平台迁移。
8

TRACKGRAPH: Online Open-Vocabulary 3D Scene Graphs via Image-Space Tracking

Peder Borge Hellesylt, Albert Gassol Puigjaner, Kostas Alexis, Annette Stahl
任务设定 在线构建开放词汇 3D 场景图用于机器人环境理解
痛点动机 现有方法逐帧分割+频繁调用视觉语言模型,计算成本高
解决方案 用图像空间跟踪维持 2D 掩码身份,用 CLIP 特征融合进 3D 场景图,速度更快、内存更省
9

The Linear Representation Hypothesis for Vision-Language-Action Models

Minseok Jeong, Hyewon Choi, Hiroyasu Tsukamoto, SooJean Han
任务设定 研究视觉-语言-动作模型内部表征与物理量的线性关系
痛点动机 VLA 中表征与动作、物理状态相互耦合演化,比 LLM 语义属性更复杂
解决方案 提出基于路径签名的理论框架,统一表征与策略,证明可用线性探针预测并引导未来物理量演化
10

STORM-Bench: Evaluating Online Video QA under Evolving and Incomplete Evidence

Siru Zhong, Shenghan Tan, Rihong Yan, Xiaohui Lv, Yuzheng Zhuang, Shuai Tao, Wulong Liu, Haohuan Fu, Yuxuan Liang
任务设定 评估在线视频问答在证据渐变、不完整下的可靠性
痛点动机 现有基准只测静态识别,未评估状态追踪与恰当弃答能力
解决方案 构建涵盖第一视角场景的 630 段视频基准,提出 STORM-BR 等指标衡量过度自信问题
11

SciHorizon-eLab: An Agentic Protocol-to-Task Compiler for Scalable Benchmarking of Scientific Embodied Agents

Maokai Qin, Chuan Qin, Qi Zhang, Dianyu Liu, Zirui Liu, Hongting Niu, Yuanchun Zhou, Hengshu Zhu
任务设定 构建科学实验具身智能体的可扩展评测基准
痛点动机 现有实验室仿真基准依赖人工任务设计,难以规模化验证协议执行
解决方案 提出协议转任务的智能体编译器,自动将实验协议转为可执行、可验证的具身任务
12

OneWorld: Learning Consistent Physics Across Actions in World Models

Ke He, Yichen Ding, Bin Yang
任务设定 让动作条件世界模型预测跨动作物理一致的未来
痛点动机 不同动作独立生成的未来可能隐含矛盾的物理属性
解决方案 提出 OneWorld 框架,推断共享潜在物理机制约束扩散采样,兼顾一致性与动作差异。
13

Motion Style Slider: Endpoint-Supervised Continuous Style Control for Human Motion Diffusion

Chen-Chieh Liao, Yichen Peng, Yiyi Cai, Yûi Ono, Hiroki Hanaoka, Erwin Wu, Hideki Koike, Shuichi Kurabayashi
任务设定 人体动作扩散生成中风格强度的连续可控
痛点动机 风格强度因人而异,缺乏可靠单调控制轴
解决方案 在动作风格嵌入空间构建风格方向,用标量强度条件扩散生成,无需中间强度真值
14

NavGen: Visual Generative Models as a Scalable Data Engine for Embodied 3D Navigation

Xijie Huang, Yongyang Wan, Chengbin Dong, Zimo Ding, Mo Zhu, Yijin Wang, Zhiyang Liu, Fei Gao, Yuze Wu, Xin Zhou
任务设定 为具身 3D 导航构建可扩展数据生成引擎
痛点动机 真实飞行数据采集成本高,仿真数据存在 sim-to-real 差距
解决方案 用文本生成视频模型批量合成导航片段,并在世界动作模型范式下真机部署验证
15

Timo: $\textbf{T}$aming Mult$\textbf{i}$modal Diffusion Transformer for Human $\textbf{Mo}$tion Generation

Zhao Wang, Jiangtao Hu, Jack Yu, Tao Yu
任务设定 文本驱动的人体动作生成
痛点动机 现有方法文本-动作建模单向,关节间弱相关,直接用 MMDiT 效果不佳
解决方案 提出运动学感知的多模态扩散 Transformer ,结合双向文本-动作注意力与旋转运动学监督
16

StarWM: Self-Supervised Trained Attention Routing for Robust World Models

Zeqiang Zhang, Fabian Wurzberger, Maximilian Otte, Daniel Schmid, Sebastian Gottwald, Arne Peter Raulf, Daniel Alexander Braun
任务设定 为强化学习训练抗干扰的视觉世界模型
痛点动机 重建式模型易被无关像素背景主导,舍弃重建又怕丢关键信息
解决方案 用自监督注意力路由选择重建区域,双流解码器隔离两类目标互不干扰
17

Action Forcing: Training World Models on Unsupervised Video by Recovering Underlying Egomotion Bases

Ashish Sundar, Tiankuo Hou, Zhong Fan, Chunbo Luo, Xiaoyang Wang
任务设定 从无标注视频中训练可控世界模型
痛点动机 动作标注数据稀缺,依赖传感器或人工标注成本高
解决方案 追踪像素位移,用 PCA 恢复自运动基底作控制信号,再用潜在判别器蒸馏训练视频 DiT
18

WALT: Learning World-Model-Aligned Latent Trajectories for Autonomous Driving

Mingkai Jia, Jiaxin Guo, Zhijian Shu, Jiawei Xu, Mingxiao Li, Jintao Cheng, Ping Tan, Wei Yin
任务设定 自动驾驶中用世界模型指导轨迹规划
痛点动机 视觉预测语义与几何轨迹脱节,规划难用上世界模型信息
解决方案 用双分支轨迹自编码器构建潜空间,蒸馏冻结世界模型的场景语义
19

Actively Resolving Contextual Uncertainty for Underspecified Tasks in Natural Language

Zachary Ravichandran, Jonathan Diller, Fernando Cladera, Varun Murali, George J. Pappas, Vijay Kumar
任务设定 机器人执行指代不完整的自然语言任务
痛点动机 陌生环境中任务描述不全,机器人难判断目标与所需信息
解决方案 用 LLM 假设生成候选计划,结合在线语言地图闭环验证修正