自动驾驶

Weakly Supervised Cross-Modal Learning for 4D Radar Scene Flow Estimation

弱监督跨模态学习用于4D雷达场景流估计

Jingyun Fu, Zhiyu Xiang, Na Zhao

机构 * Zhejiang University, Hangzhou, Zhejiang, China（浙江大学） ； Zhejiang Provincial Key Laboratory of Multi-Modal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室） ； Singapore University of Technology and Design（新加坡科技设计大学） 纠错

专题命中 感知 ：LiDAR(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出了一种弱监督的雷达场景流学习框架，利用图像和里程计进行辅助监督，通过实例感知的自监督损失和静态区域的刚性损失，实现了更高效的场景流估计。

Comments Accepted by ICML2026

Making the Discrete Continuous: Synthetic RAW Augmentations for Fine-Grained Evaluation of Person Detection Performance in Low Light

使离散的成为连续的：合成RAW增强用于细粒度评估人检测性能在低光环境

Valeria Pais, Malena Mendilaharzu, Daniele Faccio, Luis Oala, Christoph Clausen, Bruno Sanguinetti

机构 * University of Glasgow（格拉斯哥大学） ； Dotphoton 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出了一种合成RAW增强方法，用于在低光条件下更准确地评估人检测模型的性能，通过生成与相机传感器噪声模型匹配的低光样本，以改善基准测试的数据覆盖。

Comments Accepted non-archival paper at the CVPR 2026 AUTOPILOT Workshop (Autonomous Understanding Through Open-world Perception and Integrated Language Models for On-road Tasks)

Beyond Chamfer Distance: Granular Order-aware Evaluation Metric For Online Mapping

超越形变距离：面向在线制图的粒度化顺序感知评估度量

Chouaib Bencheikh Lehocine, Adam Lilja, Junsheng Fu, Lars Hammarstrand

机构 * Zenseact AB（Zenseact公司） ； Chalmers University of Technology（楚姆勒斯技术大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出一种粒度化顺序感知评估度量，用于评估在线制图方法，通过引入序列最优子模式分配（SOSPA）和多实例评估框架中的多段线定位与检测（PLD），改进了传统基于形变距离的评估方法，揭示了当前方法中检测能力是主要瓶颈。

MU-SHOT-Fi: Self-Supervised Multi-User Wi-Fi Sensing with Source-free Unsupervised Domain Adaptation

MU-SHOT-Fi: 基于源无关无监督域适应的多用户Wi-Fi感知

Ahmed Y. Radwan, Hina Tabassum

机构 * department of Electrical Engineering and Computer Science（电气工程与计算机科学系） 纠错

专题命中 感知 ：occupancy(abstract)；分类 cs.AI

AI总结 本文提出MU-SHOT-Fi框架，通过源无关无监督域适应方法，在单用户和多用户Wi-Fi感知中实现准确的活动分类和占用估计，同时防止模型崩溃。

Journal ref IEEE Internet of Things Journal, Early Access, 2026

Enhancing Event-based Object Detection with Monocular Normal Maps

通过单目法线图增强基于事件的目标检测

Mingjie Liu, Hanqing Liu, Luoping Cui, Chuang Zhu

机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（人工智能学院，北京邮电大学） 纠错

专题命中 感知 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文提出NRE-Net框架，结合法线图的结构先验、RGB图像的外观上下文和事件的高频动态，通过自适应双流融合模块和事件模态感知融合模块提升自动驾驶中复杂光照下的目标检测性能。