⚡️⚡️⚡️3 статьи лаборатории приняты на юбилейную 40-ю конференцию AAAI (Core A*)

1) BREPS: Bounding-Box Robustness Evaluation of Promptable Segmentation — о методе синтеза боксов разметки, использование которых позволяет минимизировать или максимизировать ошибку сегментации в зависимости от критерия. Также провели сравнительный анализ современных моделей на 10 наборах данных, содержащих как повседневные сцены, так и медицинские изображения.
Скоро в open source💪

2) NoReGeo: Non-Reasoning Geometry Benchmark — о новом бенчмарке, который показывает, что даже передовые большие языковые модели не способны к прямому геометрическому пониманию без привлечения алгебраических вычислений, и эту проблему нельзя решить простым дообучением. В бенчмарке 2500 задач из 25 категорий.
Скоро в open source💪

3) T-LoRA: Single Image Diffusion Model Customization Without Overfitting — о легковесном методе, который позволяет дообучать диффузионку по одному изображению без переобучения, что актуально, например, для задач персонализированной генерации картинок
👉GitHub
👉Arxiv

💪Не прошло и дня, как говорится

+2 принятых статьи на международную конференцию WACV (Core A)🔥

1) Features Inversion as a Lens on Vision Encoders

2) MaxInfo: A Training-Free Key-Frame Selection Method Using Maximum Volume for Enhanced Video Understanding
Статья

Про эти работы отдельно в ближайшие дни расскажу

В команде Robotics лаборатории исследователь применил свои навыки для прикладных задач робототехники.

Помните, что курение вредит вашему здоровью, а роботы — нет 😎

@dunnolab video production

🦾Продолжаем делиться нашими успехами в области робототехники

Команда Robotics лаборатории FusionBrain выпустила RoboBenchMart — открытый симуляционный ритейл-бенчмарк для роботов. Он включает генератор планов магазина и раскладок товаров, процедуры автоматизированного сбора траекторий, инструменты оценки и набор базовых моделей для сравнения. Показали, что SOTA VLA-модели пока не справляются с ритейл-задачами.

🏠➡️🛒 Сейчас активно развиваются бенчмарки «домашних» помощников, и мы видим наш бенчмарк как их логичное продолжение — шаг к роботу-помощнику, который сможет помочь с покупками, и к работнику для даркстора. В отличие от домашних условий здесь важно надёжное выполнение операций с огромным разнообразием товаров — разных видов, упаковок, форм и размеров — в стеснённых пространствах магазина и склада. Любая ошибка робота — прямой ущерб магазину и клиенту, поэтому критичны надёжность и переносимость решений.

🤖 RoboBenchMart — первый открытый бенчмарк для роботов в ритейле. Он проверяет надёжность выполнения базовых ритейл-задач мобильной манипуляции: взять товар с полки и положить в корзину, достать из холодильника и закрыть дверь, собрать несколько позиций по списку и др.

🧪 Мы проверили VLA-модели общего назначения и смоделировали их реалистичную адаптацию: дообучили на небольшом наборе траекторий, собранных в нашем симуляторе. В обучающих сценариях модели уверенно решают часть простых задач, но на новых раскладках и с незнакомыми товарами качество заметно падает. Это подчёркивает ограничения текущих моделей общего назначения в реальном применении и необходимость дальнейшей проработки ритейл-сценариев.

🚀 Дальше мы будем активно развивать RoboBenchMart: добавлять больше задач, расширять набор воплощений, сцен и товаров, адаптировать новые модели, усиливать базовые решения. Будем рады репостам, звёздочкам на GitHub, цитированиям и коллаборациям — присоединяйтесь!

В рамках этой работы мы очень рады сотрудничать с Центром Робототехники Сбера, чтобы бенчмарк позволял улучшать возможности роботов!

🔗 Ссылки
📍 Препринт (arXiv): https://arxiv.org/abs/2511.10276
📍 GitHub: https://github.com/emb-ai/RoboBenchMart
📍 Project page: https://emb-ai.github.io/robobenchmart-project

@complete_ai