Chuyang Ye, Qinting Jiang, Jingyan Jiang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28511 · open-access PDF
Touch-Visual-Sprachmodelle kombinieren Vision und Touch über einen gemeinsamen Sprachraum, um Objekte und Materialien zu erkennen. In der realen Bereitstellung können Änderungen in der Beleuchtung, der Kontaktqualität oder der Sensor-Hardware visuelle oder taktische Eingänge verschieben und die Erkennungsleistung beeinträchtigen. Wenn beide Modalitäten zu einer Vorhersage beitragen, kann eine unzuverlässige Modalität die richtigen Beweise von der anderen übertreffen. Da angegebene Daten während der Bereitstellung im Allgemeinen nicht verfügbar sind, bietet die Testzeit-Anpassung eine Möglichkeit, die Erkennungsleistung von nicht gekennzeichneten Beobachtungen wiederherzustellen.
Machine translation (Meta M2M100); the English original follows.
Tactile-visual-language models combine vision and touch through a shared language space to recognize objects and materials. In real-world deployment, changes in lighting, contact quality or sensor hardware can shift visual or tactile inputs and degrade recognition performance. When both modalities contribute to a prediction, an unreliable modality can override correct evidence from the other. Since labeled data are generally unavailable during deployment, test-time adaptation offers a way to recover recognition performance from unlabeled observations. In this setting, we find that comparing ac
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28511, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange