# 玻璃杯从深度图里消失之后：机器学习拆任务的取舍

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-10-06T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/w8lk31agguxylif6cx8hsj6q0
- 原文：https://yage.ai/share/ml-stage-vs-endtoend-glass-20261006.html

## 摘要

西北大学与斯坦福大学在真实七自由度机械臂上做受控对照，仅改变输入数据形式，成功率相差近四倍：双目原始画面加跨视角注意力融合达59%，通道直接拼接45%，单张彩色照片43%，彩色照片加硬件距离图41%，三维点云仅14%。透明玻璃杯会让RGB-D相机丢失读数，论文认为前端测距环节在真实数据上失效率高、下游又无法纠偏时，打通梯度端到端训练更划算。该论文仍在审稿阶段，代码未公开，也无第三方复现。