2025年04月_Qing_er爱吃山竹

04月 03月 02月

原创 AI生成图像检测Exploring the Collaborative Advantage of Low-level Information on Generalizable AI-Generated

为防止主干网络在建模后期失去对不同低级特征的建模能力，提出了低级信息适配器，与主干网络提取的特征进行交互。最后，提出了动态特征选择，根据当前图像的特点动态选择最合适的特征，以最大化检测的泛化能力。3）背景：现有的最先进的AI生成图像检测方法大多通过从RGB图像中提取低级信息（如噪声模式）来提高检测的泛化能力。5）结果：大量实验表明，在仅针对四类主流ProGAN数据进行微调的情况下，ALEI框架在多个包含未见过的GAN和扩散方法的数据集上表现出色，达到了最先进的检测结果。

2025-04-14 16:56:41 298

原创图像异常检测Bi-Grid Reconstruction for Image Anomaly Detection

4）方法：本文提出了GRAD（双网格重建图像异常检测方法），通过两种连续网格从正常和异常的角度增强异常检测。2）使用异常特征网格来优化正常特征的边界，从而提升对细粒度缺陷的检测能力；5）结果：在MVTecAD、VisA和GoodsAD等数据集上的评估表明，GRAD在细粒度异常检测中的表现显著优于现有方法，具有更高的整体准确性和更强的辨别微小差异的能力，展示了其在图像异常检测任务中的优越性。3）背景：在图像异常检测领域，基于无监督和自监督方法的研究已经取得了显著进展，这些方法通常使用仅包含正常样本的数据集。

2025-04-14 16:55:46 248

原创低光照图像增强Adaptive Low Light Enhancement via Joint Global-Local Illumination Adjustment

4）方法：本文提出了一个包含两个主要组件的框架：局部对比度增强网络（LCEN）和全局光照引导网络（GIGN）。为了协同这两个模块，研究还提出了一种新的训练策略，以优化训练过程。3）背景：在低光照条件下拍摄的图像通常面临不均匀的环境光照，现有的图像增强方法难以处理图像的局部曝光不一致性，因此需要一种新的方法来解决这一问题，改善图像的动态范围并使其曝光更加一致。5）结果：通过在多个数据集上的实验，结果表明，提出的方法在定量和定性评估方面均优于现有的最先进算法，能够显著提高图像亮度和曝光一致性。

2025-04-14 16:54:52 427

原创遥感图像中的目标检测（OD）MB-ORES: A Multi-Branch Object Reasoner for Visual Grounding in Remote Sensing

4）方法：本文提出了一个统一的框架，集成目标检测和视觉定位。在第一阶段，构建每幅图像的图形表示，包括目标查询、类别嵌入和提议位置。该模型包括：多分支网络：融合空间、视觉和类别特征，生成任务感知提议；3）背景：传统的目标检测（OD）方法通常在遥感图像中表现良好，但在视觉定位（VG）任务中缺乏直观的先验知识，且现有方法在处理复杂的遥感图像时存在一定局限。5）结果：在OPT-RSVG和DIOR-RSVG数据集上进行的实验表明，该模型在性能上优于最先进的方法，并且保持了传统目标检测的能力，取得了显著的提升。

2025-04-13 16:23:43 358

原创水下目标检测SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection

4）方法：本文提出 Spiking Underwater YOLO（SU-YOLO）模型，结合脉冲神经网络的低功耗特性，采用以下创新技术：脉冲图像去噪方法：基于整数加法进行水下图像去噪，减少计算开销，提高特征图质量。5）结果：在 URPC2019 水下数据集上进行实验，SU-YOLO 取得 78.8% mAP，参数量 6.97M，能耗 2.98 mJ，在检测精度和计算效率上均优于主流 SNN 模型，展现出 SNN 在工程应用中的潜力。作者单位：China Three Gorges University;

2025-04-13 16:22:30 431

原创行人轨迹预测Learning Velocity and Acceleration: Self-Supervised Motion Consistency for Pedestrian Trajecto

4）方法：本文提出了一种自监督的行人轨迹预测框架，显式建模位置、速度和加速度。该方法通过特征注入和自监督的运动一致性机制，利用速度和加速度信息增强位置预测。通过预测的位置，计算出相应的伪速度和伪加速度，模型基于数据生成的伪标签进行自监督学习。此外，设计了基于物理原理的运动一致性评估策略，通过与历史动态比较，选择最合理的运动趋势并用于约束轨迹生成。5）结果：在 ETH-UCY 和 Stanford Drone 数据集上进行实验，结果表明，该方法在这两个数据集上都达到了最先进的性能，证明了该框架的有效性。

2025-04-13 16:21:24 320

原创运动去模糊DiET-GS: Diffusion Prior and Event Stream-Assisted Motion Deblurring 3D Gaussian Splatting

4）方法：本文提出了DiET-GS框架，这是一种基于扩散先验和事件流辅助的运动去模糊三维图像合成方法。具体来说，提出了一种新的方法，通过事件双重积分来约束三维图像合成（3DGS），同时实现颜色的准确恢复和细节的清晰定义。3）背景：从模糊的多视图图像中重建清晰的三维表示一直是计算机视觉中的长期难题。5）结果：在合成数据和真实世界数据上的定性与定量实验结果表明，DiET-GS相比现有的基准方法能够显著提高新视角图像的质量，尤其在恢复颜色和细节上表现更为出色。1）方向：运动去模糊。2）应用：运动去模糊。

2025-04-13 10:00:00 324

原创空-地人员重识别（AG-ReID）LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identi

4）方法：为了解决这些问题，提出一个新框架LATex，采用了基于提示调优的策略来利用基于属性的文本知识。最后，设计了一个耦合提示模板（CPT），将属性标记和视角信息转化为结构化的句子，这些句子通过CLIP的文本编码器处理，从而生成更具辨别性的特征。3）背景：现有的AG-ReID方法通常采用大规模模型，侧重于提取视角不变的特征，但忽视了人物属性的语义信息。5）结果：在三个AG-ReID基准数据集上的广泛实验表明，LATex框架在AG-ReID任务中表现出色，证明了其有效性。2）应用：监控视频分析、安全领域。

2025-04-13 09:30:00 352

原创图像质量评估（IQA）Q-Insight: Understanding Image Quality via Visual Reinforcement Learning

4）方法：本文提出了一种基于强化学习的图像质量评估模型 Q-Insight，其核心为群体相对策略优化（GRPO），能够在仅需少量评分和降质标签的情况下实现强大的视觉推理能力。3）背景：现有的基于MLLM的图像质量评估方法通常仅能生成缺乏可解释性的数值评分，或严重依赖大规模标注数据进行监督微调（SFT），限制了模型的灵活性和适用性。5）结果：实验表明，Q-Insight 在评分回归和降质感知任务上显著超越当前最先进的方法，并在零样本情况下表现出强大的比较推理泛化能力。

2025-04-13 09:00:00 394

原创自监督单目深度估计（SSMDE）Intrinsic Image Decomposition for Robust Self-supervised Monocular Depth Estimation

4）方法：为了解决传统方法的局限性，提出了一种新的框架，结合了内在图像分解与自监督单目深度估计。具体方法包括：（i）同时训练单目深度估计和内在图像分解，准确的深度估计通过对齐不同视角坐标系，促进了内在图像分解中的多图像一致性；3）背景：自监督单目深度估计（SSMDE）因其无需真实深度图的优势，在深度学习领域受到关注。5）结果：在多个数据集上的全面评估表明，提出的方法在深度预测上显著优于现有的SSMDE基线，尤其在处理反射表面时，表现出更优的深度估计精度。2）应用：自监督单目深度估计（SSMDE）

2025-04-12 20:52:57 188

原创基于文本的人物检索（TBPR）An Empirical Study of Validating Synthetic Data for Text-Based Person Retrieval

4）方法：本文提出了三种合成数据生成方法：(1) 提出了一个类间图像生成流程，通过自动提示构建策略指导生成模型生成多样的类间图像，无需依赖原始数据；尽管已有一些先行研究探索使用合成数据进行TBPR，但这些方法仍然依赖于真实数据，并且合成数据的多样性不足，影响了TBPR的表现。5）结果：通过实验，本文验证了合成数据在TBPR中的有效性，并展示了合成数据在多种场景下的应用潜力。同时，研究还提出了减轻合成数据噪声的学习策略，并计划发布代码和基于本文流程生成的大规模合成数据集，旨在推动实际TBPR研究的发展。

2025-04-12 20:51:03 310

原创目标追踪Hyperspectral Adapter for Object Tracking based on Hyperspectral Video

3）背景：现有的高光谱目标追踪方法通常通过微调基于RGB图像的预训练网络来适应高光谱任务，尽管在挑战性场景中取得了令人印象深刻的结果，但这些方法在光谱信息转换时会丢失部分信息，且微调整个预训练网络效率低下，不适合实际应用。5）结果：在四个具有不同光谱带的数据集上的广泛实验验证了该方法的有效性。（HAM），它们通过增强适配信息，将多头自注意力（MSA）模块和多层感知机（MLP）转换为适合高光谱目标追踪任务的形式；4）方法：为解决上述问题，提出了HyA-T方法，包含以下几个创新组件：（i）

2025-04-12 20:50:03 392

原创图像检索FineCIR: Explicit Parsing of Fine-Grained Modification Semantics for Composed Image Retrieval

4）方法：为了解决上述问题，本文开发了一种强大的细粒度CIR数据标注流程，旨在减少不精确的正样本，并增强CIR系统在准确识别修改意图方面的能力。3）背景：现有的CIR数据集主要使用粗粒度的修改文本（CoarseMT），这无法准确捕捉细粒度的检索意图。由于忽略了细节差异，现有方法面临两个主要问题：（1）导致不精确的正样本，（2）当检索到的图像在视觉上相似时，检索结果更具模糊性。5）结果：通过大量实验验证，FineCIR在细粒度和传统CIR基准数据集上均超越了现有的CIR方法，展现了显著的性能提升。

2025-04-10 09:09:09 450

原创图像压缩Multi-Scale Invertible Neural Network for Wide-Range Variable-Rate Learned Image Compression

4）方法：为了解决这些问题，本文提出了一种基于可逆变换的可变比特率图像压缩模型。为了提高压缩效率，还提出了一种多尺度空间-通道上下文模型，并加入了扩展增益单元来估计从高到低层次的潜在表示的熵。5）结果：实验结果表明，所提出的方法在与现有的可变比特率方法比较时，达到了最先进的性能，并且在最近的多模型方法中仍然具有竞争力。3）背景：自编码器结构在最近的图像压缩方法中占主导地位，但其固有的信息损失限制了在高比特率下的率失真性能，同时也限制了比特率适应的灵活性。因此，需要一种新的方法来克服这些局限。

2025-04-10 09:08:05 487

原创图像恢复Invert2Restore: Zero-Shot Degradation-Blind Image Restoration

4）方法：为了解决这一问题，本文提出了Invert2Restore方法，它是一种零-shot、无训练的方法，能够在完全盲或部分盲设置下操作，既无需退化模型的先验知识，也仅需部分已知的退化模型参数。该方法利用预训练的扩散模型，将退化图像映射到正常样本和无失真图像样本之间的确定性映射，通过将输入噪声引导至标准正态分布的高密度区域，成功恢复退化图像。5）结果：实验验证表明，Invert2Restore在多个图像恢复任务中表现出色，尤其在退化操作符未知或部分已知的场景下，展示了其在图像恢复领域的最先进性能。

2025-04-10 09:07:07 306

原创运动编辑Dynamic Motion Blending for Versatile Motion Editing

论文作者：Nan Jiang,Hongjie Li,Ziye Yuan,Zimo He,Yixin Chen,Tengyu Liu,Yixin Zhu,Siyuan Huang。5）结果：实验表明，MotionReFit 在文本引导的运动编辑任务上达到了最先进的性能（state-of-the-art），展现出更优的编辑能力和运动协调性。3）背景：现有的方法依赖于有限的预先收集的训练三元组，这在多样化的编辑任务中严重限制了其适用性，难以满足复杂的运动编辑需求。1）方向：文本引导的运动编辑。

2025-04-09 09:15:50 692

原创视频帧插值（VFI）EGVD: Event-Guided Video Diffusion Model for Physically Realistic Large-Motion Frame Inter

5）结果：通过在真实和模拟数据集上的广泛实验，研究表明，EGVD在处理大幅度运动和复杂光照条件下显著优于现有方法，特别在感知质量指标上取得了显著提升（Prophesee数据集上LPIPS提高了27.4%，BSRGB数据集上提高了24.1%），同时在保持竞争力的保真度指标的基础上，EGVD表现出了更好的效果。作者单位：Zhejiang University;尽管事件摄像头能够捕捉高时间分辨率的运动信息，但现有基于事件摄像头的视频帧插值方法仍然面临着有限的训练数据和复杂运动模式的挑战。

2025-04-09 09:14:32 544

原创重复动作计数CountLLM: Towards Generalizable Repetitive Action Counting via Large Language Model

4）方法：为了应对这些挑战，提出了CountLLM，这是第一个基于大语言模型（LLM）的框架，能够将视频数据和周期性文本提示作为输入，输出期望的计数值。5）结果：在广泛认可的基准数据集上的实证评估表明，CountLLM在性能和泛化能力上表现优异，特别是在处理与训练数据显著偏离的新型和领域外动作时，展示了良好的适应性，提供了一条有前景的重复动作计数研究途径。3）背景：现有的重复动作计数方法主要依赖回归网络，这些方法的表示能力有限，无法准确捕捉变动的周期性模式。作者单位：Peking University;

2025-04-09 09:12:36 318

原创红外图像和可见光图像融合DCEvo: Discriminative Cross-Dimensional Evolutionary Learning for Infrared and Visible I

4）方法：为了解决这一问题，提出了DCEvo框架，这一框架通过进化学习的强大搜索能力，将双重任务优化视为一个多目标问题，并使用进化算法（EA）动态平衡损失函数参数。3）背景：现有的图像融合方法通常将图像融合与后续高层任务视为独立的过程，导致融合后的图像在任务性能上仅有边际提升，且无法提供有效的反馈来优化融合过程。5）结果：在三个基准数据集上的实验结果表明，DCEvo显著优于现有的最先进方法，视觉质量平均提高了9.32%，同时也增强了后续高层任务的性能。1）方向：红外图像和可见光图像融合。

2025-04-08 10:59:58 537

原创人群计数Taste More, Taste Better: Diverse Data and Strong Model Boost Semi-Supervised Crowd Counting

4）方法：本文提出一种新型的半监督人群计数框架TMTB，旨在通过结合数据和模型两个方面，提升在人群密集场景中的半监督学习效果，减少标注成本。具体来说，首先提出了一种适合人群计数任务的数据增强技术，通过填补背景区域有效增强数据多样性，同时保持场景的整体一致性。5）结果：在四个基准数据集上的大量实验表明，TMTB方法显著超越了现有最先进的方法，展示了其在半监督人群计数任务中的优越性能。（Anti-Noise classification head），该分类头提供更准确的监督信息，以应对手工标注中的噪声问题。

2025-04-08 10:58:51 440

原创零样本组合图像检索（ZS-CIR）Missing Target-Relevant Information Prediction with World Model for Accurate Zero-S

具体而言，首先通过生成世界视图模块构建源视图，该视图通过省略目标视图的某些视觉内容，并结合来自现有图像-文本对的操控意图。5）结果：实验结果表明，PrediCIR模型在六个ZS-CIR任务上表现出强大的泛化能力， consistently 提升了1.73%至4.45%的性能，相比最佳方法取得了显著的提升，并在ZS-CIR任务上达到了新的最先进结果。3）背景：ZS-CIR任务的主要挑战在于如何根据操控文本修改参考图像以准确检索目标图像，尤其是当参考图像缺少目标内容时。2）应用：视觉内容的检索和处理。

2025-04-08 10:48:00 487

原创轨迹预测Physical Plausibility-aware Trajectory Prediction via Locomotion Embodiment

4）方法：为了解决这一问题，提出了“Locomotion Embodiment”框架，该框架通过物理学法则下的运动生成，显式评估预测轨迹的物理合理性。具体来说，采用不可微分的物理模拟器学习运动的合理性，但在训练过程中，使用可微分的“Locomotion Value”函数来驱动数据驱动的轨迹预测网络。3）背景：人类能够仅凭瞬时观察到的人体姿态信息预测未来的运动轨迹。5）结果：实验结果表明，该方法显著提升了现有最先进的轨迹预测方法的表现，并且在多个数据集和问题设置下均表现出了优越的性能。

2025-04-07 19:00:06 346

原创单目深度估计（MDE）QuartDepth: Post-Training Quantization for Real-Time Depth Estimation on the Edge

4）方法：为了解决这一问题，提出了QuartDepth方法，该方法采用后训练量化技术，对单目深度估计模型进行量化，并为ASIC提供硬件加速。3）背景：单目深度估计在计算机视觉中是一个关键任务，但由于高计算和内存需求，尤其是在资源受限的边缘设备（如ASIC）上部署准确的深度估计模型具有挑战性。5）结果：实验结果表明，该框架在ASIC上实现了具有竞争力的准确度，同时支持快速推理和更高的能效，成功弥合了高性能深度估计和实际边缘设备适用性之间的差距。2）应用：单目深度估计（MDE）

2025-04-07 18:59:44 311

原创红外小目标检测MSCA-Net:Multi-Scale Context Aggregation Network for Infrared Small Target Detection

4）方法：为了解决这些问题，提出了MSCA-Net网络架构，结合了三个关键组件：多尺度增强检测注意力机制（MSEDA）、位置卷积块注意力模块（PCBAM）和通道聚合块（CAB）。具体而言，在NUAA-SIRST、NUDT-SIRST和IRTSD-1K数据集上，分别获得了78.43%、94.56%和67.08%的mIoU得分，证明了其有效性，并展现了强大的现实应用潜力。3）背景：在红外图像中，由于低对比度和高噪声，提取特征时常常丢失关键信息，导致小目标检测变得异常困难。1）方向：红外小目标检测。

2025-04-07 18:58:39 322

原创 3D场景理解Cross-Modal and Uncertainty-Aware Agglomeration for Open-Vocabulary 3D Scene Understanding

此外，还引入了确定性的不确定性估计方法，用于自适应地提炼和协调来自不同模型的异构2D特征嵌入。该方法解决了两个关键问题：（1）将VLM中的语义先验与空间感知视觉基础模型的几何知识结合，（2）通过创新的确定性不确定性估计，捕捉不同模型在语义和几何敏感度上的特定不确定性，帮助在训练过程中协调异构表示。5）结果：在ScanNetV2和Matterport3D数据集上的广泛实验结果表明，该方法不仅在开词汇分割上取得了进展，还实现了稳健的跨领域对齐和具有竞争力的空间感知能力，展示了其在3D场景理解中的优势和创新性。

2025-04-03 14:38:37 485

原创超高分辨率图像修复RETHINED: A New Benchmark and Baseline for Real-Time High-Resolution Image Inpainting On Ed

4）方法：本文提出了第一个针对边缘设备的超高分辨率实时图像修复基准（RETHINED）。该方法结合了CNN的结构化能力和基于补丁的方法提供的高层次细节，是高分辨率图像修复的关键。5）结果：在多种移动设备上的广泛测试表明，本文提出的方法能够在不到30毫秒的时间内完成超高分辨率图像修复，且修复性能与现有的最先进方法相当，但速度提升了100倍。3）背景：现有的图像修复方法对于低分辨率图像表现出色，但大多数算法在处理高分辨率图像时存在性能问题，需要强大的硬件支持，这使得它们难以在边缘设备上部署，限制了实际应用。

2025-04-02 15:33:28 245

原创视频修复（Video Restoration，VR）Temporal-Consistent Video Restoration with Pre-trained Diffusion Models

4）方法：本文提出了一种新的最大后验（Maximum a Posterior，MAP）框架，将扩散模型中的逆过程视为一个函数，并直接在扩散模型的种子空间中对视频帧进行参数化，从而消除近似误差。3）背景：虽然近期的零-shot视频修复方法利用预训练的扩散模型（Diffusion Models，DMs）表现出良好的前景，但这些方法在逆扩散过程中会出现近似误差，并且存在时间一致性不足的问题。5）结果：在多个虚拟现实任务中的大量实验表明，本文方法相比于现有的最先进方法，能够实现更优的视觉质量和时间一致性。

2025-04-02 15:31:37 346

原创图像去雾Exploiting Diffusion Prior for Real-World Image Dehazing with Unpaired Training

4）方法：为了克服上述问题，提出了一个无配对的去雾框架Diff-Dehazer，借助扩散模型的强大生成能力来处理雾霾和清晰图像。此外，还通过整合物理先验，进一步挖掘现实世界的数据知识，并提出了一种新的方法，去除图像和文本模态中的退化现象，从而提升去雾效果。3）背景：无配对训练被验证为处理真实场景去雾问题的有效方法，通过学习无配对的雾霾图像和清晰图像。5）结果：在多个真实世界数据集上的大量实验表明，Diff-Dehazer显著提高了去雾效果，优于现有的其他方法，验证了该方法的优越性和有效性。

2025-04-02 15:29:24 452

原创 4D生成Advances in 4D Generation: A Survey

在2D和3D内容生成取得成功的基础上，结合时间维度的4D生成逐渐成为一个新兴且快速发展的研究方向。同时，分析4D生成技术的广泛应用，包括动态对象建模、场景生成、数字人合成、4D内容编辑以及自动驾驶等领域。最后，讨论4D生成面临的主要挑战，如数据获取、计算效率和时空一致性，并提出未来研究的潜在方向。论文作者：Qiaowei Miao,Kehan Li,Jinsheng Quan,Zhiyuan Min,Shaojie Ma,Yichao Xu,Yi Yang,Yawei Luo。作者单位：######

2025-04-01 09:23:18 482

原创图像超分辨率The Power of Context: How Multimodality Improves Image Super-Resolution

4）方法：本文提出一种新的方法，利用多种模态中丰富的上下文信息（包括深度、分割、边缘和文本提示）来学习SISR的强大生成先验，采用扩散模型框架。引入了一个灵活的网络架构，有效融合多模态信息，能够容纳任意数量的输入模态，而无需对扩散过程进行显著修改。3）背景：单帧超分辨率任务面临细节恢复困难和感知质量保持难题，现有方法大多依赖有限的图像先验，导致结果质量不佳。5）结果：广泛的实验表明，该模型超越了最先进的生成式SISR方法，实现了更优越的视觉质量和保真度。

2025-04-01 09:20:59 366

原创 3D人体姿势估计（HPE）SCJD: Sparse Correlation and Joint Distillation for Efficient 3D Human Pose Estimation

4）方法：本文提出了Sparse Correlation and Joint Distillation（SCJD）框架，引入了Sparse Correlation Input Sequence Downsampling以减少学生网络输入的冗余，保留帧间关联性；3）背景：现有的3D人体姿势估计方法精度高但计算负担重、推断速度慢，知识蒸馏方法未能解决关节之间的空间关系和多帧输入中的时间相关性。5）结果：广泛的实验表明，SCJD实现了最先进的性能，并且已在。1）方向：3D人体姿势估计（HPE）

2025-04-01 09:16:10 546