Topic · 274 篇
鲁棒性与安全
核心议题是失效模式本身：攻击、隐私、分布偏移。
这个方向的收录判据
核心贡献是模型的安全性/可靠性本身。包括对抗攻击与防御、后门、隐私保护与 联邦学习、模型水印、公平性、不确定性量化、可验证鲁棒性、专门剖析失效模式的分析。 注意：把域自适应、测试时自适应、数据增强当作**提升精度的手段**的论文不属于这个类， 应归到它实际解的任务方向（如低光照人体姿态估计 → 人脸与人体理解）。
本方向全部 274 篇
pH试纸式选择性遗忘：一种钝但快速的机器遗忘诊断基线
pH-Strips for Selective Forgetting: A Blunt but Fast Diagnostic Baseline for Machine Unlearning
提供了一种免训练、仅需少量样本即可快速擦除模型中特定概念（如分类中的类别、生成中的风格）的诊断基线，视觉研究者可将其作为评估新遗忘方法效率与效果的快速试金石，或直接用于扩散模型的概念擦除。
通过RAW-RGB对齐实现AI生成图像的零样本检测
Zero-shot Detection of AI-Generated Image via RAW-RGB Alignment
提出基于RAW-RGB对齐痕迹的零样本AI生成图像检测方法，利用真实图像在物理到数字转换过程中的参数相关性作为取证特征，可复用于图像取证和真实性验证任务。
你的分类器能做更多：弥合分类、鲁棒性与生成之间的鸿沟
Your Classifier Can Do More: Towards Balancing the Gaps in Classification, Robustness, and Generation
把分类器本身当作能量模型，用 min-max 能量对齐把干净样本、对抗样本、生成样本的能量分布拉到一起，从而在同一个网络里同时拿到对抗鲁棒性、干净精度和生成能力；做鲁棒分类或想给判别模型加生成分支的工作可以直接复用这套能量对齐训练目标。
X-AVDT：面向鲁棒深度伪造检测的音视频交叉注意力
X-AVDT: Audio-Visual Cross-Attention for Robust Deepfake Detection
把生成器内部的音视频交叉注意力当作取证线索：用 DDIM 反演取回生成过程中的模态对齐特征与反演差异图，作为检测器输入，这一思路可迁移到其他「利用生成模型内部表征做取证/溯源」的视觉任务。
为何不采用超参数友好的优化？一种用于长尾识别的单调自适应范数重缩放方法
Why Not Hyperparameter-Friendly Optimisation? A Monotonic Adaptive Norm Rescaling Approach For Long-Tailed Recognition
SAMN 用池相邻违例算法直接对每类权重范数施加单调性约束，替代了需要调参的参数正则化，为长尾识别中的分类器重训练提供了一个无需超参数的通用后处理模块，可即插即用地集成到现有解耦框架中。
何处、何物、为何：迈向可解释的 3D-GS 水印
Where, What, Why: Toward Explainable 3D-GS Watermarking
把水印载体选择与视觉补偿器解耦，并用通道级分组掩码限制梯度传播，这套「载体/补偿器分离 + 梯度门控」思路可直接迁移到 NeRF、高斯泼溅等隐式表示的内容溯源与版权保护，同时其逐高斯归因为隐式表示的可解释性分析提供了可复用工具。
当理解成为风险：新兴图像生成范式中的真实性与安全风险
When Understanding Becomes a Risk: Authenticity and Safety Risks in the Emerging Image Generation Paradigm
论文系统对比了MLLM与扩散模型在生成不安全内容和虚假图像上的安全风险，并揭示现有虚假图像检测器对MLLM生成图像识别困难、且可通过更长描述性输入绕过。对视觉安全研究者而言，这提示需要针对MLLM生成范式设计新的检测与防御方法，并重新评估现有检测器的泛化性。
当安全相互冲突：通过自适应安全引导消解文本到图像扩散中的多类别有害冲突
When Safety Collides: Resolving Multi-Category Harmful Conflicts in Text-to-Image Diffusion via Adaptive Safety Guidance
对做扩散模型安全对齐的人，这篇给出了一个推理时、免训练的多类别安全方向动态选择机制：不再用多类关键词平均出的单一有害区域，而是按当前生成状态识别最对齐的有害类别并只沿该方向引导，可直接插到潜空间或文本空间的安全模块上。
当机器人服从补丁：针对视觉-语言-动作模型的通用可迁移补丁攻击
When Robots Obey the Patch: Universal Transferable Patch Attacks on Vision-Language-Action Models
提出一种在共享特征空间中学习通用对抗补丁的框架，结合特征偏移、注意力主导和语义错配损失，可迁移到未知架构的VLA模型，为视觉-语言-动作系统的安全性评估和防御提供了可复用的攻击基线。
当低秩适配背叛你：伪装成良性适配器的文本到图像模型后门攻击
When LoRA Betrays: Backdooring Text-to-Image Models by Masquerading as Benign Adapters
揭示了以 LoRA 适配器为载体的模型共享生态中的后门注入路径：攻击者只需冻结基座、仅训练低秩权重即可植入「触发词→目标图像」的跨模态隐藏映射，这为视觉社区设计 LoRA 权重审计、触发器检测与安全加载协议提供了明确的威胁模型与评测设定。
当CLIP看到更多时，它反击得更狠：面向测试时对抗鲁棒性的多视图引导自适应反击
When CLIP Sees More, It Fights Back Harder: Multi-View Guided Adaptive Counterattacks for Test-Time Adversarial Robustness
提出一种免调优的测试时多视图自适应反击框架，通过估计每个视图的损坏程度来软加权反击强度，可直接用于提升CLIP等视觉语言模型在推理阶段对抗攻击的鲁棒性。
当匿名性失效：识别文本到图像排行榜背后的模型
When Anonymity Breaks: Identifying Models Behind Text-to-Image Leaderboards
对做生成模型评测与图像取证的研究者，这篇给出一个可复用的去匿名化流程：用图像嵌入空间中的模型级质心做最近质心分类，无需提示词控制或训练数据，可用于检测排行榜匿名性漏洞或构建溯源/水印防御基线。
你的特征泄露了什么：面向分割式 DNN 的数据高效黑盒特征反演攻击
What Your Features Reveal: Data-Efficient Black-Box Feature Inversion Attack for Split DNNs
把流匹配引入特征反演：用潜空间对齐模块 + 确定性一步流匹配把中间特征投回目标流形，可在极少图像-特征对下训练，为评估分割式推理的隐私泄露提供了可复用的攻击基线；其基于 LVLM 的语义保真度指标也可直接用于衡量任何重建/反演任务的语义一致性。
WaTeRFlow：通过流一致性实现水印的时序鲁棒性
WaTeRFlow: Watermark Temporal Robustness via Flow Consistency
针对图像到视频（I2V）生成后水印检测失效的问题，提出用光流对齐加时序一致性损失来稳定逐帧水印预测，并借助视频扩散代理模型在训练中模拟真实失真；做生成内容溯源或水印鲁棒性评测的视觉研究者可直接复用这套训练与评测设定。
VisiLock：基于双分数蒸馏的指令图像编辑授权控制
VisiLock: Authorizing Instruction-based Image editing with Dual Score Distillation
提出将访问控制内嵌到扩散模型权重中的双教师分数蒸馏框架，为视觉生成模型的知识产权保护提供了一种可抵抗对抗微调的权重锁定方案，可复用于其他条件生成模型的授权控制。
基于双重扰动的神经网络鲁棒性验证
Verifying Neural Network Robustness with Dual Perturbations
对做视觉鲁棒性评测的人，这篇提供了把连续空间扭曲（卷积扰动）与逐像素噪声联合建模的验证框架，可直接用来检验分类网络在真实复合损坏下是否真的鲁棒，避免单一扰动验证带来的虚假安全感。
VCP-Attack：面向大型视觉语言模型的可迁移黑盒目标攻击的视觉对比投影
VCP-Attack: Visual-Contrastive Projection for Transferable Black-Box Targeted Attacks on Large Vision-Language Models
把动态 PCA 子空间投影与多样本对比损失结合，用于约束对抗扰动并使其对齐目标语义，这套「低维语义子空间 + 对比监督」的扰动优化思路可直接迁移到视觉编码器的对抗样本生成与特征空间分析中。
V-Attack：针对解耦值特征实现对LVLM的可控对抗攻击
V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs
针对LVLM视觉编码器中自注意力value特征进行对抗操控，绕过纠缠的patch特征实现局部语义编辑，为研究多模态模型的语义可控性与安全漏洞提供了可复用的攻击面。
释放视觉语言语义用于深度伪造视频检测
Unleashing Vision-Language Semantics for Deepfake Video Detection
利用预训练VLM的跨模态语义作为深度伪造检测的判别线索，并通过身份先验文本提示增强语义特异性，为视频伪造检测提供可复用的语义增强思路。
释放隐蔽后门大流行：感染单个扩散模型
Unleashing Stealthy Backdoor Pandemic by Infecting a Single Diffusion Model
揭示使用第三方扩散模型生成合成数据训练下游模型时，后门可跨模型传播的供应链风险；其提出的四项测试可作为评估视觉模型后门鲁棒性的新基准。
遗忘而不丢失：从大规模视觉语言开放词表检测器中安全移除目标概念
Unlearning without Forgetting: Securely Removing Targeted Concepts from Large-Scale Vision-Language Open-Vocabulary Detectors
对做开放词表检测的视觉研究者，这篇给出了在冻结保留概念的前提下定向抹除指定概念-短语对的参数更新方案：离线构造保留知识嵌入的零空间，把遗忘更新投影到其正交补，并用一步 mean-flow 目标把遗忘概念推向不可检测；可直接复用于模型发布前的版权/隐私合规清理，以及检测器概念级可控编辑。
UniMMAD：基于 MoE 驱动特征解压的统一多模态多类异常检测
UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression
把 MoE 稀疏门控用于「通用特征→模态/类别特异特征」的解压式重建，为视觉异常检测提供了一种用单一模型覆盖多模态多类、且避免共享解码路径域干扰的可复用范式；分组动态过滤与 MoE-in-MoE 的约 75% 参数压缩思路也可迁移到其他多域统一建模任务。
UniDef：抵御未授权图像篡改的通用防御
UniDef: Universal Defense Against Unauthorized Image Manipulation
把「保护图像不被扩散编辑」从逐步局部扰动升级为全局去噪方向扰动，并用有限差分雅可比估计替代模型相关梯度，做视觉研究者可将其作为模型无关对抗扰动的通用构造手段，用于跨模型、跨编辑任务的保护与红队评估。
UNI-OOD：通过跨上下文注意力视觉语言建模统一对象级与图像级分布外检测
UNI-OOD: Unified Object- and Image-level Out-of-Distribution Detection via Cross-Context Attentive Vision-Language Modeling
UNI-OOD 的跨上下文注意力机制可复用于任何需要细粒度对象级语义对齐的视觉语言任务，例如开放词表检测中的对象-背景关系建模；其统一的对象级与图像级 OOD 评分机制为视觉系统在开放环境下的可靠性评估提供了可直接借鉴的框架。
导师-学生强化学习：面向鲁棒深度伪造检测的动态课程
Tutor-Student Reinforcement Learning: A Dynamic Curriculum for Robust Deepfake Detection
将深度伪造检测的训练过程建模为马尔可夫决策过程，用PPO智能体根据样本的视觉特征和历史学习动态（EMA损失、遗忘次数）动态分配损失权重，这种基于强化学习的动态课程策略可迁移到其他需要鲁棒泛化的视觉任务中。
面向长尾视觉识别的可信校准协同学习
Trust-calibrated Collaborative Learning for Long-Tailed Visual Recognition
针对多专家互蒸馏中的错误传播与错误固化问题，提出知识质量门控与尾部类补偿机制，可迁移到任何采用多专家/集成蒸馏的视觉识别框架中，用于抑制专家间错误共识。
TreeTeaming：通过分层策略探索对视觉语言模型进行自主红队测试
TreeTeaming: Autonomous Red-Teaming of Vision-Language Models via Hierarchical Strategy Exploration
提出基于LLM编排器的树状策略探索框架，可自动发现视觉语言模型的多模态越狱攻击路径，为评估和提升VLM安全性提供可复用的红队测试方法。
从变换到迁移：提升视觉语言预训练模型上的对抗攻击迁移性
Transform to Transfer: Boosting Adversarial Attack Transferability on Vision-Language Pre-training Models
可学习的变换组合机制（自适应选择最优变换以最大化输入多样性）可直接迁移到任何黑盒迁移攻击流程中，替代手工固定的变换堆叠；积分梯度用于缓解对源模型的过拟合，也是提升跨模型迁移性的通用手段。
通过时空似然进行生成视频的训练无关检测
Training-free Detection of Generated Videos via Spatial-Temporal Likelihoods
提出一种无需训练、基于时空似然评分的零样本合成视频检测器，可复用其概率框架对视频的时空一致性进行建模，用于检测任务或作为生成质量评估的参考。
迈向增量统一多模态异常检测：从信息瓶颈视角增强多模态去噪
Towards an Incremental Unified Multimodal Anomaly Detection: Augmenting Multimodal Denoising From an Information Bottleneck Perspective
对做工业/3D 异常检测的人，这篇给出了一个可复用的思路：用信息瓶颈融合模块在融合后特征上显式过滤冗余维度，并用 Mamba 解码器解耦物体间特征耦合，从而在增量统一框架下抑制伪特征导致的灾难性遗忘。
面向车道线检测的隐蔽有效后门攻击：一种自然化数据投毒方法
Towards Stealthy and Effective Backdoor Attacks on Lane Detection: A Naturalistic Data Poisoning Approach
用扩散模型在易受攻击区域合成自然化后门触发器，并配合梯度热图定位最优注入位置，为视觉模型后门攻防研究提供了可复用的触发器生成与位置搜索范式。
迈向鲁棒的 Vision Transformer：路径依赖分析与一种简单的两阶段对抗训练
Towards Robust Vision Transformers: Path Dependency Analysis and a Simple Two-Stage Adversarial Training
论文提出的梯度路径掩码（GPM）分析工具可用于定位 ViT 中向对抗样本泄露信息的残差路径，而两阶段对抗训练方案可直接套用到任意 ViT 变体上，在提升鲁棒性的同时不牺牲泛化；此外，论文关于对抗训练后的 ViT 在浅层更依赖全局而非局部关系的发现，为设计 ViT 专用（而非 CNN 混合）架构提供了依据。
面向鲁棒多模态大语言模型的越狱攻击防御
Towards Robust Multimodal Large Language Models Against Jailbreak Attacks
对做多模态大模型安全的研究者，这篇提供了可复用的对抗训练循环：用对比目标在词元嵌入空间优化出对抗扰动（CoE-Attack），再更新模型参数中和扰动，可作为白盒越狱防御的基线方案。
面向鲁棒多模态语义分割的教师-学生框架与混合原型蒸馏
Towards Robust Multi-Modal Semantic Segmentation with Teacher-Student Framework and Hybrid Prototype Distillation
面向缺失模态的多模态语义分割，用反馈式自蒸馏让教师从非主导模态获得学生反馈，并用高层语义原型做跨模态蒸馏、用类内特征变化蒸馏保留模态特有细节，可直接迁移到任意多模态融合分割骨干上提升缺失模态鲁棒性。
面向脉冲神经网络对抗鲁棒性的可靠评测
Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks
对做 SNN 或脉冲类模型对抗鲁棒性评测的人，ASSG 提供了一种按输入分布自适应调整替代函数形状、缓解梯度消失的梯度估计手段，SA-PGD 则在梯度不精确时用自适应步长稳定收敛，可直接替换现有 PGD 评测流程，避免高估鲁棒性。
迈向策略自适应的图像护栏：基准与方法
Towards Policy-Adaptive Image Guardrail: Benchmark and Method
对做视觉安全审核的人，这篇给出了一个用图像编辑模型构造「仅局部违规」安全-不安全图像对的基准构造范式，以及用可验证奖励强化学习（RLVR）替代固定策略 SFT 来让 VLM 护栏跨策略泛化的训练思路，可直接迁移到内容审核与越狱防御模型。
面向计算机视觉的知识增强贝叶斯深度学习
Towards Knowledge-augmented Bayesian Deep Learning For Computer Vision
提供了一种将领域知识作为信息先验和自适应似然注入贝叶斯深度学习的两阶段框架，可提升视觉模型在分布偏移下的鲁棒性和不确定性估计质量。
面向文本到图像扩散模型的人类不可感知后门攻击
Towards Human-Imperceptible Backdoor Attacks on Text-to-Image Diffusion Models
对做扩散模型安全与数据投毒的研究者，这篇给出了首个干净标签后门设定：图像端注入近不可感知噪声、文本端用同义替换加句法重排构造复合语义触发器，可在不破坏图文对齐的前提下植入后门并绕过商用内容过滤器，为评估生成模型供应链安全提供了新的威胁模型与防御测试基准。
面向高迁移性视觉语言攻击的语义增强动态对比交互方法
Towards Highly Transferable Vision-Language Attack via Semantic-Augmented Dynamic Contrastive Interaction
对做视觉语言模型鲁棒性评测的人，这篇给出了一个可复用的攻击侧思路：用对抗/正/负样本三元组的动态对比机制持续破坏跨模态对齐，并把传统迁移攻击里的输入变换增强搬到 VLP 上做语义增广，可直接用于检验自家 VLM 的迁移攻击抵抗力。
面向可泛化AI生成图像检测的图像自适应提示词学习
Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning
把提示词从训练后固定改为按测试图像动态生成，并用单样本多视图预测一致性在推理时优化自适应 token，为视觉基础模型在分布外伪造图像上的泛化提供了一套可复用的测试时自适应提示词方案。
TokenTrace：通过水印令牌恢复实现多概念归因
TokenTrace: Multi-Concept Attribution through Watermarked Token Recovery
提出一种在扩散模型生成过程中嵌入语义水印的主动防御框架，通过同时扰动文本提示词嵌入和初始潜变量噪声，并设计基于查询的TokenTrace模块，实现从单张生成图像中解耦并独立验证多个概念（如物体和风格）的归属，为生成内容的版权追溯和概念级归因提供了可复用的技术方案。
热激活双模态对抗服饰对抗AI监控系统
Thermally Activated Dual-Modal Adversarial Clothing against AI Surveillance Systems
把对抗补丁从可见光扩展到可见光+红外双模态，并用热致变色材料实现「按需激活」的物理隐身衣；对做物理对抗攻击、行人检测鲁棒性评测的人，它提供了一个可复现的跨模态攻击载体与真实场景成功率评测设定。
衰减步长的力量：提升基于符号优化器的攻击稳定性与迁移性
The Power of Decaying Steps: Enhancing Attack Stability and Transferability for Sign-based Optimizers
把基于符号的对抗攻击优化器重新表述为逐坐标梯度下降，并用单调递减的坐标级步长（MDCS）解决迭代次数增加反而导致攻击成功率下降的问题；做迁移攻击或对抗训练的人可以直接把这一调度替换进 I-FGSM/MI-FGSM 类流程，提升黑盒迁移性与稳定性。
分布外检测中的隐形大猩猩效应
The Invisible Gorilla Effect in Out-of-distribution Detection
对做 OOD 检测的人，这篇论文提示：在近分布 OOD 场景下，检测分数会被伪影与 ROI 的视觉相似性（如颜色）系统性抬高或压低，因此设计检测器时应把伪影颜色/纹理与 ROI 的相似度作为控制变量，并用颜色交换的反事实样本做压力测试，而不是只在单一伪影类型上报告 AUROC。
鲁棒性的几何：优化损失景观曲率与特征流形对齐以实现视觉语言模型的鲁棒微调
The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models
对做 VLM 微调的人，这篇给出了一个可复用的正则化组合：用局部曲率自适应的权重扰动把优化推向平坦极小值，再加一个跨干净/对抗/OOD 输入的特征对齐损失，从而在同一个微调流程里同时保住 ID、OOD 和对抗三个轴，可直接移植到 CLIP 类模型的鲁棒微调。
连贯性陷阱：当多模态大语言模型构建的叙事利用被操纵的视觉上下文
The Coherence Trap: When MLLM-Crafted Narratives Exploit Manipulated Visual Contexts
提出利用MLLM生成语义连贯的虚假图文对来构建对抗数据集，并设计伪影感知编码与操作导向推理框架，为检测MLLM驱动的多模态虚假信息提供了可复用的数据生成与检测思路。
通过几何内点判别实现激光雷达语义分割在损坏下的测试时训练
Test-Time Training for LiDAR Semantic Segmentation under Corruption via Geometric Inlier Discrimination
提出几何内点判别（GeoID）作为自监督辅助任务，通过注入合成离群点并区分几何一致的内点来驱动测试时训练，可复用于其他3D感知任务在分布偏移下的自适应。
面向被植入后门的大型视觉语言模型的测试时注意力净化
Test-Time Attention Purification for Backdoored Large Vision Language Models
对做多模态大模型安全与部署的研究者，这篇给出了一个可直接复用的测试时检测信号——跨模态融合层中视觉-文本注意力比值，以及一个免训练、即插即用的输入净化流程（剪除高注意力可疑视觉 token），无需重训 LoRA 或适配器即可中和后门激活。
驯服长尾：通过自适应扰动重平衡对抗训练
Taming the Long Tail: Rebalancing Adversarial Training via Adaptive Perturbation
把对抗扰动当作可调节的训练分布重加权手段，为长尾视觉任务（如长尾分类、检测）提供了一种即插即用的对抗训练改造思路，可直接嵌入现有对抗训练流程。
抑制噪声导致的原型退化：面向隐私保护的个性化联邦微调
Taming Noise-Induced Prototype Degradation for Privacy-Preserving Personalized Federated Fine-Tuning
为视觉多域个性化联邦微调提供客户端隐私插件：按维度类别方差分配各向异性噪声、并用蒸馏引导裁剪正则化把特征范数压到裁剪阈值附近，可直接替换 ProtoPFL 中的各向同性高斯扰动以改善隐私-效用权衡。
TTP：面向视觉语言模型对抗检测与鲁棒自适应的测试时填充
TTP: Test-Time Padding for Adversarial Detection and Robust Adaptation on Vision-Language Models
对做 CLIP 类视觉语言模型鲁棒性的人，这篇给出了一个无需重训的推理期防御范式：用空间填充前后 CLIP 特征的余弦相似度漂移做对抗检测，并对检测出的对抗样本用可训练填充修复注意力模式，可直接套用到自己的 VLM 安全部署流程中。
TTL：面向预训练视觉语言模型 OOD 检测的测试时文本学习
TTL: Test-time Textual Learning for OOD Detection with Pretrained Vision-Language Models
把 CLIP 的可学习 prompt 在无标签测试流上做在线更新，并用伪标签筛选与文本知识库做跨批次分数校准，可直接迁移到任何需要测试时分布漂移检测的视觉流水线（如开放世界分类、异常检测）。
TINA：面向已遗忘文本到图像扩散模型的无文本反演攻击
TINA: Text-Free Inversion Attack for Unlearned Text-to-Image Diffusion Models
用无文本（null-text）DDIM 反演加优化来绕过以文本为中心的擦除防御，为评估扩散模型概念擦除是否真正移除视觉知识提供了一个可复用的探针手段；做 unlearning/safety 评测时可直接借用该 inversion 流程检验模型内部是否仍保留被擦除概念的生成通路。
TIACam：面向相机鲁棒零水印的文本锚定不变特征学习与自动增强
TIACam: Text-Anchored Invariant Feature Learning with Auto-Augmentation for Camera-Robust Zero-Watermarking
可学习的自动增强器用可微的几何、光度与摩尔纹算子模拟相机重捕获退化，这一思路可直接迁移到任何需要建模真实拍摄退化的鲁棒性训练中；文本锚定的跨模态对抗对齐则为在特征空间约束语义一致性提供了可复用的手段。
TEAR：面向文本到视频模型的时序感知自动化红队测试
TEAR: Temporal-aware Automated Red-teaming for Text-to-Video Models
对做视频生成的人，这篇给出了一个可复用的安全评测范式：把「时序动态」当作攻击面，用两阶段训练加在线偏好学习自动搜索文本无害但触发违规视频的提示词，可直接用来给自己的 T2V 模型做红队体检或构造安全对齐数据。
通过恢复嵌入几何窃取分割学习底层模型
Stealing Split Learning Bottom Models by Recovering Embedding Geometry
对做隐私保护视觉模型部署的人，这篇给出一个可复用的攻击探针：用对比空间+邻域图匹配来检验嵌入通道的防御是否真的抹掉了关系结构，可作为评估分割式协同推理/联邦视觉系统泄露风险的标准基线。
立桩定界：结构忠实的实例遗忘
Stake the Points: Structure-Faithful Instance Unlearning
把「语义锚点 + 结构感知对齐」作为可复用的遗忘正则手段：在删除指定样本时，用 CLIP 文本属性锚定保留集的知识结构，可直接迁移到人脸识别、检索模型的隐私删除与版权撤回场景。
稳定含噪预训练模型的特征几何以提升下游任务鲁棒性
Stabilizing Feature Geometry in Noisy Pretrained Models for Robust Downstream Tasks
对做预训练-微调视觉模型的人，这篇给出一个可复用的诊断量 PDA 来量化噪声预训练模型的主特征子空间旋转，并用扰动一致性、方差-激活正则与特征一致性蒸馏把子空间拉回干净模型的方向，可直接用于清洗噪声数据后的模型修复或鲁棒微调。
谱共形风险控制：基于贝叶斯求积的分布无关尾部保证
Spectral Conformal Risk Control: Distribution-Free Tail Guarantees via Bayesian Quadrature
为视觉模型提供分布无关的尾部风险（CVaR 式）控制手段：只需黑盒访问已训练模型，即可在分割、多标签与零样本分类等任务上构造具有有限样本保证的预测集，适合医疗影像、自动驾驶等对罕见高代价错误敏感的场景。
稀疏性作为钥匙：从潜变量结构中解锁分布外检测的新洞见
Sparsity as a Key: Unlocking New Insights from Latent Structures for Out-of-Distribution Detection
把 Top-k 稀疏自编码器套在 ViT 的 [CLS] 词元上，将稠密特征解耦成结构化潜空间，并用类激活剖面（CAPs）的能量散度做 OOD 打分；做 ViT 特征分析或需要可解释 OOD 判据的工作可直接复用这套「稀疏解耦 + 剖面偏离」流程。
SinGeo：释放单模型潜力实现鲁棒的跨视角地理定位
SinGeo: Unlock Single Model's Potential for Robust Cross-View Geo-Localization
论文提出的课程学习策略和一致性评估方法可被视觉研究者复用于提升模型对视角变化的鲁棒性，例如在跨视角定位、无人机视觉等任务中设计渐进式训练和稳定性度量。
SimLBR：通过学习检测真实图像来检测伪造图像
SimLBR: Learning to Detect Fake Images by Learning to Detect Real Images
提出在潜空间对真实图像做混合正则化来学习紧致的真实分布边界，将伪造类别视为汇点类，这种思路可迁移到其他需要检测分布外样本的视觉任务（如异常检测、开放集识别）。
揭示VLN鲁棒性：基于室内光照的对抗攻击黑盒框架
Shedding Light on VLN Robustness: A Black-box Framework for Indoor Lighting-based Adversarial Attack
提出通过操纵室内全局光照（静态强度变化与动态开关切换）对VLN智能体进行黑盒对抗攻击的框架，为视觉导航模型的鲁棒性评估提供了现实可行的扰动范式，可启发针对光照变化的防御与数据增强策略。
基于无标签非一致性得分的半监督保形预测
Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
为视觉模型提供一种在标注数据稀缺时仍能保证覆盖率的校准方法，可直接用于分类、分割等任务的不确定性量化，提升预测集在不同运行间的稳定性。
选择性失忆：基于对比子网络擦除的视觉模型类别级遗忘
Selective Amnesia using Contrastive Subnet Erasure for Class Level Unlearning in Vision Models
提出一种免训练、无推理开销的通道级擦除方法，通过对比子网络定位类别相关通道并代数折叠到下一层，为视觉模型的概念级遗忘提供了可直接部署的编辑手段；其跨数据集评估协议也可用于检验遗忘的泛化性。
以生成器感知原型扩展AI生成图像检测
Scaling Up AI-Generated Image Detection with Generator-Aware Prototypes
用一组紧凑的"伪造原型"把真实/合成图像特征压到低方差统一空间，再用LoRA两阶段微调预训练编码器，可直接迁移到任何需要跨生成器泛化的取证或真伪判别任务。
SafeRoPE：面向整流流 Transformer 安全生成的风险特定头级嵌入旋转
SafeRoPE: Risk-specific Head-wise Embedding Rotation for Safe Generation in Rectified Flow Transformers
针对 MMDiT 架构，提出在注意力头级别定位不安全语义子空间，并通过扰动 RoPE 的 query/key 嵌入实现无需微调的安全概念抑制，为扩散 Transformer 的安全生成提供了轻量级、可复用的干预手段。
SafeLogo：通过微区域对抗训练将你的 Logo 变为越狱防护盾
SafeLogo: Turning Your Logos into Jailbreak Shields via Micro-Regional Adversarial Training
把极小区域（≤2% 像素）的可学习视觉提示词当作通用防御补丁，用 min-max 对抗训练在内外循环中动态挑选最强越狱攻击，为 VLM 安全对齐提供了一种无需全模型微调、可复用的轻量防御范式。
SWIFT：面向少样本免训练生成视频溯源的滑动窗口重建
SWIFT: Sliding Window Reconstruction for Few-Shot Training-Free Generated Video Attribution
提出一种基于视频时序映射的免训练少样本归因方法，利用滑动窗口重建损失差异作为信号，可复用于生成内容溯源与模型指纹识别。
SIF：面向大型视觉语言模型的语义分布内指纹
SIF: Semantically In-Distribution Fingerprints for Large Vision-Language Models
对做 LVLM 版权保护或模型溯源的研究者，SIF 给出了一条不修改参数、把文本水印信号蒸馏进视觉模态的指纹注入路径，并配套模拟最坏情况表征扰动的鲁棒优化，可直接迁移到任意 LVLM 的所有权验证与指纹隐蔽性评估。
SEBA：面向视觉强化学习的高样本效率黑盒攻击
SEBA: Sample-Efficient Black-Box Attacks on Visual Reinforcement Learning
对做视觉 RL 或机器人策略的研究者，这篇给出了一个只用少量环境交互就能攻击图像输入连续控制策略的黑盒框架：用世界模型替代真实环境查询、用影子 Q 模型估计对抗回报、用 GAN 生成不可感知扰动，可直接用于评估视觉策略的对抗脆弱性。
SAIDO：基于场景感知与重要性引导动态优化的持续学习式AI生成图像泛化检测
SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning
用 VLLM 做场景感知并动态分配专家模块，配合重要性引导的梯度投影来缓解持续学习中的灾难性遗忘，可直接迁移到任何需要跨域泛化的伪造检测或分布漂移下的分类任务。
SAGE：面向隐私约束下跨域语义分割的风格自适应泛化框架
SAGE: Style-Adaptive Generalization for Privacy-Constrained Semantic Segmentation Across Domains
在模型权重冻结、无法微调的黑盒设定下，用输入级视觉提示词做域泛化：先以风格迁移构造覆盖广的风格表征库，再按每张输入的视觉上下文动态融合成提示词，为视觉研究者提供了一条不碰骨干网络即可对齐跨域特征分布的思路，可直接迁移到分割、检测等密集预测任务的隐私受限部署场景。
SAGA：生成式 AI 视频的来源归因
SAGA: Source Attribution of Generative AI Videos
把「真假二分类」升级为多粒度生成源归因（任务类型/模型版本/团队/具体生成器），并给出 T-Sig 时序注意力可视化来解释不同生成器的可区分性；做深伪检测、生成内容取证或数据溯源的研究者可直接复用其视频 Transformer + 视觉基础模型特征的时空伪影建模与 0.5% 标注的预训练-归因策略。
SABER：面向鸟瞰图检测器的空间一致三维通用对抗物体
SABER: Spatially Consistent 3D Universal Adversarial Objects for BEV Detectors
提出一种非侵入式、环境植入式的通用对抗物体生成流程，并用鸟瞰图空间特征引导优化攻击检测器内部表征；做BEV检测鲁棒性评测或多视角/时序一致对抗样本构造时可直接复用其遮挡感知渲染与特征引导优化思路。
RunawayEvil：越狱图像到视频生成模型
RunawayEvil: Jailbreaking the Image-to-Video Generative Models
针对图像到视频生成模型，给出一种可复用的多模态越狱攻击范式：用强化学习与 LLM 自动搜索文本指令与图像篡改的协同组合，可作为评估 I2V 系统安全对齐的自动化红队工具，也提示防御方需同时约束视觉与文本两条条件通路。
剪痕之下的根须：揭示扩散模型剪枝式遗忘中概念复活的隐患
Roots Beneath the Cut: Uncovering the Risk of Concept Revival in Pruning-Based Unlearning for Diffusion Models
对做扩散模型安全与机器遗忘的视觉研究者，本文指出剪枝位置本身构成侧信道：攻击者仅凭权重为零的位置即可无数据、无训练地恢复被抹除的概念，因此设计剪枝式遗忘方法时必须同时隐藏剪枝掩码，而不能只关注遗忘效果。
数据稀缺下的鲁棒性：面向演化威胁的少样本持续对抗训练
Robustness Under Data Scarcity: Few-Shot Continual Adversarial Training for Evolving Threats
把少样本持续对抗训练这一设定引入视觉模型鲁棒性维护，其高斯混合原型回放与对抗间隔损失可直接用于在数据受限、攻击分布不断漂移的场景下持续更新分类器而不遗忘旧攻击域。
基于时序互信息的鲁棒脉冲神经网络
Robust Spiking Neural Networks by Temporal Mutual Information
把信息瓶颈推广到时序维度，用输入与脉冲潜变量之间的互信息作为正则项来收紧鲁棒误差界；做脉冲网络或时序动态模型对抗鲁棒性的人可以直接复用这一正则化思路与理论分析框架。
鲁棒的提示式视频目标分割
Robust Promptable Video Object Segmentation
把「记忆中的目标级表征」作为条件去门控低秩适配（LoRA 式）参数，使鲁棒化过程按被跟踪目标分别进行并保持时序一致；这套 memory-conditioned gated adaptation 可直接迁移到其他提示式视频模型（如 SAM2 类跟踪器）做测试时/轻量鲁棒适配。
Robo-SGG：利用面向布局的归一化与恢复可提升鲁棒场景图生成
Robo-SGG: Exploiting Layout-Oriented Normalization and Restitution Can Improve Robust Scene Graph Generation
针对损坏图像下的场景图生成，提出利用对域偏移鲁棒的布局信息（实例归一化+布局导向恢复+布局嵌入编码器）来增强视觉特征鲁棒性，该即插即用模块可集成到任意基线SGG模型中，为处理域偏移提供了一种可复用的思路。
重新审视 LVLM 中的视觉损坏：从形状-纹理视角看模型失效
Revisiting Visual Corruptions in LVLMs: A Shape-Texture Perspective on Model Failures
提出免训练的对比解码框架 ST-CD，通过构造形状与纹理互补的对比视图并在推理时自适应融合来纠正偏置，可直接迁移到任何 LVLM 的推理阶段以提升对视觉损坏的鲁棒性，无需微调。
重新审视噪声标签学习：主动遗忘与噪声抑制
Revisiting Learning with Noisy Labels: Active Forgetting and Noise Suppression
提出一种即插即用的正则化框架，通过机器遗忘主动擦除模型已内化的噪声知识，并用负学习抑制后期噪声过拟合，可直接集成到现有噪声标签学习基线中提升鲁棒性。
重新审视几何混淆：用于视觉定位中隐私保护图像查询的双收敛线
Revisiting Geometric Obfuscation with Dual Convergent Lines for Privacy-Preserving Image Queries in Visual Localization
DCL 通过双收敛线设计使几何恢复攻击的优化问题变得病态，为视觉定位中的隐私保护提供了一种可部署的关键点混淆方案，可直接集成到基于线段的定位求解器中。
RevINN：用于可逆对抗样本生成的端到端可逆神经网络
RevINN: An End-to-End Invertible Neural Network for Reversible Adversarial Examples Generation
用可逆神经网络在小波频域直接生成可逆对抗样本，把「加扰动」和「可恢复」合成单阶段，对做对抗攻击/防御、以及需要可逆变换（如可逆水印、隐私保护图像发布）的视觉工作提供了可复用的端到端可逆架构与频域调制思路。
RemedyGS：防御针对3D高斯泼溅的计算成本攻击
RemedyGS: Defend 3D Gaussian Splatting Against Computation Cost Attacks
针对3DGS重建流程的计算成本攻击，提出「检测器+净化器」的黑盒防御范式，并用对抗训练把净化结果拉回自然图像分布；做3DGS安全部署或需要清洗被投毒输入图像的研究者可直接复用该检测-净化两阶段结构。
Rel-Zero：利用图像块对不变性实现抗 AI 编辑的鲁棒零水印
Rel-Zero: Harnessing Patch-Pair Invariance for Robust Zero-Watermarking Against AI Editing
提出以图像块对之间的相对距离作为编辑不变特征来构造零水印，为视觉研究者在面对扩散编辑的内容溯源与篡改检测时提供了一个无需改动原图、可复用的结构一致性表征思路。
通过损失景观几何重新审视长尾学习
Reframing Long-Tailed Learning via Loss Landscape Geometry
将长尾识别中的尾部性能退化建模为持续学习中的灾难性遗忘，并利用损失景观几何（平坦极小值）来缓解；其分组知识保持与分组锐度感知模块可复用于其他存在类别不平衡或任务序列的视觉任务。
通过投毒知识库对检索增强扩散模型进行红队测试
Red-teaming Retrieval-Augmented Diffusion Models via Poisoning Knowledge Bases
针对检索增强扩散模型的黑盒后门攻击方法，通过知识库投毒和多目标优化学习触发器，可启发视觉研究者评估检索增强生成系统的安全性，并设计防御机制。
RecoverMark：面向篡改人脸定位与恢复的鲁棒水印
RecoverMark: Robust Watermarking for Localization and Recovery of Manipulated Faces
把被保护的人脸内容本身当作水印嵌入背景，并配合模拟去水印攻击的失真层与渐进式两阶段训练，使水印在全局不可见攻击下仍可提取；做篡改定位/取证或需要版权与完整性保护的视觉工作可直接复用这一「内容即水印」的鲁棒嵌入范式。
ReMoE：面向对抗鲁棒视觉Transformer的区域混合专家
ReMoE: Region-Mixture Experts for Adversarially-Robust Vision Transformers
把 ViT 的 FFN 换成区域感知的多粒度专家层，并用注意力引导的 patch-to-region / region-to-patch 路由按空间位置激活专家，为对抗鲁棒性提供区域级归纳偏置；做 ViT 对抗防御或想把 MoE 用作结构先验的工作可直接复用该即插即用设计。
ReAlign：通过推理对齐表征实现可泛化的图像伪造检测
ReAlign: Generalizable Image Forgery Detection via Reasoning-Aligned Representation
把LLM生成的推理文本当作可蒸馏的语义监督信号，通过图文对比对齐将其迁移到轻量检测器中，为视觉取证任务提供了一条「用推理表征提升泛化性」的可复用路径，可直接用于AIGI检测与跨生成器泛化评测。
RankOOD：基于类别排序的分布外检测
RankOOD - Class Ranking-based Out-of-Distribution Detection
把基础模型偏好对齐中常用的 Plackett-Luce 排序损失迁移到 OOD 检测：先用交叉熵分类器为每个 ID 类提取一个固定的类别排序，再用 PL 损失训练模型预测该排序，从而用「是否遵循排序」作为 OOD 分数，可直接替换现有分类器的置信度打分。
秩引导伪偏差学习用于鲁棒黑盒适配
Rank-Guided Pseudo-Bias Learning for Robust Black-Box Adaptation
提出一种无需访问骨干网络参数和人口统计标注的黑盒去偏框架，通过轻量适配器放大潜在虚假方向、无监督聚类生成伪偏差标签，并结合监督对比对齐与自适应边界净化表示，可直接用于冻结视觉基础模型的下游公平性提升。
RaPA：通过随机参数剪枝增强可迁移目标攻击
RaPA: Enhancing Transferable Targeted Attacks via Random Parameter Pruning
提出参数级随机化（随机剪枝）作为提升对抗样本迁移性的手段，可复用于其他迁移攻击框架，尤其针对CNN到Transformer的跨架构攻击场景。
RAVEN：通过新视角合成擦除不可见水印
RAVEN: Erasing Invisible Watermarks via Novel View Synthesis
把水印去除重新表述为潜空间中的视角变换问题，并借助视角引导的对应注意力保持结构一致；这为研究水印鲁棒性提供了新的攻击范式，也提示视觉研究者：语义保持的几何变换是评估生成内容溯源方案时必须纳入的威胁模型。
R$^2$TUA：基于重建残差的针对文本-图像行人重识别的目标与非目标攻击
R$^2$TUA: Reconstruction-residual Based Targeted and Untargeted Attack Against Text-Image Person Re-Identification
提出基于重建残差的对抗扰动生成方法，利用Transformer渐进多模态融合和软截断函数，可迁移至其他跨模态检索系统的对抗攻击与鲁棒性评估。
Query2Uncertainty：分布偏移下3D目标检测的鲁棒不确定性量化与校准
Query2Uncertainty: Robust Uncertainty Quantification and Calibration for 3D Object Detection under Distribution Shift
对做3D检测部署的人，这篇给出一个可复用的后处理校准思路：直接拿DETR式检测器的潜变量object query特征拟合密度估计器，用密度值在分布偏移下同时重校准分类置信度与边界框回归不确定性，无需重训练检测器。
PureProof：抗扩散净化的大型视觉语言模型黑盒目标攻击
PureProof: Diffusion-Resistant Black-box Targeted Attack on Large Vision-Language Models
提出针对扩散净化（DBP）的黑盒目标攻击框架 PureProof，其随机反向对齐（SRA）和自适应重加噪增强（ARA）可被复用为评估视觉语言模型在扩散防御下鲁棒性的攻击基线。
Protego：面向人脸识别所致数字足迹暴露的以用户为中心的姿态不变隐私保护
Protego: User-Centric Pose-Invariant Privacy Protection Against Face Recognition-Induced Digital Footprint Exposure
面向人脸检索系统的黑盒隐私保护：把用户 3D 人脸签名压成姿态不变的 2D 表征，再按目标图像姿态/表情动态形变为自然外观的 3D 掩码，并放大 FR 模型对保护图像的敏感度使其连自身都无法匹配——这套「姿态不变签名 + 动态形变掩码」思路可直接迁移到人脸识别对抗防御与视频级隐私保护。
PrivSynth：面向合成数据隐私与效用的交替式与控制论优化
PrivSynth: Alternating and Control-Based Optimization for Privacy and Utility in Synthetic Data
把合成数据生成建模为隐私-效用的双目标优化，并用离散时间最优控制（PMP）求解数据选择参数，为视觉研究者提供了一套可复用的、在生成模型训练中显式抑制成员推理与重建泄露的优化框架。
面向视觉语言模型越狱防御的零空间投影原则性引导
Principled Steering via Null-space Projection for Jailbreak Defense in Vision-Language Models
把零空间投影引入激活引导：在良性子空间内保持零扰动、仅在潜在有害方向上诱导拒答，为视觉语言模型的推理期安全对齐提供了一个可复用、有理论保证的干预手段，可直接迁移到其他多模态模型的安全加固。
一次预热，本地重编程：黑盒服务模型适配的高效替代方案
Prime Once, then Reprogram Locally: An Efficient Alternative to Black-Box Service Model Adaptation
对做视觉模型部署与迁移的研究者，这篇给出了一个可复用的范式：先用少量 API 调用把本地预训练编码器「预热」成可接收黑盒模型知识的代理，再在本地做白盒重编程，从而把黑盒适配的调用成本压到近乎为零；其轻量层预热 + 本地重编程的两阶段流程可直接套用到 VLM 或标准视觉模型的下游任务适配中。
PoInit-of-View：视图初始化投毒可跨多种三维重建系统迁移
PoInit-of-View: Poisoning Initialization of Views Transfers Across Multiple 3D Reconstruction Systems
针对 SfM 前端的关键点检测与特征匹配注入跨视角梯度不一致扰动，可作为研究三维重建流程前端脆弱性、以及设计对应防御或鲁棒特征匹配的切入点；其黑盒迁移设定（3DGS→NeRF）也提示可用 SfM 作为代理模型生成可迁移攻击。
像素不会说谎（但你的检测器可能会）：自举多模态大语言模型作为评判器以实现可信的深度伪造检测与推理监督
Pixels Don't Lie (But Your Detector Might): Bootstrapping MLLM-as-a-Judge for Trustworthy Deepfake Detection and Reasoning Supervision
提出以多模态大语言模型作为评判器（MLLM-as-a-Judge），通过自举生成-评估过程将人类反馈扩展为结构化推理监督，可用于评估和提升深度伪造检测模型推理的视觉证据忠实性，为可解释的伪造检测提供可扩展的监督信号。
物理对抗服装通过非重叠 RGB-T 图案规避可见光-热红外检测器
Physical Adversarial Clothing Evades Visible-Thermal Detectors via Non-Overlapping RGB-T Pattern
对做 RGB-T 多模态检测的人，这篇给出了一个必须正视的物理世界威胁模型：用可见光与热红外材料不重叠的服装图案即可在 0°–360° 视角下稳定欺骗不同融合架构的检测器，并提示融合阶段集成可提升跨架构迁移性，可作为评估多模态融合鲁棒性的红队基线。
Phantom：以物理对象交互作为动态触发器劫持 NMS 的后门攻击
Phantom: Physical Object Interactions as Dynamic Triggers for NMS-Exploited Backdoors
把目标检测后处理中的 NMS 环节当作攻击面：用真实场景中的物体交互关系（而非固定 patch）作为动态触发器，可同时诱发误分类、误定位与目标凭空出现/消失，为检测模型的后门防御与 NMS 设计提供了新的威胁模型。
PROMPTMINER：通过强化学习与VLM引导优化对文本到图像生成模型的黑盒提示词窃取
PROMPTMINER: Black-Box Prompt Stealing against Text-to-Image Generative Models via Reinforcement Learning and VLM-Guided Optimization
提出一种黑盒提示词窃取框架，利用强化学习重建主体、VLM引导搜索风格修饰词，可复用于提示词逆向工程、数据溯源与版权保护研究。
PPM-CLIP：面向可泛化AI生成图像检测的概率提示建模
PPM-CLIP: Probabilistic Prompt Modeling for Generalizable AI-Generated Image Detection
将CLIP的提示词从静态分类模板改为条件生成分布，为视觉任务中利用提示词建模不确定性提供新思路；补丁级对比学习可增强视觉编码器对局部细微伪影的敏感度，可迁移到细粒度检测任务。
POUR：基于神经坍缩的可证明最优表征遗忘方法
POUR: A Provably Optimal Method for Unlearning Representation via Neural Collapse
把机器遗忘从分类器层推进到表征层，用 Neural Collapse 下 simplex ETF 的正交投影给出闭式最优遗忘算子，并提供蒸馏式特征级变体；做视觉模型隐私删除或概念擦除时可直接复用该投影算子与 RUS 指标来评估表征是否真正被遗忘。
PGA：面向实用无盒场景的无先验生成式攻击
PGA: Prior-free Generative Attack for Practical No-box Scenario
为视觉模型安全评估提供了一条无需先验数据、仅用少量无标签图像即可训练生成器产出对抗扰动的路径，其课程引导的微鲁棒优化与区域一致性扰动学习可直接迁移到黑盒迁移攻击与对抗训练的数据高效设定中。
PECCVAI：克服 AI 图像水印在视觉转述攻击下的脆弱性
PECCVAI: Overcoming the Brittleness of AI Image Watermarking Under Visual Paraphrasing Attacks
提出视觉转述攻击（caption→扩散模型重生成）可同时移除可见与不可见水印，并给出基于非融化点（NMP）与多通道频域编码的鲁棒水印方案 PECCAVI，为生成内容溯源与版权保护提供可复用的攻防基准。
PAUL：不确定性引导的分区与增强用于噪声对应下的鲁棒跨视角地理定位
PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
针对跨视角地理定位中因GPS漂移导致的图像对空间错位（噪声对应）问题，提出基于数据不确定性和损失模式划分干净/噪声样本、并对高置信区域做局部增强的鲁棒训练框架，可复用于其他存在标注噪声或弱对应的视觉检索/匹配任务。
PA-Attack：以原型与注意力引导针对 LVLM 视觉编码器的灰盒攻击
PA-Attack: Guiding Gray-Box Attacks on LVLM Vision Encoders with Prototypes and Attention
把视觉编码器当作跨模型稳定的灰盒攻击支点，并用 token 级注意力分数定位关键视觉 token 施加扰动，这一思路可直接迁移到对 CLIP/ViT 类视觉骨干的对抗鲁棒性评测与防御设计上。
视野之外即跟踪之外：通过查询状态操纵对基于传播的多目标跟踪器实施对抗攻击
Out of Sight, Out of Track: Adversarial Attacks on Propagation-based Multi-Object Trackers via Query State Manipulation
针对 Tracking-by-Query-Propagation 类跟踪器的查询传播机制设计对抗攻击：通过时序查询洪泛耗尽查询预算、通过状态去相关破坏查询更新器的时序记忆，并借助可微传感器欺骗仿真优化扰动，为评估 E2E MOT 跟踪器的鲁棒性提供了可复用的攻击范式与失效模式分析。
论时序粒度在脉冲神经网络鲁棒性中的作用
On the Role of Temporal Granularity in the Robustness of Spiking Neural Networks
提出时序粒度攻击（TG-Attack）和时序敏感度（TSV）来评估脉冲神经网络在单个时间步的鲁棒性，并设计时序粒度正则化（TG-Reg）提升整体鲁棒性，为SNN的对抗鲁棒性分析提供了细粒度工具。
Omni-Attack：黑盒多模态大语言模型中开放端视觉问答的对抗攻击
Omni-Attack: Adversarial Attacks on Open-Ended VQA in Black-Box Multimodal LLMs
针对开放端视觉问答的黑盒迁移攻击方法，其目标构建流程和位置感知扰动策略可被复用于评估和提升多模态大模型的对抗鲁棒性。
无法窃取我的面容：针对身份保持个性化生成的主动防御
No Way To Steal My Face: Proactive Defense Against Identity-Preserving Personalized Generation
针对身份保持的个性化生成（如数字头像、虚拟试衣）中的隐私泄露问题，提出一种模型无关的主动防御框架，通过对抗扰动同时破坏身份特征提取和注入两个阶段，可推广到基于训练和无训练的个人化方法。
测试时自适应中的神经坍缩
Neural Collapse in Test-Time Adaptation
把神经坍缩推广到样本级（NC3+），指出域偏移下性能下降源于样本级特征-分类器错位，并据此设计混合目标（几何邻近+预测置信度）来重对齐特征与分类器权重，可直接嵌入现有 TTA 流程（如 Tent）提升 OOD 鲁棒性。
NOWA：用于不可见拍摄指纹与篡改定位的零空间光学水印
NOWA: Null-space Optical Watermark for Invisible Capture Fingerprinting and Tamper Localization
把相机光圈的相位掩码当作物理密钥，使水印落在成像算子的零空间里，从而在拍摄端嵌入不可见、不可伪造的取证签名；对做图像取证、防伪与安全成像的研究者，这提供了一条从光学前端到重建网络联合设计的思路，且篡改定位只需将图像投影回相机零空间检测像素级不一致。
基于保形预测自校准的低质量数据多模态学习
Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration
把保形预测当作在线可靠性打分器，用它对单模态特征做选择性融合、对反向传播梯度按样本可靠性重加权，可直接迁移到视觉多模态（RGB-深度、图像-文本）训练中应对模态失衡与标签噪声。
通过自适应概率高斯校准的多模态测试时自适应
Multi-modal Test-time Adaptation via Adaptive Probabilistic Gaussian Calibration
把类别条件分布显式建模成概率高斯模型，并用对比式非对称校正来抵消模态间分布不对称，这套思路可直接迁移到视觉-语言模型在推理阶段的分布偏移自适应，尤其是需要可靠决策边界的开放场景。
面向无监督异常检测的多原型紧致性与边界感知合成
Multi-Prototype Compactness and Boundary-Aware Synthesis for Unsupervised Anomaly Detection
用多原型混合建模正常特征分布、并在簇间拓扑边界处合成伪异常来收紧决策面，这套「原型聚类+边界合成」思路可直接迁移到工业缺陷检测与开放集异常定位任务中，替代单超球假设。
面向多模态大语言模型的多范式协同对抗攻击
Multi-Paradigm Collaborative Adversarial Attack Against Multi-Modal Large Language Models
对做多模态大模型红队与鲁棒性评测的人，这篇给出了一个可复用的思路：不要只用单一范式的代理模型做特征空间优化，而是把视觉与语言两个范式的语义表征聚合起来，用对比匹配自适应加权后再做全局扰动优化，从而缓解表征偏置、提升对抗样本的跨模型迁移性。
模型作为乐高搭建者：通过语义蓝图从良性积木组装恶意
Models as Lego Builders: Assembling Malice from Benign Blocks via Semantic Blueprints
提出一种基于结构化视觉提示（思维导图、表格、旭日图）的语义槽填充越狱方法，为研究LVLM多模态安全对齐与防御提供了可复用的攻击范式。
通过目标共现分析缓解 OOD 检测中的简单性偏差
Mitigating Simplicity Bias in OOD Detection through Object Co-occurrence Analysis
把「目标共现」这一上下文线索引入 OOD 检测：先预测测试样本的解耦表征，再按 ID 训练数据中观察到的共现模式自适应划分为三种情形并分而治之，可直接迁移到需要区分近 OOD 的视觉识别系统。
缓解快速对抗训练中的误差放大
Mitigating Error Amplification in Fast Adversarial Training
针对快速对抗训练中的灾难性过拟合，按样本置信度动态缩放扰动预算并调节监督信号，可直接嵌入现有 FAT 流程（如 FGSM-RS）以在几乎不增加成本的前提下提升鲁棒性并缓解干净精度下降。
注意你选择负文本的方式：在视觉语言模型的 OOD 检测中追求距离一致性
Mind the Way You Select Negative Texts: Pursuing the Distance Consistency in OOD Detection with VLMs
对做开放世界视觉识别的人，这篇给出了一个可直接复用的思路：用 CLIP 原生优化的跨模态距离（而非模态内距离）来挑选负文本并反演高置信 OOD 图像生成额外负文本嵌入，可作为即插即用的 OOD 打分与负样本构造模块。
Meta-FC：基于特征一致性的元学习用于鲁棒且可泛化的水印
Meta-FC: Meta-Learning with Feature Consistency for Robust and Generalizable Watermarking
把元学习加特征一致性损失当作一种可插拔的训练策略，用来替代单随机失真（SRD）噪声层，可直接迁移到其他需要抵抗多种失真的视觉任务（如复原、隐写、对抗训练）中，缓解批次间优化冲突。
Mark4D：面向4D高斯泼溅的时序一致水印技术
Mark4D: Temporally-Consistent Watermarking for 4D Gaussian Splatting
针对动态4D高斯泼溅模型，提出在运动轨迹上嵌入水印信号并利用视频-文本潜空间解码器恢复水印，为动态场景资产版权保护提供可复用技术。
基于自适应梯度重加权与多阶段目标优化的机器遗忘
Machine Unlearning via Adaptive Gradient Reweighting and Multi-stage Objective Optimization
为视觉模型提供一种无需重训练的遗忘机制：通过自适应梯度重加权与多阶段目标优化（方向校正、时序稳定、自适应目标组合）缓解遗忘与保留目标间的梯度冲突，可直接用于扩散模型或分类骨干网的概念/样本擦除与隐私合规。
面向预训练点云模型的低秩测试时训练
Low-Rank Test-Time Training for Pre-Trained Point Cloud Models
把测试时训练从解码器式辅助目标改为特征层面的掩码一致性对齐，并用 LoRA 低秩单元实现参数高效的自适应，可直接迁移到其他预训练视觉骨干（如点云/图像 Transformer）的 OOD 自适应场景。
Logit 间隔排斥用于后门防御
Logit-Margin Repulsion for Backdoor Defense
针对量化/剪枝后才激活的条件后门，LMR 用少量干净样本配合 logit-margin 约束放大后门类与良性类的间隔，再按通道选择性剪枝去除后门通路；做模型压缩部署或需要清洗第三方预训练权重时，这套「间隔约束+通道定位」流程可直接复用。
面向单应变换形式化验证的 Lipschitz 优化
Lipschitz Optimization for Formal Verification of Homographies
为视觉模型提供针对相机 3D 运动（单应变换）扰动的形式化鲁棒性验证手段：通过相机位姿到像素值的闭式映射与单应变换的分段连续性，推导扰动像素值的紧致线性界，可直接用于验证 AR 地平面、自动驾驶路面标线与交通标志、机器人平面工作区等平面主导场景下的分类器。
基于来源信息的输入梯度引导从合成数据中学习
Learning from Synthetic Data via Provenance-Based Input Gradient Guidance
利用合成数据生成时记录的来源信息（provenance）作为辅助监督，对输入梯度进行分解与引导，抑制模型对非目标区域的依赖，从而学到更聚焦于目标的判别性表征；该思路可迁移到任何使用合成数据训练、且能获取像素级来源标注的视觉任务中。
学习互视图信息图用于自适应对抗协同感知
Learning Mutual View Information Graph for Adaptive Adversarial Collaborative Perception
把多车协同感知中的特征融合过程建模为互视图信息图，并用时序图学习生成伪造风险图来搜索攻击位置与时机，这一「图表示+熵感知搜索」的框架可直接迁移到对 BEV 融合、V2X 协同检测等视觉系统的红队测试与防御加固。
无需伪造先验的伪造感知唇部表征学习
Learning Forgery-Aware Lip Representations Without Forgery Priors
提出仅用真实数据训练的伪造检测范式：用非对称对比目标把真实样本压紧、把潜在伪造推远，并用各向同性高斯正则约束真实表征空间，可直接迁移到其他「无伪造先验」的深度伪造检测与开放集异常识别任务。
LayoutAD：面向场景布局异常检测的语义-几何错位推理探索
LayoutAD: Exploring Semantic-Geometric Misalignment Reasoning for Scene Layout Anomaly Detection
把「布局异常」形式化为对象级语义图与几何图的错位推理，可复用于检测文生图模型的幻觉与关系错误，也可作为视频异常检测与自校正生成的即插即用判别器。
层间一致性至关重要：用于可泛化合成图像检测的优雅潜变量转移差异
Layer Consistency Matters: Elegant Latent Transition Discrepancy for Generalizable Synthetic Image Detection
把预训练网络各层潜变量之间的特征转移一致性当作判别信号，可用于任何需要区分真实与生成数据的场景；这种跨层一致性度量也可迁移到深伪视频检测、图像取证与OOD检测中，替代依赖特定生成器伪影的低层统计线索。
潜扩散模型反演需理解潜空间
Latent Diffusion Inversion Requires Understanding the Latent Space
对视觉研究者而言，本文揭示了潜扩散模型中自编码器几何（解码器拉回度量）对记忆/过拟合的非均匀影响，并提供了一种按维度贡献排序的通用分析工具，可用于诊断生成模型的隐私泄露风险或指导潜空间正则化设计。
LaSM：用于防御 GUI 智能体弹窗攻击的逐层缩放机制
LaSM: Layer-wise Scaling Mechanism for Defending Pop-up Attack on GUI Agents
对做多模态大模型智能体或视觉语言模型安全的研究者，这篇论文给出一个免训练、推理时即可用的防御手段：通过逐层放大关键层的注意力与 MLP 模块，把模型显著性重新拉回任务相关区域；其「逐层注意力分歧」分析也可直接迁移到其他视觉注入攻击（如对抗 patch、干扰物注入）的脆弱性诊断上。
LLaVAShield：为视觉语言模型中的多模态多轮对话提供安全保障
LLaVAShield: Safeguarding Multimodal Multi-Turn Dialogues in Vision-Language Models
为视觉语言模型提供多模态多轮对话的安全审核器与 MMDS 基准，可直接用于评测和加固 VLM 在交互式多轮场景下的输入与回复安全性，并提供 MMRT 自动化红队生成框架来构造对抗性多模态对话。
LDP-Slicing：通过随机位平面切片实现图像的局部差分隐私
LDP-Slicing: Local Differential Privacy for Images via Randomized Bit-Plane Slicing
把像素值拆成二值位平面后再施加 LDP 机制，为视觉任务提供了一种免训练、可直接插在数据采集端的隐私保护预处理；做隐私敏感场景（如人脸识别数据外包、联邦式图像采集）时，可复用该位级扰动+预算分配思路替代直接在像素上加噪。
LATA：面向医学视觉语言模型保形不确定性的拉普拉斯辅助传导式自适应
LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs
把保形预测的预测集效率与类别条件覆盖率差距作为可靠性指标，用图像 kNN 图上的 CCCP 均值场传导式平滑在无标签、无训练条件下收紧零样本 VLM 的预测集，可直接迁移到任何需要带覆盖保证的不确定性输出的视觉识别流程。
KLIP：逆问题中基于 KL 散度与扩散先验的局部分布偏移检测
KLIP: Localized Distribution Shift Detection via KL-Divergence with Diffusion Priors in Inverse Problems
把扩散模型当作数据先验，用先验与后验之间的 KL 散度作为无需校准数据的 OOD 指标，并可在图像块级别定位分布偏移；对做逆问题求解（如 CT 重建）的视觉研究者，这提供了一种在只有间接测量时判断输入是否可信、并定位异常区域的通用手段。
通过分歧引导的后缀优化与图像短语注入越狱视觉语言模型
Jailbreaking Vision-Language Models via Dissonance-Guided Suffix Optimization and Image-Phrase Injection
对做 VLM 安全与多模态对齐的研究者，这篇给出了一个可复用的攻击信号：用目标模型与未对齐模型之间的预测分歧（predictive dissonance）来定位被安全对齐压制的词元，替代离散词元空间上的梯度近似；同时把短语的内容与呈现方式一起嵌入图像做联合优化，利用跨模态敏感性提升迁移性，可作为红队评测 VLM 防护的基线。
JANUS：通过分布优化越狱文本到图像模型的轻量级框架
JANUS: A Lightweight Framework for Jailbreaking Text-to-Image Models via Distribution Optimization
把越狱攻击建模为在 T2I 系统端到端黑盒奖励下优化结构化提示词分布，用低维混合策略替代高容量 RL 生成器，为红队测试扩散模型安全过滤器提供了一个轻量、可复用的攻击基线，也提示防御方需针对分布级攻击设计分布感知的防护。
IrisFP：兼具更强唯一性与鲁棒性的基于对抗样本的模型指纹方法
IrisFP: Adversarial-Example-based Model Fingerprinting with Enhanced Uniqueness and Robustness
对做视觉模型部署与版权保护的人，这篇提供了利用多决策边界交点构造对抗样本指纹的思路：把指纹放在多个决策边界的交汇处而非单一边界深处，可在不深入目标类内部的前提下扩大预测间隔，从而同时提升鲁棒性与唯一性；其基于统计可分性度量的指纹筛选与阈值分配也可直接迁移到视觉模型的归属验证流程。
探究自监督表征在音视频深度伪造检测中的作用
Investigating Self-Supervised Representations for Audio-Visual Deepfake Detection
系统评测了音频、视频、多模态三类自监督特征在音视频深度伪造检测中的表现，并给出「音频引导表征泛化最好」的结论，可直接作为视觉研究者挑选伪造检测骨干特征、以及设计跨模态互补融合时的选型依据。
InvAD：基于反演的无重建扩散模型异常检测
InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models
把扩散模型的 DDIM 反演当作无需重建的异常打分器：只需少量反演步把测试图加噪到潜变量，再用已知先验分布度量偏离度，可直接替换重建式 AD 中昂贵的多步去噪流程，兼顾精度与约两倍推理加速。
面向社会公平的可解释视觉语言模型去偏
Interpretable Debiasing of Vision-Language Models for Social Fairness
用稀疏自编码器在多模态编码器上定位可解释的「社会属性神经元」，再通过选择性关闭这些神经元实现去偏，为视觉研究者提供了一种无需重训练、可审计的模型内部干预手段，可直接迁移到人脸属性识别、跨群体公平性分析等场景。
由内而外：通过内部工作机制度量视觉 Transformer 的泛化
Inside-Out: Measuring Generalization in Vision Transformers Through Inner Workings
提出用模型内部电路（因果交互）作为无标签泛化代理指标，视觉研究者可在部署前模型选择与部署后分布偏移监控中复用该思路，替代不可靠的置信度指标。
IncreFA：打破生成模型归属的静态壁垒
IncreFA: Breaking the Static Wall of Generative Model Attribution
把生成图像归属（判别图像来自哪个生成模型）建模为结构化增量学习问题，用架构层级正交先验加潜变量记忆回放来对抗表征漂移；做深伪检测、生成内容溯源或开放集识别的视觉研究者可直接复用其层级约束与伪未见样本混合策略。
利用局部扰动增强提升对抗迁移性
Improving Adversarial Transferability with Local Perturbation Augmentation
对做对抗鲁棒性评测的人，LPAA 提供了一种在每次迭代中构造多个局部增强子空间来更新扰动、并用专门初始化避免初始扰动敏感性的黑盒迁移攻击流程，可直接替换现有迭代攻击中的邻域采样步骤，用于在 CNN 与 ViT 上更严格地检验模型鲁棒性。
通过收缩优化动力学使模型免疫于有害长时程微调
Immunizing Models Against Harmful Long-Horizon Fine-Tuning via Contractive Optimization Dynamics
为视觉基础模型（分类、生成、自回归）提供一种在发布前注入的免疫机制：通过让有害微调的优化动力学局部收缩，使攻击者即使跑数千步更新也无法有效适配有害任务，可直接用于开源视觉大模型的安全发布流程。
基于训练数据的图像离群点合成
Image-based Outlier Synthesis With Training Data
提出一种无需外部数据的虚拟离群点合成方法：通过向ID输入添加梯度归因值来破坏不变特征并放大真实类logit，生成近流形离群点，可用于提升细粒度分类和虚假相关场景下的OOD检测鲁棒性。
IAG：面向基于 VLM 的视觉定位的输入感知后门攻击
IAG: Input-aware Backdoor Attack on VLM-based Visual Grounding
对做视觉定位或多模态大模型落地的人，这篇给出了一个可复用的攻击面：用文本条件 UNet 把目标语义隐写进图像，使任意指定目标都能被诱导定位，可作为评估 grounding 系统可信度的红队基线。
面向持续测试时分割的双曲原型学习与不确定性感知一致性
Hyperbolic Prototype Learning with Uncertainty-Aware Consistency for Continual Test-Time Segmentation
把语义分割的特征空间从欧氏空间换到 Poincaré 球做原型学习，用双曲体积指数增长换取更大的类间间隔；配合按跨视角一致性把像素分成 core/boundary 两组、分别用测地距离最小化和双曲方向一致性损失约束，是可直接迁移到其他 CTTA/域偏移分割流程的即插即用模块。
层次化鲁棒的零样本视觉语言模型
Hierarchically Robust Zero-shot Vision-language Models
把类别层级结构（父类-叶类）引入对抗微调，用层次化嵌入与多层级图文对齐同时提升自然性能与对抗鲁棒性；对做 VLM 鲁棒微调、开放词表分类的人，这是一个可直接复用的对齐框架，并给出嵌入深度与最大间隔尺寸的理论联系。
面向多模态多智能体推理的分层攻击
Hierarchical Attacks for Multi-Modal Multi-Agent Reasoning
对做多模态大模型/VLM 智能体的人，这篇给出了一个可复用的分层攻击面清单：视觉输入扰动、图文融合表示扰动、共享上下文与通信拓扑篡改、以及推理链偏置，可直接用来做红队测试或设计鲁棒性防御。
HierUQ：面向退化图像分类的自适应粒度协调分层不确定性量化
HierUQ: Hierarchical Uncertainty Quantification with Adaptive Granularity Reconciliation for Degraded Image Classification
针对低质量/退化图像，用基于标签平滑与 proper scoring rule 的分层不确定性量化，配合置信度不足时回退到高层节点的路径调整机制，可作为视觉模型在分布偏移下做可靠预测与拒识的通用手段。
组合生成的隐藏危险：诊断文本到图像模型中的语义安全失效
Hidden Dangers of Compositional Generation: Diagnosing Semantic Safety Failures in Text-to-Image Models
提出一种纯文本空间的黑盒组合重写攻击 CoRA，可复用于评估 T2I 模型安全过滤器的语义组合漏洞，并启发设计更鲁棒的安全对齐与过滤机制。
GuardTrace-VL：通过迭代安全监督检测不安全的多模态推理
GuardTrace-VL: Detecting Unsafe Multimodel Reasoning via Iterative Safety Supervision
把多模态大模型的中间推理链（Thinking）纳入安全审核范围，用图文联合分析在推理阶段就拦截不安全内容；对做 VLM 安全对齐或红队评测的人，可直接复用其 QTA 全流程审计设定与三阶段渐进训练方案。
好也可能变坏：一种通过灵活各向同性重采样对3D点云分类器实施的统一攻击
Good Can Sometimes be Bad: A Unified Attack against 3D Point Cloud Classifier by a Flexible Isotropic Resampling
提出用表面近似与射线采样的各向同性重采样统一实现对抗攻击与后门攻击，并把「提升被攻击点云质量」作为隐蔽性手段，为点云分类器的安全评测提供了可复用的攻击范式与新的隐蔽性评价视角。
面向局部人群计数的跨范式可迁移生成对抗扰动
Generative Adversarial Perturbations with Cross-paradigm Transferability on Localized Crowd Counting
针对人群计数中密度图与点回归两种范式，提出统一的多任务对抗扰动生成框架，可用于评估跨范式模型的对抗鲁棒性，并为设计范式无关的防御提供测试基准。
GenBreak：利用大语言模型对文本到图像生成进行红队测试
GenBreak: Red Teaming Text-to-Image Generation Using Large Language Models
对做 T2I 安全评测的人，这篇给出了一个可复用的红队提示词生成范式：用监督微调加多奖励强化学习训练一个 LLM 攻击者，同时优化提示词的隐蔽性与生成图像的毒性，可直接用于黑盒评测商用 T2I 生成器的安全对齐强度。
GPFlow：面向无监督多模态异常检测的高斯原型概率流
GPFlow: Gaussian Prototype Probability Flow for Unsupervised Multi-Modal Anomaly Detection
用可学习高斯原型构造协方差感知的信息瓶颈（后验均值路径路由），替代离散原型记忆库，可直接迁移到少样本工业质检、多模态（RGB+点云/深度）异常检测的特征重建环节。
GDFA：几何驱动且带方向任务向量对齐的联邦遗忘
GDFA: Geometry-Driven Federated Unlearning with Directional Task Vector Alignment
把损失景观几何（平坦极小值）作为提升遗忘鲁棒性的手段，并通过对任务向量做方向一致性过滤来隔离共享知识——这套「平坦化 + 方向对齐的任务向量」思路可迁移到视觉模型的版权数据删除、概念擦除与个性化模型去身份化等场景。
完全去中心化的可认证机器遗忘
Fully Decentralized Certified Unlearning
为视觉模型提供可认证的数据删除机制：在无中心协调的去中心化拓扑上，用随机游走+投影梯度上升/下降配合子采样高斯噪声，在给定(ε,δ)下移除指定图像数据的影响，可直接用于隐私合规或清除投毒样本，并把后门攻击成功率压到随机猜测水平。
从测量到缓解：用线性子空间移除量化并降低图像表征编码器中的身份泄露
From Measurement to Mitigation: Quantifying and Reducing Identity Leakage in Image Representation Encoders with Linear Subspace Removal
对使用 CLIP/DINOv2/SSCD 等冻结视觉嵌入做检索或完整性系统的人，这篇给出了一个可复用的审计流程（低误接受率下的开放集验证、基于扩散的模板反演检验、等面积扰动的人脸上下文归因）以及一个单样本线性投影器 ISP，可在几乎不损失非生物特征效用的前提下把身份线性可及性压到接近随机水平。
从吸引到平衡：面向零样本异常检测的物理启发式语义引力子
From Attraction to Equilibrium: Physics-Inspired Semantic Gravitons for Zero-Shot Anomaly Detection
把 CLIP 的视觉-文本对齐建模为可学习的「语义引力子」中介，用交替耦合与能量势正则稳定跨模态对应，可直接迁移到需要精确定位的零样本/开放词表视觉任务（异常检测、缺陷分割、开放词表定位）。
面向人脸混淆的频域操控
Frequency-domain Manipulation for Face Obfuscation
把频域子带自适应调制当作一种可复用的隐私保护手段：按子带特性分别调节信息量，在隐藏身份的同时保留机器可解读线索，并抵御重建攻击；做视觉数据集发布或隐私敏感场景的人脸分析时可直接借鉴这一频域处理思路。
分形伪装：一种面向红外域多尺度对抗攻击的仿生方法
Fractal Camouflage: A Bio-Inspired Approach for Multi-Scale Adversarial Attacks in the Infrared Domain
用 H 型分形的自相似性构造跨尺度物理对抗贴片，并通过粒子群优化搜索参数，为红外行人检测器的物理攻击评测提供了可复用的多尺度扰动生成范式；做红外或多光谱检测安全评测时，可直接借鉴其分形参数化与黑盒优化流程。
FlowHijack：一种针对流匹配视觉-语言-动作模型的动力学感知后门攻击
FlowHijack: A Dynamics-Aware Backdoor Attack on Flow-Matching Vision-Language-Action Models
针对流匹配VLA模型的向量场动力学设计后门攻击，揭示了连续动作生成机制的安全漏洞，为视觉-语言-动作模型的鲁棒性评估与防御提供了新方向。
FedSST：重新审视结构偏移下的公平联邦图学习
FedSST: Rethinking Fair Federated Graph Learning under Structural Shift
对做视觉图结构数据（如场景图、点云关系图、多相机拓扑）的联邦训练，提供了一种用结构信号量化客户端贡献、抑制聚合偏置的思路，可迁移到跨域视觉客户端的公平聚合与自适应本地训练。
FedMOP：通过动量正交投影在联邦学习中实现增强的隐私与性能
FedMOP: Achieving Enhanced Privacy and Performance in Federated Learning via Momentum Orthogonal Projection
FedMOP 通过正交投影和动量轨迹隐藏，在联邦学习中同时提升隐私与性能，为视觉模型分布式训练提供抗梯度泄露的通用手段。
FedCART：通过分类器精修应对联邦对抗训练中的长尾分布
FedCART: Tackling Long-Tailed Distributions in Federated Adversarial Training via Classifier Refinement
把模型解耦为共享特征提取器与双分类器，并用梯度类原型在服务端合成平衡虚拟特征重训辅助分类器，这一套「原型校准 + 虚拟特征重平衡」思路可直接迁移到视觉中的长尾分类与对抗鲁棒性联合优化场景。
FedAlign：面向非独立同分布联邦学习的差分隐私分布对齐
FedAlign: Differentially Private Distribution Alignment for Non-IID Federated Learning
为视觉模型在跨设备联邦训练中提供一种可复用的隐私保护分布对齐手段：客户端上传加噪的统计矩、服务器聚合推断全局分布并回传指导本地对齐，可直接嵌入现有的联邦视觉训练流程以缓解 Non-IID 导致的收敛慢与精度下降。
Fed-ADE：分布偏移下联邦后自适应的自适应学习率
Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift
为视觉模型部署后的无标签在线自适应提供了一套按客户端、按时间步动态调节学习率的机制：用预测不确定性的变化与特征漂移来估计分布偏移强度，可直接迁移到视觉模型在非平稳数据流上的持续测试时自适应，避免固定学习率导致的欠拟合或发散。
FeatureFool：基于特征图的视频模型零查询欺骗攻击
FeatureFool: Zero-Query Fooling of Video Models via Feature Map
对做视频模型安全与鲁棒性评测的人，这篇给出了一个无需查询、仅靠特征图迁移即可生成对抗视频的范式，可直接用于测试视频分类器与 Video-LLM 的对抗脆弱性，并提供了 SSIM/PSNR/时序一致性三项隐蔽性评估口径。
FastRef：面向少样本工业异常检测的快速原型精炼
FastRef: Fast Prototype Refinement for Few-shot Industrial Anomaly Detection
把推理阶段的查询特征通过可优化传输矩阵做线性重构，并用最优传输约束抑制异常重构，这套「测试时原型精炼」思路可直接迁移到任何基于原型的少样本检测/分割流程中，无需重训练即可提升表征代表性。
FORCE：通过特征过度依赖校正实现可迁移的视觉越狱攻击
FORCE: Transferable Visual Jailbreaking Attacks via Feature Over-Reliance CorrEction
对做多模态大模型红队与安全评测的人，这篇给出了一个可复用的攻击优化思路：用损失景观平坦化（类似 sharpness-aware 优化）加频域语义重加权，把视觉对抗扰动从高曲率窄区域推向平坦可行域，从而提升跨模型迁移性；这套「平坦化+频域重标定」也可迁移到对抗样本迁移性、模型鲁棒性诊断等视觉安全问题。
FB-CLIP：基于前景-背景解耦的细粒度零样本异常检测
FB-CLIP: Fine-Grained Zero-Shot Anomaly Detection with Foreground-Background Disentanglement
对做视觉异常检测的人，这篇给出了一个可复用的思路：用 CLIP 的文本端多粒度表示（EOT、全局池化、注意力加权词元）配合视觉端沿身份/语义/空间三个维度的软分离与背景抑制，缓解前景背景特征纠缠；SCR 用正常/异常文本原型对齐图像特征，可直接迁移到其他零样本定位任务。
揭示功能融合：动态提示架构中的一类新型策略后门
Exposing Functional Fusion: A New Class of Strategic Backdoor in Dynamic Prompt Architectures
揭示了动态视觉提示架构（如VPT）中一种新的后门攻击范式——功能融合，即恶意逻辑与良性任务效用紧密耦合于同一稀疏参数核心，导致剪枝防御必然破坏良性性能；这对设计鲁棒的参数高效微调方法和防御策略具有直接启发。
通过推理时自反思记忆演化多模态大语言模型的上下文安全
Evolving Contextual Safety in Multi-Modal Large Language Models via Inference-Time Self-Reflective Memory
提出上下文安全基准 MM-SafetyBench++ 和免训练框架 EchoSafe，通过自反思记忆库在推理时积累和检索安全经验，为视觉语言模型的安全对齐提供可复用的推理时自适应思路。
证据变换网络：将预训练模型转化为证据模型以进行事后不确定性估计
Evidential Transformation Network: Turning Pretrained Models into Evidential Models for Post-hoc Uncertainty Estimation
对视觉研究者而言，ETN 提供了一种即插即用的后处理手段：只需在冻结的预训练分类器 logit 上学习一个样本相关的仿射变换，就能把任意现成模型转成可输出 Dirichlet 证据量的模型，用于 OOD 检测与置信度校准，无需重训或多次前向。
以扩展 Logit 归一化增强分布外检测
Enhancing Out-of-Distribution Detection with Extended Logit Normalization
ELogitNorm 是一个无超参的训练期正则目标，可直接替换交叉熵训练来提升任意 post-hoc OOD 打分函数（MSP、能量分数等）的效果，同时改善 ID 置信度校准；做视觉分类模型部署时可直接套用，无需改动推理流程。
能量波动化与再分配用于测试时自适应：一个控制系统的视角
Energy Waveify and Redistribution for Test-Time Adaptation: A Control System Perspective
用复值波函数与概率流守恒替代朗之万/蒙特卡洛迭代采样来更新能量模型，可作为一种免随机采样的测试时自适应模块，直接插入依赖能量模型的视觉分类或分割流程中以降低自适应延迟。
面向泛化AI生成图像检测的生成签名监督学习
Enabling Supervised Learning of Generative Signatures for Generalized AI-Generated Images Detection
用随机架构与参数的动态重建器在真实图像上模拟生成痕迹，以重建残差作为代理监督训练痕迹提取器，为缺乏真值的取证类任务（如伪造检测、篡改定位）提供了一条可复用的监督构造思路。
消除后门攻击引发的距离差异：层选择性训练与裁剪以掩码后门模型
Eliminate Distance Differences Induced by Backdoor Attacks: Layer-Selective Training and Clipping to Mask Backdoor Models
提出层选择性的后门植入策略，通过定位对后门目标最敏感的层并裁剪非敏感层来缩小后门模型与干净模型的参数距离，为视觉模型在联邦学习场景下的后门攻防研究提供了可复用的隐蔽性增强手段。
Editprint：基于自增强训练编辑指纹的通用数字图像取证
Editprint: General Digital Image Forensics via Editing Fingerprint with Self-Augmentation Training
把「成像/编辑/传输处理链」当作可自增强构造的监督信号，用文本描述编辑链做语言引导对比学习，只需极少无标注数据即可学到跨相机、跨编辑的通用取证表征；做图像溯源、合成图检测或数据来源可信度研究时，可直接复用其在线编辑池与对比监督范式。
EcoAlign：一种经济理性的高效 LVLM 对齐框架
EcoAlign: An Economically Rational Framework for Efficient LVLM Alignment
把 LVLM 的推理过程建模为带预算约束的思维图搜索，用前向净现值式打分和短板原则约束路径安全，可作为视觉语言模型推理时防御越狱的可复用框架，也可用于在有限算力下权衡安全与效用的解码策略设计。
所有权回声：面向MLLM版权保护的对抗引导双注入方法
Echoes of Ownership: Adversarial-Guided Dual Injection for Copyright Protection in MLLMs
提出一种通过对抗优化生成触发图像的方法，可复用于多模态模型的版权验证与模型溯源，其双注入策略（文本一致性损失回传与CLIP特征对齐）为视觉触发设计提供了可借鉴的对抗样本生成思路。
动态词元重加权：面向鲁棒视觉语言模型
Dynamic Token Reweighting for Robust Vision-Language Models
对做视觉语言模型安全的研究者，这篇给出了一个无需额外训练、不改图像输入的推理时防御手段：通过优化 KV 缓存动态调整视觉词元权重，可直接插到现有 VLM 的推理流程里，用来抵御对抗性视觉输入，同时保持正常任务性能。
DualMirage：利用轮廓与对抗错觉的 CAPTCHA 猎捕隐蔽多模态大语言模型智能体
DualMirage: Hunting Stealthy Multimodal LLM Agents via CAPTCHAs with Contour and Adversarial Illusions
利用人类与机器感知差异设计 CAPTCHA，通过轮廓错觉和对抗扰动探测 MLLM 智能体，为视觉对抗攻击与多模态安全评估提供新思路。
双原型引导的多任务学习用于无监督异常检测与分类
Dual-Prototype-Guided Multi-task Learning for Unsupervised Anomaly Detection and Classification
对做工业/医学异常检测的人，这篇提供了用正常原型与类别原型做显式特征解耦、并用差分门控交互与几何正则缓解多任务梯度冲突的框架，可直接迁移到需要同时定位异常区域并判别异常类型的视觉检测系统。
Drainage：一个应对类别不确定性的统一框架
Drainage: A Unifying Framework for Addressing Class Uncertainty
在分类网络输出端加一个可微的 drainage 节点，把概率质量重新分配给不确定性，为噪声标签、实例相关/非对称噪声和 OOD 样本提供统一的拒识出口；做噪声标签或开集识别时可直接替换 softmax 头，并顺带获得数据集清洗能力。
视觉语言模型会泄露所学内容吗？自适应词元加权模型反演攻击
Do Vision-Language Models Leak What They Learn? Adaptive Token-Weighted Model Inversion Attacks
提出基于词元梯度加权的模型反演攻击方法 SMI-AW，可复用于评估视觉语言模型在训练数据隐私泄露方面的脆弱性，为隐私保护防御提供攻击基准。
多样性优于一致性：重新思考生成图像检测中的表征
Diversity over Uniformity: Rethinking Representation in Generated Image Detection
提出反特征坍缩学习框架，通过过滤任务无关成分并抑制伪造线索在表征空间中的过度重叠，保持多样化的判断视角，从而提升生成图像检测模型对未见生成机制的泛化能力。
面向鲁棒目标检测的分布对齐多模态融合
Distribution-Aligned Multimodal Fusion for Robust Object Detection
冻结预训练检测器、只训练轻量融合模块，并把融合特征对齐到检测器最优工作的预训练分布，这一思路可直接迁移到任何多模态或跨域检测的适配场景，避免针对训练退化过拟合。
差分隐私二维人体姿态估计
Differentially Private 2D Human Pose Estimation
将差分隐私训练引入2D人体姿态估计，通过梯度子空间投影和特征级隐私机制在形式化隐私约束下显著降低噪声方差，为视觉任务在敏感数据上的隐私保护部署提供了可复用的DP-SGD改进方案。
词典对齐的概念控制：面向多模态大语言模型的安全防护
Dictionary-Aligned Concept Control for Safeguarding Multimodal LLMs
对做多模态视觉语言模型的人，这篇给出了一个推理时无需重训的激活干预方案：用图像-描述刺激构建的概念词典初始化 SAE，并对 SAE 原子自动语义标注，从而在冻结模型上做细粒度概念级引导，可直接迁移到视觉模型的安全对齐或概念编辑。
通过因果发现与双模态安全子空间投影诊断并修复视觉语言模型中的不安全通道
Diagnosing and Repairing Unsafe Channels in Vision-Language Models via Causal Discovery and Dual-Modal Safety Subspace Projection
提供了一套可复用的诊断-修复范式：先用因果中介分析定位导致不安全行为的神经元与层，再通过广义特征分解在良性与恶意激活之间学习视觉/文本双模态安全子空间，并在推理时动态投影激活。做多模态安全对齐或激活引导的研究者可直接借用该子空间构造与混合融合机制来抑制不安全特征而不损伤语义保真度。
通过相位谱鲁棒性检测压缩后的AI生成图像
Detecting Compressed AI-Generated Images via Phase Spectrum Robustness
利用压缩下仍稳定的相位谱作为跨模态线索，并通过多域调制适配器实现参数高效微调，为视觉取证类任务提供了一条不依赖原图-压缩图配对与压缩标签的鲁棒特征融合思路。
通过迭代流形偏离放大检测AI生成伪造
Detecting AI-Generated Forgeries via Iterative Manifold Deviation Amplification
把冻结的MAE重建残差当作「真实性先验」，并用粗定位结果反向提示MAE解码器放大可疑区域的重建失败，这一闭环思路可直接迁移到任意需要「偏离正常流形」检测的视觉任务（如异常检测、深度伪造定位）。
为遗忘而设计：用于机器遗忘的深度半参数模型
Designing to Forget: Deep Semi-parametric Models for Unlearning
把「遗忘」从改参数的后处理问题转成架构设计问题：用融合模块聚合每个训练样本的信息，测试时直接删除样本即可完成遗忘，无需重训或微调，为视觉模型的数据删除合规与版权数据移除提供可复用范式。
通过双阶段权重保护防御未授权模型合并
Defending Unauthorized Model Merging via Dual-Stage Weight Protection
对做模型合并、多任务权重插值（如 task arithmetic、TIES-merging）的视觉研究者，这篇给出了一个可复用的防御视角：通过 L2 正则化重分布层间任务信息并注入结构化扰动错开任务子空间，使合并后的权重落入破坏性干涉区；反过来也可用于诊断自己合并流程对权重几何的敏感性。
面向少样本异常检测的缺陷线索保留结构特征细化
Defect Cue-Preserved Structural Feature Refinement for Few-Shot Anomaly Detection
把「深层特征提取过程中缺陷线索逐渐衰减」作为异常检测失败的主因，并用早期异常线索图作为重建式定位的注意力锚点，这一「线索保留+锚定」思路可直接迁移到任何基于重建或特征比对的无监督/少样本缺陷检测流程中。
DeepProtect：利用身份混合与属性失真的主动式换脸防御
DeepProtect: Proactive Face-Swapping Defense using Identity Blending and Attribute Distortion
在潜空间做通道级身份混合、并用文本提示导出的语义方向嵌入不可见对抗水印，可在不产生可见伪影的前提下破坏身份特征提取，为换脸防御与身份隐私保护提供可复用的扰动生成范式。
解耦稳定性与可塑性以实现多模态测试时自适应
Decoupling Stability and Plasticity for Multi-Modal Test-Time Adaptation
针对多模态模型在测试时分布漂移下的适配，提出用特征维度间冗余度诊断偏置模态，并对各模态适配器做稳定/可塑解耦的非对称更新；做视觉-语言模型在线部署或跨域适配时，可直接复用该诊断信号与解耦适配器结构来抑制负迁移与灾难性遗忘。
解耦防御策略的鲁棒图像水印
Decoupling Defense Strategies for Robust Image Watermarking
提出两阶段解耦防御框架：第一阶段通过主要微调编码器、条件更新解码器的对抗训练，将图像移入不可攻击区域而非修改决策边界，从而保持干净精度；第二阶段用带理论保证的约束图像损失和品质感知早停直接优化图像，兼顾失真与再生攻击鲁棒性。该解耦思路可迁移至其他需要同时抵御对抗与失真攻击的视觉任务。
解耦偏置、对齐分布：面向深度伪造检测的协同公平性优化
Decoupling Bias, Aligning Distributions: Synergistic Fairness Optimization for Deepfake Detection
在模型架构层面解耦对人口统计属性敏感的通道、在特征层面对齐整体分布与各群体分布，这套「结构解耦+分布对齐」的双机制可直接迁移到人脸属性识别、人脸验证等易受群体偏置影响的视觉任务中，在不牺牲精度的情况下提升群体公平性。
解构理想噪声校正的失败：三重诊断
Deconstructing the Failure of Ideal Noise Correction: A Three-Pillar Diagnosis
对做噪声标签/弱监督训练的视觉研究者：即使给定 oracle 噪声转移矩阵，基于 T 的校正方法仍会训练崩溃，说明不应再把精力放在提升 T 估计精度上，而应关注校正过程中的优化动力学与信息论上限，可据此重新设计损失或训练调度。
面向噪声标签学习的去偏样本选择
Debiased Sample Selection for Learning with Noisy Labels
针对小损失假设下的类别级与实例级确认偏差，MDA 通过调整预测类别分布使其趋于均匀来公平选样，CCS 利用训练动力学剔除疑似真实标签以抑制错误记忆；两者均为即插即用模块，可直接嵌入现有样本选择器或 LNL 流程，用于提升含噪数据训练的图像分类模型。
跨越偏移的舞蹈：通过动态风格桥接实现前向促进式持续测试时自适应
Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging
用预先生成的类原型配合多层级风格桥接（输入/统计/表征层）替代源域伪标签，为持续测试时自适应提供可靠监督信号，可直接迁移到任何需要在线适应分布偏移的视觉识别流程中。
DFD-HR：通过层级路由学习实现可泛化的深度伪造检测
DFD-HR: Generalizable Deepfake Detection via Hierarchical Routing Learning
把 PEFT 从「少调参数」推进到「调对参数」：层级的自适应早退剪枝加词元级 Spearman 排序筛选，可直接迁移到任何基于 CLIP 的伪造/异常检测或细粒度分类任务中，作为提升跨域泛化的通用微调策略。
DASH：一种合成有效且隐蔽对抗样本的元攻击框架
DASH: A Meta-Attack Framework for Synthesizing Effective and Stealthy Adversarial Examples
DASH 提供了一种可微元攻击框架，通过可学习权重组合多个 Lp 攻击来生成感知对齐的对抗样本，可直接用于评估视觉模型在感知度量约束下的鲁棒性，并为对抗训练提供更贴近人类感知的扰动样本。
面向扩散生成图像检测的跨模态表征学习
Cross-modal Representation Learning for Diffusion-generated Image Detection
提出跨模态对比学习与互蒸馏，将RGB与邻域像素关系模态的特征对齐，学习伪造感知嵌入空间，可直接用于提升扩散生成图像检测的泛化性。
跨架构适配：面向云边持续测试时自适应的动态采样与异构蒸馏
Cross-Architecture Adaptation: Cloud-Edge Continual Test-Time Adaptation with Dynamic Sampling and Heterogeneous Distillation
把云端大 Transformer 教师与边缘轻量 CNN 学生的异构蒸馏用于持续测试时自适应，为视觉模型在分布漂移下的在线部署提供了可复用的跨架构知识迁移与样本筛选方案。
面向长尾识别的混淆感知谱正则化器
Confusion-Aware Spectral Regularizer for Long-Tailed Recognition
把混淆矩阵的谱范数当作可微正则项来压低类间混淆，为长尾分类中「最差类精度」这一可靠性指标提供了有理论上界支撑的训练手段，可直接嵌入现有长尾训练流程。
ConeSep：面向组合图像检索的基于锥体的鲁棒噪声遗忘组合网络
ConeSep: Cone-based Robust Noise-Unlearning Compositional Network for Composed Image Retrieval
针对组合图像检索中三元组标注噪声（尤其是参考图与目标图高度相似但修改文本错误的“硬噪声”）提出噪声边界估计与定向遗忘机制，可复用于任何依赖图文三元组监督的检索/对齐训练流程，用于清洗错误对应关系。
概念引导微调：引导 ViT 远离虚假相关以提升鲁棒性
Concept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
用 LLM 无标签提出类相关概念、VLM 分割成概念掩码，再以微调目标把 ViT 的内部相关性图对齐到这些概念区域并抑制背景，是一种可直接复用的、无需人工标注的鲁棒性微调手段，也可用来提升模型可解释性。
通过服务器端梯度冲突缓解与表达实现计算与通信高效的联邦遗忘
Computation and Communication Efficient Federated Unlearning via On-server Gradient Conflict Mitigation and Expression
为视觉模型在联邦场景下提供可撤销数据贡献的机制：通过服务器端梯度冲突缓解与特征编码实现遗忘，视觉研究者可将其用于隐私合规的分布式训练（如医疗影像联邦模型）中移除特定客户端数据的影响。
面向高效多模态异常检测的互补原型映射
Complementary Prototype Mapping for Efficient Multimodal Anomaly Detection
提出互补原型映射框架，通过共识原型和补充原型动态引导跨模态特征映射，解决无监督多模态异常检测中的映射歧义问题，可复用于工业质检和医学影像的缺陷定位任务。
CoRiM：面向动态多模态融合的冲突驱动风险最小化
CoRiM: Conflict-driven Risk Minimization for Dynamic Multimodal Fusion
提出一种基于模态冲突风险最小化的动态融合范式，其可微风险函数与 Frank-Wolfe 优化框架可被视觉多模态任务（如多模态检测、分割）直接复用，以提升在模态冲突或噪声环境下的鲁棒性。
CamPI：通过相机电源信号注入实现物理对抗样本
CamPI: Physical Adversarial Examples through Camera Power Signal Injection
揭示了一种全新的物理对抗攻击面：通过向相机供电线路注入调制信号，在成像中产生不可见的结构性条纹扰动，并给出白盒/黑盒端到端优化注入参数的方法；对做物理世界视觉系统安全评测的研究者，这提供了一个可仿真的注入扰动模型和一套可复用的攻击参数优化流程。
CSF：基于组合语义的文生图模型黑盒指纹方法
CSF: Black-box Fingerprinting via Compositional Semantics for Text-to-Image Models
提出一种仅靠查询访问即可对微调文生图模型进行谱系归因的黑盒指纹方法，其组合语义探测思路可迁移到模型溯源、版权保护与微调检测等视觉安全场景。
CGU-Bayes：因果图不确定性引导的贝叶斯推断用于域泛化
CGU-Bayes: Causal Graph Uncertainty-Guided Bayesian Inference for Domain Generalization
将因果图的后验不确定性作为贝叶斯推断的权重因子，为视觉域泛化提供了一种可量化因果结构可靠性的通用手段，可迁移到任何依赖因果图进行特征选择的视觉任务中。
CD-Buffer：面向恶劣天气目标检测测试时自适应的互补双缓冲框架
CD-Buffer: Complementary Dual-Buffer Framework for Test-Time Adaptation in Adverse Weather Object Detection
提出以特征级域偏移度量为驱动的减法（去除域敏感通道）与加法（轻量特征精炼）双缓冲耦合机制，可即插即用地用于任意检测器在恶劣天气下的在线自适应，为处理不同严重程度分布偏移提供了按通道自适应平衡的通用思路。
绕过传输计划：基于最优传输动态重加权的分布外检测
Bypassing the Transport Plan: Dynamic Reweighting for Out-of-Distribution Detection with Optimal Transport
把 OOD 检测建模为半不平衡最优传输，并利用源分布权重的动态重加权直接得到伪 OOD 分数，绕开求解传输计划；做开放集半监督训练或需要无标签 OOD 打分时可直接复用这一打分模块。
弥合领域专业知识与泛化能力以实现性能估计
Bridging Domain Expertise and Generalization for Performance Estimation
在无标签测试集上估计模型真实性能时，可借用外部基础模型的预测作为参考信号，通过温度缩放校准对齐分布后再做置信度加权融合，缓解分布偏移下模型自身输出偏差被放大的问题；这套参考分布构造思路可直接迁移到视觉模型的部署前评估与模型选择。
以视频驱动的提示突破多模态大模型安全
Breaking Multimodal LLM Safety via Video-Driven Prompting
对做多模态大模型安全与对齐的研究者，这篇给出了一个可复用的攻击构造思路：把有害内容与多样、安全邻近的帧交错注入排版视频，利用视频帧多样性降低表征与安全视频的差异，从而绕过系统提示与安全对齐；也可作为评测视频模态安全鲁棒性的红队基线。
自举多视图学习以应对测试时噪声对应
Bootstrapping Multi-view Learning for Test-time Noisy Correspondence
针对推理阶段跨视图异步采样导致的错配，BML 用可控噪声增强构造训练集并训练轻量估计器输出可靠性权重来调制融合，可直接迁移到多传感器/多模态融合（如 RGB-深度、多相机 BEV）在部署时出现错配的鲁棒融合环节。
BlackMirror：基于指令-响应偏差的文本到图像模型黑盒后门检测
BlackMirror: Black-Box Backdoor Detection for Text-to-Image Models via Instruction-Response Deviation
提出一种免训练、可插拔的黑盒后门检测思路：不依赖图像级相似度，而是把生成图像中的局部语义模式与指令对齐，并在多提示下检验偏差稳定性，可直接用于 MaaS 场景下对第三方文生图模型的审计。
针对图像生成模型预训练数据的黑盒成员推理攻击
Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models
对做扩散模型数据溯源与版权审计的研究者，这篇给出了一个仅依赖黑盒去噪行为的成员推理信号：同时扰动可疑图像与其对应文本指令，观察跨模态去噪响应差异，可在无法访问内部特征的主流闭源平台上判断预训练数据是否被使用。
分数末端的偏差
Bias at the End of the Score
对做 T2I 生成与奖励引导优化（如 RLHF/DRaFT 类微调、数据集筛选）的研究者，这篇审计提示：奖励模型本身携带人口统计偏差，用它做监督信号会系统性地放大性别/种族刻板印象并压缩多样性；在搭建奖励反馈管线时，应把奖励模型的偏差审计与去偏作为必要环节，而非只关注 reward hacking 与模式坍塌。
偏见是子空间而非坐标：对视觉语言模型事后去偏的几何再思考
Bias Is a Subspace, Not a Coordinate: A Geometric Rethinking of Post-hoc Debiasing in Vision-Language Models
把「偏见分布在低维线性子空间而非个别坐标」这一几何视角，转化为可直接套用的后处理去偏算子：在嵌入空间做子空间投影并回填中性均值，可复用于CLIP类模型的零样本分类、图文检索与生成，无需重训练。
偏见进，偏见出？在原始模型中发现无偏子网络
Bias In, Bias Out? Finding Unbiased Subnetworks in Vanilla Models
提出通过剪枝从标准训练模型中提取无偏子网络，无需额外数据或重训练，为视觉模型去偏提供高效的结构化方法，可复用于其他公平性任务。
超越[CLS]词元：查询驱动的词元级伪造净化用于可泛化深度伪造检测
Beyond [CLS] Token: Query-Driven Token-Level Forgery Purification for Generalizable Deepfake Detection
针对ViT基础模型在深度伪造检测中[CLS]词元偏向全局语义的问题，提出可学习的查询词元聚合多图像块证据，并设计伪造似然对比损失与真实注意力对齐约束，为利用视觉基础模型做细粒度取证提供了可复用的词元级特征重组方案。
优于平均：分割不确定性的空间感知聚合提升下游任务性能
Better than Average: Spatially-Aware Aggregation of Segmentation Uncertainty Improves Downstream Performance
对做分割不确定性量化的视觉研究者，本文系统比较了像素级不确定性到图像级分数的聚合策略，并给出利用空间结构的聚合器与元聚合器，可直接用于 OoD 检测与分割失败检测的下游流程。
Batman：联邦后门攻击中通过恶意零空间实现良性知识对齐
Batman: Benign Knowledge Alignment Through Malicious Null Space in Federated Backdoor Attack
对做视觉模型安全与联邦训练的研究者，这篇给出了一个可复用的思路：把良性知识约束到恶意更新张成的零空间正交补中，从而在共享参数空间里解耦攻击子空间与正常表征，可用于设计更难被检测的投毒/后门方案，也可反过来启发基于子空间正交性的后门检测与去除方法。
回归源头：通过域补偿实现开放集持续测试时自适应
Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation
把「域补偿提示词」作为可复用手段：仅用疑似 ID 样本对齐源域特征统计（一阶/二阶矩）来学习提示词，再传播到同批次 OOD 样本上，从而在持续变化的域中同时稳住分类与 OOD 检测；做测试时自适应或开放集部署时可直接借用这套样本拆分+提示词传播的闭环。
BD-Merging：证据引导对比学习的偏差感知动态模型合并
BD-Merging: Bias-Aware Dynamic Model Merging with Evidence-Guided Contrastive Learning
对做多任务视觉模型部署的人，这篇给出了一套在测试时分布偏移下仍可靠的无监督模型合并方案：用证据检测头建模统一标签空间上的不确定性，再用邻域证据差异分数（ADS）驱动对比学习训练去偏路由器，按样本动态分配任务/层权重。可直接复用到多任务检测、分割等模型的免数据合并与测试时自适应场景。
BALM：面向不均衡缺失率下均衡多模态学习的模型无关框架
BALM: A Model-Agnostic Framework for Balanced Multimodal Learning under Imbalanced Missing Rates
针对各模态缺失概率不一致（IMR）的场景，BALM 的特征校准模块用全局上下文重建单模态特征、梯度再平衡模块从分布与空间两个角度调节梯度幅值与方向，可作为即插即用模块嵌入多模态骨干，直接用于视觉-音频-文本多模态识别中缺失鲁棒性的提升。
按需授权：面向视觉语言模型的动态授权与合法性感知知识产权保护
Authorize-on-Demand: Dynamic Authorization with Legality-Aware Intellectual Property Protection for VLMs
为 VLM 部署提供可动态切换的授权域机制与合法性判别分支，视觉研究者可借鉴其双路径推理设计，在保持授权域任务性能的同时检测越界输入，用于模型分发与滥用防护。
归因引导的不可靠神经网络行为模型矫正
Attribution-Guided Model Rectification of Unreliable Neural Network Behaviors
用秩一模型编辑加逐层归因定位，在几乎不重训、仅需一张干净样本的条件下修正视觉模型对非鲁棒特征的依赖（如神经木马、虚假相关），为视觉模型的可信部署提供了一种低成本的后处理修复手段。
归因即检索：模型无关的AI生成图像溯源
Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution
把AI生成图像溯源从闭集分类改写为实例检索，配合低比特平面指纹与无监督预训练+少样本适配，使视觉取证系统无需访问生成模型即可泛化到未见过的生成器，可直接复用于深度伪造检测与来源归因。
AntiStyler：利用风格移除防御目标检测模型对抗对抗补丁攻击
AntiStyler: Defending Object Detection Models Against Adversarial Patch Attacks Using Style Removal
提供了一种无需训练、模型无关的对抗补丁防御前处理：通过识别具有攻击性“随机”风格的像素并生成掩码，再用空间滤波增强掩码，可直接插到任意实时目标检测器前，兼顾干净图像性能与10-12 FPS的推理速度。
Anti-I2V：保护你的照片免受恶意图像到视频生成侵害
Anti-I2V: Safeguarding your Photos from Malicious Image-to-video Generation
针对 DiT 架构的视频扩散模型提出跨骨干的对抗扰动防御，在 L*a*b* 与频域联合优化噪声，并定位去噪过程中语义特征最强的网络层来设计训练目标，可直接迁移到图像/视频生成模型的版权保护与防滥用攻击设计。
AnomalyVFM——将视觉基础模型转化为零样本异常检测器
AnomalyVFM -- Transforming Vision Foundation Models into Zero-Shot Anomaly Detectors
把任意预训练视觉基础模型（如 DINOv2、RADIO）通过低秩特征适配器加置信度加权像素损失改造成零样本异常检测器，并给出三阶段合成异常数据生成方案，可直接复用于工业质检等无监督缺陷定位场景。
面向跨域异常检测的异常相关残差场
Anomaly-Related Residual Fields for Cross-domain Anomaly Detection
把扩散模型反向过程的残差按时间步演化建模为「残差演化场」，用平稳性区分正常变异与异常信号，这一思路可直接迁移到任何基于重建/生成残差的视觉异常检测与OOD检测流程中，并配合跨域场对齐实现无标签目标域适配。
以非一致性为异常：通过免训练图拉普拉斯能量最小化进行异常检测
Anomaly as Non-Conformity via Training-Free Graph Laplacian Energy Minimization
把「查询图像块偏离正常特征流形的程度」量化为带锚定正常节点的二部图拉普拉斯能量的闭式解，异常分数取满足正常性约束所需的特征更新幅度；这一「优化诱导特征漂移」可作为免训练、无参数的异常打分算子，直接替换基于余弦相似度的记忆库检索，用于工业缺陷检测与医学异常定位。
锚定多模态推理器的心智：认知偏差作为越狱攻击的向量
Anchoring the Mind of Multimodal Reasoners: Cognitive Bias as a Vector for Jailbreak Attacks
提出利用认知锚定效应构造跨模态安全锚点（结构化视觉思维导图）来诱导多模态大模型推理链，为视觉安全对齐与越狱防御提供了新的攻击面与评测思路。
All in One：以鲁棒关键点-身份水印统一深度伪造检测、篡改定位与来源溯源
All in One: Unifying Deepfake Detection, Tampering Localization, and Source Tracing with a Robust Landmark-Identity Watermark
把 152 维人脸关键点与来源标识交织成结构化水印，并用回归/分类双头解码器从共享骨干特征中稳健恢复，为视觉取证提供了一种可同时完成检测、定位与溯源的主动式嵌入-提取范式。
所有车辆都可能说谎：通过伪随机贝叶斯推理在全不可信车辆协同感知中实现高效对抗防御
All Vehicles Can Lie: Efficient Adversarial Defense in Fully Untrusted-Vehicle Collaborative Perception via Pseudo-Random Bayesian Inference
针对全不可信车辆协同感知场景，提出利用时序感知差异和伪随机分组进行贝叶斯推理的防御框架，仅需每帧两次验证即可估计恶意车辆数量与身份，为车路协同感知的对抗鲁棒性提供了可复用的验证调度与推理机制。
对抗风格优化：通过基于GRPO的风格触发器优化增强VLM越狱
Adversarial Style Optimization: Enhancing VLM Jailbreaks by GRPO-based Stylistic Triggers Optimization
提出了一种基于GRPO优化图像编辑模型来叠加风格触发器的即插即用模块，可增强现有视觉越狱攻击的成功率，为多模态大模型的安全评估和红队测试提供了可复用的风格扰动优化框架。
AdvFM：面向不可察觉且可迁移对抗样本的前瞻流匹配速度场攻击
AdvFM: Lookahead Flow-Matching Velocity-Field Attacks for Imperceptible and Transferable Adversarial Examples
将对抗扰动注入流匹配的速度场而非像素空间，利用高斯平滑降低梯度方差并提升迁移性，为生成式对抗攻击提供了一种可复用的连续时间动力学视角。
面向多模态失败检测的自适应置信度正则化
Adaptive Confidence Regularization for Multimodal Failure Detection
为多模态视觉模型（如RGB+深度+光流的自动驾驶感知）提供了一种可复用的失败检测训练策略：用自适应置信度损失约束多模态预测置信度不低于单模态分支，并用特征交换合成失败样本作为难负例，可直接嵌入现有多模态融合框架提升拒识能力。
面向高效不可迁移学习的自适应贝叶斯早退网络
Adaptive Bayesian Early-Exit Networks for Efficient Non-Transferable Learning
对视觉模型部署者而言，这是一种用动态早退分类器实现「源域可用、目标域失效」的访问控制手段：只需训练各出口分类器而不重训骨干网络，即可在推理时按出口位置区分源域与目标域数据，为模型版权保护与受限发布提供可复用范式。
Adapter Shield：内置认证的统一框架，用于阻止未经授权的零样本图像到图像生成
Adapter Shield: A Unified Framework with Built-in Authentication for Preventing Unauthorized Zero-Shot Image-to-Image Generation
针对零样本图像到图像生成中的身份/风格盗用，提出可逆加密嵌入加多目标对抗扰动，把图像编码器输出的嵌入推向指定加密模式；做扩散模型安全、水印或个性化生成防护的研究可直接复用这套「嵌入层加密+对抗偏移」思路。
AdapAction：针对 GUI 智能体的自适应目标动作后门攻击
AdapAction: Adaptive Target Action Backdoor Attack against GUI Agents
对做多模态 GUI 智能体或 VLM 智能体安全的研究者，这篇给出了一个「上下文感知型后门」的攻击范式：触发器不再映射到固定动作，而是让模型按当前界面状态与指令自行选择语义连贯的恶意动作，因此基于指令一致性、视觉连贯性、安全性的 LLM 防御难以识别；可作为构建智能体安全评测与防御（如动作级一致性校验、状态-动作因果审计）的基线攻击。
激活很重要：面向视觉语言模型 OOD 检测的测试时激活负标签
Activation Matters: Test-time Activated Negative Labels for OOD Detection with Vision-Language Models
对做开放世界视觉识别的人，这篇给出了一个免训练、测试时在线挖掘高激活负标签的 OOD 检测流程：用测试样本在语料标签上的累积分配概率构造标签激活指标，并配合激活感知打分函数，可直接插到 CLIP 类 VLM 的零样本推理管线上，替代固定的远距离负标签集合。
AcTTA：通过动态激活重新审视测试时自适应
AcTTA: Rethinking Test-Time Adaptation via Dynamic Activation
把激活函数（ReLU/GELU）重参数化为可学习的阈值偏移与梯度敏感度调制，在测试时只更新这组极少量参数即可应对域偏移，为视觉模型部署时提供了一种比调归一化层更轻量、无需源数据的 TTA 手段。
ARGUS：通过引导指令遵循行为防御多模态间接提示词注入
ARGUS: Defending Against Multimodal Indirect Prompt Injection via Steering Instruction-Following Behavior
对做多模态大模型视觉侧安全的人，这篇给出了一个与模态无关的表征空间干预手段：在指令遵循子空间内搜索与效用退化方向解耦的引导方向，并配合自适应强度与按需触发的轻量检测，可直接迁移到图像/视频输入下的越狱与注入防御。
ANTS：通过测试时 MLLM 理解与推理实现 OOD 检测的自适应负文本空间塑造
ANTS: Adaptive Negative Textual Space Shaping for OOD Detection via Test-Time MLLM Understanding and Reasoning
把 MLLM 当作测试时的『负空间生成器』：缓存疑似 OOD 图像与视觉相似的 ID 类，用提示词让 MLLM 分别生成描述性负句和近邻负标签，再用自适应加权分数融合，可直接迁移到任何基于 CLIP 式文本空间的 OOD 检测或开放词表识别流程中，且无需训练。
AGFT：面向视觉语言模型零样本对抗鲁棒性的对齐引导微调
AGFT: Alignment-Guided Fine-Tuning for Zero-Shot Adversarial Robustness of Vision-Language Models
提出用原始模型软预测做文本引导的对抗微调，并用温度缩放分布一致性校准保持跨模态对齐，可直接迁移到CLIP类模型的对抗鲁棒性提升。
AGENTSAFE：面向危险指令的具身智能体安全基准
AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions
对做 VLM 具身智能体的视觉研究者，SAFE 提供了可复用的对抗仿真沙盒与通用适配器（把高层 VLM 输出映射到低层具身控制），以及按感知-规划-执行分阶段诊断的评测协议，可用于定位「识别到危险却无法转化为安全规划」这一具体失效环节。
视觉模型中对抗性成员操纵的统一视角
A Unified Perspective on Adversarial Membership Manipulation in Vision Models
对做视觉模型隐私评估的人，这篇论文指出成员推理攻击（MIA）本身存在对抗脆弱面：不可感知扰动可把非成员图像推入成员区域，并给出基于梯度范数坍缩轨迹的检测与鲁棒推理方案，可直接用于加固 MIA 评测流程或设计更可信的隐私审计工具。
一种可证明的能量引导测试时防御方法提升大型视觉语言模型的对抗鲁棒性
A Provable Energy-Guided Test-Time Defense Boosting Adversarial Robustness of Large Vision-Language Models
ET3 提供了一种无需训练、在推理阶段即可使用的防御手段：通过对输入样本做能量最小化的测试时变换来削弱对抗扰动，可直接套用到 CLIP 零样本分类以及 LVLM 的图像描述、VQA 等下游流程中，为视觉模型部署增加一层轻量防护。
一种用于检测AI生成图像的双重差分方法
A Difference-in-Difference Approach to Detecting AI-Generated Images
把重建误差从一阶差分升级为二阶差分（difference-in-difference）来降低方差，这一思路可直接迁移到任何基于重建/残差信号的取证与异常检测流程中，例如扩散模型指纹检测或图像篡改定位。
面向AI生成图像免训练检测的去偏重建框架
A Debiased Reconstruction-based Framework for Training-Free Detection of AI-Generated Images
对做视觉研究的人，这篇论文提供了一个可直接复用的免训练检测信号：用旋转与低通滤波增强来归一化LDM的图像级重建误差，抵消背景偏置；同时把潜变量级重建误差经旋转归一化后作为补充信号，二者统一为RDD分数，可在无检测训练数据时跨多种生成模型使用。
噪声与双边滤波的结合在 CNN 中实现超线性且可扩展的对抗鲁棒性
A Combination of Noise and Bilateral Filters Achieve Supralinear and Scalable Adversarial Robustness in CNNs
把「高斯噪声 + 双边滤波」当作零成本前置预处理模块，可直接插到任意 CNN 或对抗训练流程前，在几乎不增加推理开销的前提下提升对 AutoAttack 等攻击的鲁棒性，为视觉模型部署提供可复用防御组件。
一种具有跨模态和跨任务效用保证的视觉语言模型去偏闭式解
A Closed-Form Solution for Debiasing Vision-Language Models with Utility Guarantees Across Modalities and Tasks
提出一种无需训练、无需标注数据的闭式去偏方法，可同时去偏视觉和文本模态，在保持任务性能的同时实现帕累托最优公平性，可直接用于零样本图像分类、文本到图像检索和生成等视觉任务。
源模型泄露了不应泄露的信息：通过对抗优化在域自适应中遗忘零样本迁移
$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization
提出在无源域自适应中通过对抗优化遗忘源域独有类的方法，可复用于视觉模型跨域部署时的隐私保护与知识擦除。