Topic · 219 篇
自监督与表征学习
不依赖人工标注，从数据本身构造监督信号。
这个方向的收录判据
不依赖人工标注，从数据本身构造监督信号学习表征。包括对比学习（SimCLR/ MoCo/DINO）、掩码建模（MAE/BEiT）、预训练策略、迁移学习、few-shot/ zero-shot 泛化、持续学习。判据：贡献在于"如何学特征"而非"如何解任务"。
本方向全部 219 篇
你的差异性定义了你：利用类别多样性进行互补学习
Your Dissimilarities Define You: Complementary Learning Exploiting Class Diversities
把「非目标类」整体建模为一个 opposite-class 并对其激活分布做显式约束，可作为分类头/损失层的即插即用正则项，配合神经坍缩分析改善特征几何，适用于开放集、少样本与域泛化的视觉分类骨干训练。
当线条遇上纹理：面向跨稀疏度对应的空间-频率对齐扩散特征
When Lines Meet Textures: Spatial-Frequency Aligned Diffusion Features for Cross-Sparsity Correspondence
把扩散模型中间层特征当作免训练的描述子来做稀疏线条图与纹理照片之间的匹配，并指出仅做空间对齐不够、需在频域聚合低频分量以抹平纹理密度差异——这套双域对齐思路可直接迁移到草图检索、跨模态配准、线稿上色等需要跨越抽象层级差异的匹配任务。
通过神经场适配进行权重空间表征学习
Weight Space Representation Learning via Neural Field Adaptation
把预训练神经场的乘性低秩适配权重本身当作图像/3D 场景的表征，可直接接入潜变量扩散模型做生成，为视觉研究提供了一条绕开像素或特征编码器的「权重即表征」路线，可用于少样本重建与权重空间编辑。
视觉语言模型引导的最优传输无源域自适应
Vision-Language Model Guided Source-Free Domain Adaptation via Optimal Transport
用预训练 VLM 的语义先验替代不可靠伪标签来构造目标特征与源原型的 OT 匹配，并配合模型↔VLM 双向蒸馏交替训练，可作为无源域自适应、测试时无标签迁移场景下替代伪标签自训练的通用范式。
视觉 Transformer 需要的不仅是寄存器
Vision Transformers Need More Than Registers
论文指出 ViT 的 CLS 令牌会通过全局注意力把语义无关的背景图像块当作捷径来聚合全局语义，并给出一种选择性聚合图像块特征的方案；做视觉表征学习或下游微调时，可以直接替换 CLS 令牌的聚合方式，以抑制背景主导的伪影。
ViT$^3$：释放视觉中的测试时训练
ViT$^3$: Unlocking Test-Time Training in Vision
把注意力重写为测试时的在线学习问题，用键值对在线构建紧凑内模型，为视觉主干提供线性复杂度且可并行化的替代方案；做视觉骨干替换或长序列/高分辨率视觉建模时，可直接把 ViT^3 当作 Mamba、线性注意力的对照基线。
解锁强监督：通用音频预训练方法的数据中心研究
Unlocking Strong Supervision: A Data-Centric Study of General-Purpose Audio Pre-Training Methods
该论文的数据中心视角（高质量标注数据优先于预训练目标选择）对视觉预训练有直接借鉴意义：可复用其高保真标注生成流程与统一标签系统构建方法，并启示视觉领域在扩大预训练数据时优先提升数据质量与覆盖度。
解锁预训练权重：面向零样本初始化的参数继承
Unlocking Pre-trained Weights: Parameter Inheritance for Zero-Shot Initialization
对视觉研究者而言，这是一种无需微调即可为任意配置的 ViT 等骨干网络生成可用初始权重的参数投影机制，可直接用于新架构的快速冷启动与预训练权重复用。
解锁手术器械增量学习中的正迁移：自反思层级提示词框架
Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework
在冻结的预训练骨干上，用层级提示词树组织类别知识，并通过有向加权图传播做自反思式知识精炼，为视觉中的类增量分割提供了一种可复用的正迁移机制，可直接迁移到其他增量分割或增量检测设定。
通用指南驱动的图像聚类：一种混合 LLM 智能体框架
Universal Guideline-Driven Image Clustering via a Hybrid LLM Agent
把文本指南作为跨场景聚类的统一接口，并用概念代理生成指南感知的嵌入，这为无监督视觉表征学习提供了一种不依赖任务特定训练就能适配新聚类准则的思路；基于最小生成树的 LLM 遍历则给出了一种只在语义歧义处调用大模型推理的省算力策略。
独特人生，共享世界：从单人生视频中学习
Unique Lives, Shared World: Learning from Single-Life Videos
提出仅用单个人第一人称视频进行自监督训练视觉编码器的范式，并设计跨注意力指标量化不同模型内部表征的功能对齐，为利用无标注个人视频学习通用几何表征提供了新思路。
UniRefiner：通过对比寄存器教预训练ViT自行处置伪影
UniRefiner: Teaching Pre-trained ViTs to Self-Dispose Dross via Contrastive Register
提出用对比寄存器（contrastive registers）在少量微调下净化预训练ViT中的伪影词元，可直接用于提升任何ViT在分割、深度估计等密集预测任务上的空间表征质量。
UniPercept：面向通用视觉感知的统一扩散模型
UniPercept: A Unified Diffusion Model for Generalizable Visual Perception
提出基于扩散模型的基础-适配器范式，用共享DiT骨干学习跨任务通用视觉表征，仅需少量样本和参数即可适配新任务，为视觉感知提供可复用的预训练-微调框架。
理解并强制任务算术中的权重解耦
Understanding and Enforcing Weight Disentanglement in Task Arithmetic
对做视觉模型微调与多任务合并的人，OrthoReg 提供了一个可直接插入微调过程的权重更新正交正则项，用来缓解任务向量相加时的相互干扰，可用于多任务模型合并、个性化编辑与持续微调场景。
U^2Flow：不确定性感知的无监督光流估计
U^2Flow: Uncertainty-Aware Unsupervised Optical Flow Estimation
把增强一致性通过拉普拉斯最大似然转成逐像素不确定性监督，可在无真值场景下为任何光流或匹配网络提供可用的置信度，并用于引导细化与区域平滑权重。
带保证的可调软等变
Tunable Soft Equivariance with Guarantees
把预训练骨干的权重投影到设计好的子空间即可获得可控强度的软等变，并给出等变误差的理论界，视觉研究者可直接把它当作一个免重训的后处理插件，在分类、分割、轨迹预测等任务上按需调节等变程度。
通过预测随时间变化的三维高斯进行跟踪
Tracking by Predicting 3-D Gaussians Over Time
把视频编码为一组随时间运动的高斯泼溅，用重建式自监督预训练让跟踪能力自发涌现；做视频自监督表征或零样本点跟踪的研究者可直接复用这一归纳偏置与高斯轨迹投影到图像平面的读出方式。
TrackMAE：通过轨迹掩码与预测进行视频表征学习
TrackMAE: Video Representation Learning via Track Mask and Predict
把现成点跟踪器产生的稀疏轨迹当作显式重建目标与掩码先验，为视频自监督预训练注入细粒度运动信号；做视频表征学习或运动中心任务时，可直接复用其运动感知管状掩码与轨迹监督设计。
面向视频与时间序列的因果最优传输不确定性感知无监督域自适应
Towards Uncertainty-aware Unsupervised Domain Adaptation for Videos and Time-Series with Causal Optimal Transport
将因果图正则化嵌入最优传输对齐过程，为视频域自适应提供了一种同时对齐特征分布与因果结构的可复用框架，其基于熵与结构一致性的伪标签筛选策略可直接用于提升自训练稳定性。
面向无约束第一人称视频的稳定自监督物体表征
Towards Stable Self-Supervised Object Representations in Unconstrained Egocentric Video
用帧内蒸馏加深度正则化从无标注第一人称视频中自举出稳定的『原型物体』表征，并用教师过滤的时序一致性维持身份，可直接迁移到无监督目标发现与自监督预训练的表征稳定化环节。
面向野外世界稳定联邦持续测试时自适应
Towards Stable Federated Continual Test-Time Adaptation in Wild World
为视觉模型在无标签、客户端顺序到达的野外部署场景提供了一套稳定的在线自适应与聚合机制：用最大后验估计把贝叶斯先验注入本地 TTA 以防漂移，再用不确定性门控决定是否把单客户端更新并入全局模型，可直接迁移到跨域分类/分割的持续部署流程中。
面向少标签的多模态域泛化
Towards Multimodal Domain Generalization with Few Labels
把半监督伪标签与域泛化结合到多模态设定：用融合后各单模态一致的高置信预测生成伪标签，并对不一致样本单独建模，再用跨模态原型对齐约束域不变与模态不变表征——这套「一致性伪标签 + 分歧感知 + 原型对齐」可直接迁移到多模态分类或检索在少标注、跨域、模态缺失时的训练流程。
迈向 3D 场景理解基础模型：面向点云的实例感知自监督学习
Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds
用正交偏移分支在自监督预训练中同时学语义与几何，并用偏移分布正则与空间聚类正则把实例感知注入点云表征，可直接迁移到点云实例分割/全景分割的预训练阶段，减少对全量微调的依赖。
面向多模态持续学习中的动态模态对齐
Towards Dynamic Modality Alignment in Multimodal Continual Learning
把跨模态对齐看作随任务与网络层演化而变化的动态过程，并用多层图正则化约束它，这个思路可直接迁移到视觉-语言模型的持续预训练或增量微调中，用来抑制跨模态表征漂移。
TopoCL：面向医学影像的拓扑对比学习
TopoCL: Topological Contrastive Learning for Medical Imaging
将持续同调得到的拓扑特征（持久图）通过自注意力与交叉注意力编码，并与视觉表征用自适应MoE融合，为医学图像自监督预训练提供了一种可插拔的拓扑感知增强与表征融合方案。
TimeBridge：基于首尾联合嵌入与中间帧预测的自监督视频表征学习
TimeBridge: Self-Supervised Video Representation Learning via Start-End Joint Embedding and In-Between Frame Prediction
用首尾帧的联合嵌入加轻量解码器重建中间帧，把「时序变换建模」变成可复用的自监督预训练目标，可直接迁移到视频分割、部件传播等密集预测任务的特征初始化。
噪声预训练对隐式神经表示的惊人有效性
The Surprising Effectiveness of Noise Pretraining for Implicit Neural Representations
用不同噪声类（均匀、高斯、Dead Leaves、1/|f|^α 频谱）预训练 INR 的初始化参数，可替代数据驱动的初始化方法；其中 1/|f|^α 频谱噪声预训练在信号拟合与去噪逆问题上取得最佳平衡，为缺乏领域数据的 INR 应用提供高效初始化方案。
黄金子空间：持续测试时自适应中效率与泛化的交汇点
The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation
把预训练分类器的行空间当作「黄金子空间」，用样本级平均梯度外积（AGOP）在线估计它，再用轻量适配器把特征投影进去——这套做法可以迁移到任何需要在无源数据、分布偏移下在线更新特征的视觉模型（检测、分割、BEV 感知），且只学一个紧凑缩放向量，几乎不增加推理开销。
魔鬼藏在梯度纠缠中：面向鲁棒广义类别发现的能量感知梯度协调器
The Devil Is in Gradient Entanglement: Energy-Aware Gradient Coordinator for Robust Generalized Category Discovery
把「梯度纠缠」作为可诊断的优化失效模式，并用参考模型锚定有监督梯度方向、用能量系数自适应缩放无监督梯度投影，这套梯度级插件可直接移植到任何半监督/开放词表表征学习流程中，无需改动网络结构。
双先验文本-相位协同网络用于无监督跨域图像检索
Text-Phase Synergy Network with Dual Priors for Unsupervised Cross-Domain Image Retrieval
利用CLIP生成的域特定提示作为文本先验提供语义监督，并引入域不变相位特征作为相位先验桥接域分布差距，为无监督跨域检索提供可复用的双先验协同框架。
时序表征增强（TRE）：学习遗忘主导模式以增强时序脉冲特征
Temporal Representation Enhancement (TRE): Learning to Forget Dominant Patterns for Enhanced Temporal Spiking Features
对训练多时间步脉冲网络的人有用：用类特定贡献估计加时序累积找出主导语义模式并动态抑制，把监督从「时间不变」改成「时间互补」，可直接套到任意 SNN 骨干上提升时序判别力与特征多样性。
类增量学习中正负监督的时序不平衡
Temporal Imbalance of Positive and Negative Supervision in Class-Incremental Learning
提出时序衰减核来重加权交叉熵中的负监督，可直接嵌入任何类增量学习框架的损失函数，缓解因旧类负监督过强导致的预测偏置与遗忘。
TaskForce：面向多任务优化的协作式多智能体强化学习
TaskForce: Cooperative Multi-agent Reinforcement Learning for Multi-task Optimization
TaskForce 把多任务损失加权建模为协作式多智能体强化学习问题，智能体以梯度 Gram 矩阵和损失值为观测输出各任务的平衡权重；做多任务视觉模型（如 NYU-v2 深度+法向、Cityscapes 检测+分割）时可直接复用该梯度级冲突消解与动态加权机制。
TESSERA：用于地球表征与分析的地表光谱时序嵌入
TESSERA: Temporal Embeddings of Surface Spectra for Earth Representation and Analysis
TESSERA 用 Barlow Twins 加稀疏随机时序采样，让像素级嵌入对观测缺失保持不变，这种「对不规则采样鲁棒」的自监督目标可以直接迁移到视频或时序图像的自监督预训练中；它发布的 int8 全球嵌入和轻量适配头也为大规模检索提供了可复用的工程范式。
TAR：面向细粒度广义类别发现的词元感知精炼
TAR: Token-Aware Refinement for Fine-grained Generalized Category Discovery
指出 ViT 注意力在少数词元上异常高响应（注意力伪影）会压制细粒度局部线索，并提出用整个词元序列而非仅首个词元做分类的即插即用精炼模块，可直接移植到任何基于 ViT 特征的细粒度识别或开放类别发现流程中。
TAPE：音频语言模型中任务自适应原型进化用于完全少样本类增量音频分类
TAPE: Task-Adaptive Prototype Evolution in Audio-Language Models for Fully Few-shot Class-incremental Audio Classification
论文提出的任务适配器（Task-Adapter）和原型进化机制可迁移到视觉中的少样本类增量学习场景，例如利用CLIP等视觉语言模型进行增量目标识别时，通过隔离特征空间和动态原型更新来缓解灾难性遗忘与过拟合。
TALON：面向在线类别发现的测试时自适应学习
TALON: Test-time Adaptive Learning for On-the-Fly Category Discovery
把测试时自适应从「只调分类器」扩展到「同时更新语义原型与编码器参数」，为开放世界视觉任务中在线吸收新类别提供了可复用范式；其 margin-aware logit 校准思路也可迁移到任何需要为未来类别预留嵌入空间的长尾/增量识别场景。
抑制掩码图像建模表征中的非语义噪声
Suppressing Non-Semantic Noise in Masked Image Modeling Representations
对做 MIM 预训练的人，这篇给出了一个免训练、可插拔的线性头，把图像块表征里与语义无关的分量投影掉，从而直接提升下游零样本性能；其基于 PCA 的语义不变性打分也可作为评估表征语义纯度的通用诊断工具。
基于典型相关分析的 CLIP 持续学习子空间对齐
Subspace Alignment for CLIP-based Continual Learning via Canonical Correlation Analysis
针对 CLIP 单模态持续学习中视觉分支漂移强于文本分支的「非对称漂移」问题，用跨任务累积的视觉-文本协方差求解 CCA 共享子空间，在不改动 CLIP 参数、不用样本回放的前提下恢复跨模态对齐；这一子空间对齐思路可直接迁移到任何需要冻结主干、只做后处理投影的持续学习或跨模态检索场景。
基于最优传输的子模型提取实现高效个性化联邦学习
Submodel Extraction for Efficient and Personalized Federated Learning via Optimal Transport
提出基于最优传输的服务器端个性化剪枝框架，可在不访问原始数据的情况下为异构客户端生成定制子模型，并利用自适应正则化缓解参数发散，为视觉模型在边缘设备上的高效个性化部署提供可复用方案。
Stable Spike：基于按位与运算的脉冲神经网络双重一致性优化
Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks
用按位与操作从多时间步脉冲图中解耦出稳定脉冲骨架，并以此作为一致性目标约束不稳定脉冲图，这一思路可迁移到任何需要跨时间步表征一致性的视觉模型（如视频/事件相机骨干网络）中，作为无需额外标注的表示正则手段。
面向持续学习的谱混合专家
Spectral Mixture-of-Experts for Continual Learning
把专家参数约束到互不相交的频域子空间以获得先验正交更新，并用离线专家重要性记忆约束路由漂移，这套「频域正交 + 双路由」思路可直接移植到视觉大模型的持续微调与多任务适配器合并中。
稀疏地刻画变化：面向遥感解译的脉冲时序框架
Sparsely Timing the Change: A Spiking Temporal Framework for Remote Sensing Interpretation
把双时相辐射差转成带 time-to-first-spike 特性的稀疏脉冲序列，再用 SNN 提取动态变化特征，并通过可学习时序衰减与 ANN 语义特征融合——这套「脉冲编码+轻量适配器」思路可迁移到任何需要从稀疏时序观测中挖掘动态信息的视觉任务（如视频变化检测、事件相机处理）。
SoccerMaster：面向足球理解的视觉基础模型
SoccerMaster: A Vision Foundation Model for Soccer Understanding
可借鉴其「监督式多任务预训练」把检测、事件分类等异构任务统一进单个基础模型的范式，以及 SoccerFactory 这种用自动化流水线从现有视频数据集批量生成多任务标注的做法，用于构建其他垂直领域的基础模型。
Smart Replay：面向计算资源感知增量学习的自适应记忆复述调度
Smart Replay: Adaptive Scheduling of Memory Rehearsal for Computational Resource-Aware Incremental Learning
把回放比例当作可调度控制变量、用启发式Q函数在训练中周期性调整，为视觉增量学习在固定算力预算下提供了一种即插即用的调度策略，可直接嵌入基于回放的类增量分类/检测流程。
单轮可扩展解析联邦学习
Single-Round Scalable Analytic Federated Learning
SAFLe 把非线性模型等价改写为高维线性回归，从而复用解析 FL 的单轮闭式聚合；做视觉联邦训练时可直接套用这一「分桶特征 + 稀疏分组嵌入」检测头，在 non-IID 客户端上省掉多轮通信。
SigLino：面向凝聚式视觉基础模型的高效多教师蒸馏
SigLino: Efficient Multi-Teacher Distillation for Agglomerative Vision Foundation Models
把 SigLIP2 与 DINOv3 两个教师的知识蒸馏进 Dense/MoE 学生，并给出非对称关系知识蒸馏损失、词元均衡批处理与层次聚类数据采样三条可复用配方，可直接用于构建早期融合 Grounding-VLM 的视觉主干。
Shape-of-You：融合 Gromov-Wasserstein 最优传输用于野外语义对应
Shape-of-You: Fused Gromov-Wasserstein Optimal Transport for Semantic Correspondence in-the-Wild
将伪标签生成建模为融合 Gromov-Wasserstein 最优传输问题，并利用 3D 基础模型提供几何结构约束，为无监督语义对应提供了一种可复用的结构化监督信号生成思路。
面向少样本类增量学习的语义引导全局-局部协同提示词学习
Semantic-Guided Global-Local Collaborative Prompt Learning for Few-Shot Class Incremental Learning
利用冻结的视觉语言模型原型与 LLM 生成的语义描述做全局-局部双对齐提示词学习，为视觉研究者提供了一种在少样本增量场景下抑制灾难性遗忘与过拟合的可复用范式，可直接迁移到开放词表识别与持续学习式视觉分类。
通过教师引导的双路径音视频表征学习实现语义噪声消减
Semantic Noise Reduction via Teacher-Guided Dual-Path Audio-Visual Representation Learning
把对比对齐与掩码重建拆成两条独立优化路径、各自使用不同的可见 patch 模式，并用教师模型组织对比分支的可见 token——这套解耦思路可直接迁移到图像/视频的自监督预训练中，缓解多目标联合优化时的语义噪声与梯度干扰。
穿透分布偏移：因果启发的鲁棒广义类别发现
Seeing Through the Shift: Causality-Inspired Robust Generalized Category Discovery
把因果图与因果依赖风险估计引入跨域广义类别发现，用流形层面的不变性约束对齐已知/未知类，可作为处理域偏移下开放世界表征学习的通用正则手段。
从视觉基础模型扩展密集事件流预训练
Scaling Dense Event-Stream Pretraining from Visual Foundation Models
提出结构感知蒸馏损失，利用视觉基础模型（VFM）的语义结构作为监督信号，解决事件流与图像跨模态对齐中的语义坍缩问题，可复用于其他模态（如事件、深度、热成像）与VFM的对齐预训练。
基于张量化锚框引导的可扩展多视图子空间聚类
Scalable Multi-View Subspace Clustering with Tensorized Anchor Guidance
把跨视图锚框堆成三阶张量并用张量 Schatten p-范数约束，显式建模跨视图低秩结构，这一正则与样本数无关，可直接迁移到大规模视觉检索/聚类中的锚框图构建与跨模态一致性建模。
SECOS：面向开放世界半监督学习中严格分类的语义捕获
SECOS: Semantic Capture for Rigorous Classification in Open-World Semi-Supervised Learning
用外部视觉-语言知识为无标注新类样本构造显式语义监督，把开放世界半监督分类从'聚类后匹配'变成直接输出候选文本标签，可迁移到开放词表识别与新类发现场景。
SATTC：面向跨被试脑电到图像检索的结构感知无标签测试时校准
SATTC: Structure-Aware Label-Free Test-Time Calibration for Cross-Subject EEG-to-Image Retrieval
提供了一种无标签的测试时校准头，直接作用于冻结编码器的相似度矩阵，通过白化与CSLS变体缓解跨域检索中的hubness问题，可复用于视觉-语言跨模态检索或跨域检索的排序稳定化。
SARMAE：面向 SAR 表征学习的掩码自编码器
SARMAE: Masked Autoencoder for SAR Representation Learning
把 SAR 特有的相干斑噪声显式注入 MAE 的掩码重建流程，并用配对光学图像作为语义锚框约束特征对齐，这套「噪声感知预训练 + 跨模态语义约束」思路可迁移到其他低质量或强噪声成像域（如超声、低光照、去噪前表征）的自监督预训练。
SAME：面向有限数据下异构增量学习的稀疏锚定模型编辑
SAME: Sparse and Anchored Model Editing for Heterogeneous Incremental Learning under Limited Data
把模型编辑（稀疏参数更新 + 键值知识对）当作持续学习的载体，用双重锚框约束（特征对齐锚 + 参数幅度锚）在少样本、任务边界未知的跨域序列上稳定注入新知识，可直接迁移到视觉语言模型的增量适配与免遗忘微调。
重新审视未知类：迈向高效且有效的开放集主动学习
Revisiting Unknowns: Towards Effective and Efficient Open-Set Active Learning
提出一种无需独立开放集检测器的统一主动学习框架，利用冻结的对比预训练特征空间进行标签引导聚类，并用 Dirichlet 校准的辅助检测头联合建模已知与未知类，可直接用于视觉任务中标注预算受限下的开放世界数据筛选。
重新审视部分多标签学习在高秩性质下的稀疏性约束
Revisiting Sparsity Constraint Under High-Rank Property in Partial Multi-Label Learning
对做多标签视觉识别（如多物体图像标注）的研究者，这篇论文给出了一个可复用的思路：用噪声标签矩阵的稀疏性去诱导预测标签矩阵的高秩性，从而绕开传统低秩假设与稀疏假设相互冲突的问题，可直接嵌入多标签分类或弱监督标注清洗流程。
在基础模型时代重新审视模型拼接
Revisiting Model Stitching In the Foundation Model Era
提出在目标模型倒数第二层使用简单特征匹配损失训练拼接层，使异构视觉基础模型（如 CLIP、DINOv2、SigLIP2）可靠拼接，为多模态大模型共享早期层、灵活组合不同 VFM 优势提供可复用技术。
残差连接损害生成式表征学习
Residual Connections Harm Generative Representation Learning
对 MAE、扩散模型等生成式表征学习框架，把残差恒等捷径的权重随深度单调衰减，可显著提升线性探测精度与生成质量；做自监督预训练或扩散骨干网络时，这是一个几乎零成本、可直接替换的架构改动。
表征引导的增量适配器微调用于预训练模型类增量学习
Representation-Steered Incremental Adapter-Tuning for Class-Incremental Learning with Pre-Trained Models
提出单一共享适配器与表征引导损失，避免类增量学习中参数随任务线性增长，并用残差自编码投影器对齐新旧任务特征分布，为视觉模型持续学习提供参数高效且表征一致的方案。
面向对比多视图聚类的可靠聚类数估计
Reliable Clustering Number Estimation for Contrastive Multi-View Clustering
把「聚类数 k 未知」当作可学习变量，用簇内/簇间距离构造强化学习奖励来自动推断 k，并用成对表征差异自适应加权视图以缓解对比学习中的表征退化——这两点可直接迁移到视觉表征的无监督聚类与多视图融合流程中。
漫画线稿图像间的区域级对应预测
Region-Wise Correspondence Prediction between Manga Line Art Images
提出一种无需人工标注、基于自动生成区域对应训练的 Transformer 框架，学习抑制噪声匹配并强化结构一致性，可用于漫画线稿的跨图区域匹配与特征对齐，为线稿上色和中间帧生成等下游任务提供可复用的对应预测方法。
重新评估CLIP中的模态内错位假设
Reevaluating the Intra-Modal Misalignment Hypothesis in CLIP
该论文对CLIP类模型嵌入空间的分析表明，跨模态对齐损失并未导致图像间距离的次优校准，因此视觉研究者无需为图像任务额外引入模态内对齐损失，可直接复用CLIP/SigLIP特征进行检索和少样本分类。
循环视频掩码自编码器
Recurrent Video Masked Autoencoders
用 Transformer 循环网络替代时空注意力做视频掩码自编码，在长时序上以线性计算代价稳定传播特征，可作为视频骨干预训练方案直接替换 VideoMAE/V-JEPA 的编码器。
重新利用丢失的文本层用于无源跨域少样本学习
Reclaiming Lost Text Layers for Source-Free Cross-Domain Few-Shot Learning
揭示了CLIP文本编码器中间层在跨域少样本学习中的潜在价值，并提出通过层级别和编码器级别的引导来重新利用这些信息，为视觉分支在域偏移下的再学习提供了新思路。
读懂你的动作：通过预训练 AEMG 学习可泛化的动作表征
Reading Your Actions: Learning Generalizable Action Representations via Pre-training AEMG
把生理时序信号（EMG）当作「语言」来做自监督预训练的思路，可迁移到视觉-生理多模态（如可穿戴相机+肌电的手势/动作识别）中：用离散化分词器把连续信号转成结构词、再用掩码/语言建模目标预训练，从而获得跨设备、跨被试的零样本泛化表征。
RNN 即线性 Transformer：对视觉 Mamba 模型表征潜力的深入考察
RNN as Linear Transformer: A Closer Investigation into Representational Potentials of Visual Mamba Models
把 Mamba 解释为 Softmax 注意力的低秩近似，并给出用二值分割指标定量评估激活图长程依赖能力的方法；做视觉骨干网络选型或可解释性分析时，可复用这套理论视角与评估协议。
RAMEN：面向地球观测的分辨率可调多模态编码器
RAMEN: Resolution-Adjustable Multimodal Encoder for Earth Observation
将空间分辨率作为可控输出参数，使单一Transformer编码器能在推理时按需调整细节层次，为多传感器、多分辨率遥感数据的统一表征学习提供了可复用的预训练范式。
面向预训练模型类增量学习的量子门控任务交互知识蒸馏
Quantum-Gated Task-interaction Knowledge Distillation for Pre-trained Model-based Class-Incremental Learning
提出量子门控任务调制机制，动态建模任务嵌入间的依赖关系，并以此引导跨任务适配器的知识蒸馏，为视觉类增量学习提供了一种缓解灾难性遗忘的可复用技术路径。
ProxyFL：一种代理引导的联邦半监督学习框架
ProxyFL: A Proxy-Guided Framework for Federated Semi-Supervised Learning
把分类器可学习权重当作类别代理来同时对齐客户端间与客户端内的分布，这一「代理池」思路可直接迁移到视觉中的半监督伪标签筛选与长尾/域偏移下的分类头校准。
渐进式掩码蒸馏用于自监督视频表征
Progressive Mask Distillation for Self-supervised Video Representation
把「由易到难」的课程式蒸馏引入掩码视频建模：用低掩码率学生模型的知识去指导高掩码率学生模型，并配合区域级损失加权与跨层特征对齐，可直接迁移到任何 MAE 类视频/图像预训练框架中提升高掩码率下的细节重建。
PriVi：面向野外灵长类行为的通用视频模型
PriVi: Towards a General-Purpose Video Model for Primate Behavior in the Wild
把 V-JEPA 这类视频自监督模型在领域数据（灵长类野外视频）上做继续预训练、再用冻结分类器评估的范式，可直接迁移到其他缺乏标注的细粒度视觉领域（动物行为、生态监测、医学视频），并给出了「领域级预训练」在标签稀缺时优于全量微调的经验证据。
PointCSP：自监督点云学习中的跨样本语义传播与稳定性保持
PointCSP: Cross-Sample Semantic Propagation and Stability Preservation in Self-Supervised Point Cloud Learning
把 batch 内多个场景点云串行化为连续序列、用状态空间模型做跨样本语义状态传播，为 3D 自监督预训练提供了一种突破「样本独立建模」的新范式；配套的非对称语义保持蒸馏可迁移到任何「预训练依赖 batch 组织、微调却是单样本」的表征学习场景。
基于双面亲和学习与拓扑协调的即插即用不完整多视图聚类
Plug-and-Play Incomplete Multi-View Clustering via Janus-Faced Affinity Learning with Topology Harmonization
锚图上的置换变换加一元编码约束，可在任意多视图/多模态特征融合前对齐锚点拓扑，这一思路可直接迁移到多视图特征拼接、跨模态检索的相似度融合环节，避免因视图间锚点顺序不一致导致的图结构失真。
PhenoYieldNet：学习作物感知的物候响应用于多作物产量预测
PhenoYieldNet: Learning Crop-Aware Phenological Responses for Multi-Crop Yield Prediction
把预训练基础模型编码器用自监督时序对比适配到农业时序动态，并用可学习查询+注意力解码器建模作物特异物候阶段——这套「基础模型+时序对比适配+查询式解码」组合可迁移到其他需要跨类别泛化的时序视觉预测任务。
参数高效的持续学习方法：在有限模型容量下提升可塑性且不遗忘
Parameter-efficient Continual Learning for Enhancing Plasticity without Forgetting under Limited Model Capacity
在模型容量受限时，用梯度引导的冻结参数复用加强化学习式参数分配来平衡稳定性与可塑性，可直接迁移到视觉骨干（如 ViT）的长序列增量微调，避免每来一个新任务就扩参数。
PRISM：学习用于可迁移骨架动作表示的共享基元空间
PRISM: Learning a Shared Primitive Space for Transferable Skeleton Action Representation
将动作序列表示为运动基元系数空间中的轨迹，并通过运动生成目标学习该表征，再迁移到分类与检测任务；这种以生成驱动表征学习、并支持跨任务迁移的思路，可复用于其他时序或结构化数据的表征学习。
PAF：面向开放集半监督学习的扰动感知过滤
PAF: Perturbation-Aware Filtering for Open-Set Semi-Supervised Learning
把「语义保持扰动下表征是否稳定」当作区分 ID/OOD 的表示级信号，可直接迁移到任何需要从无标注池中筛掉分布外样本的视觉训练流程（如开放世界分类、半监督检测的伪标签过滤）。
PACT：视觉语言模型基于适配器的持续学习中的类相变约束
PACT: Phase-Like Transition Constraints in Adapter-Based Continual Learning of Vision-Language Models
在基于适配器的持续学习中，用类似相变的稳定性/可塑性正则与先验锚定替代正交约束，让视觉语言模型在任务间保留可迁移共享；做增量适配器训练时可复用其双分支 ViT 结构与稳定适配器初始化。
面向不完整遥感数据的正交空间感知多视图锚图聚类
Orthogonal Spatial-Aware Multi-View Anchor Graph Clustering for Incomplete Remote Sensing Data
面向多视图遥感数据缺失场景，用超像素纹理构造空间感知锚点与多尺度锚图，并在共享潜空间做结构对齐与正交空间正则，可作为处理不完整多视图表征学习的可复用框架。
OlmoEarth：面向多模态地球观测的稳定潜空间图像建模
OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation
面向多模态时空遥感数据设计的自监督掩码策略与损失，可作为把掩码图像建模从静态 RGB 扩展到多时相多传感器输入的参考；其嵌入与全微调两套评测协议也值得在遥感下游任务中复用。
Octopus：面向多模态大语言模型持续学习的无历史梯度正交化
Octopus: History-Free Gradient Orthogonalization for Continual Learning in Multimodal Large Language Models
为视觉-语言模型的多任务顺序微调提供了一种无需存储历史数据的梯度正交化约束，可直接用于缓解 MLLM 在连续下游视觉任务（如 VQA、captioning）微调时的灾难性遗忘。
目标泛化重识别：迈向通用实例感知的一步
Object-Generalized Re-Identification: A Step Towards Universal Instance Perception
把元学习当作语义分布正则，让模型在受控的类别偏移下学习跨类别的身份不变表征；做 ReID 或任何需要跨类别身份匹配的视觉任务时，可直接复用这一训练范式，无需目标域自适应。
OS-Fed：单张快照足矣
OS-Fed: One Snapshot Is All You Need
把每轮累积梯度编码成一张紧凑的类图像快照（图像加可学习标签）来传输，这种「用图像式表示承载梯度/更新」的思路可迁移到视觉模型的分布式训练与梯度压缩，也可反向用于从图像式表示重建更新信号的表征学习研究。
ORSATR-X：面向光学遥感目标识别、基于差分与激励网络的基础模型
ORSATR-X: A Foundation Model based on Differential-and-Excitation Networks for Optical Remote Sensing Object Recognition
把 DINOv3 的通用表征与一个旁路网络结合，用 Weber 局部适配器（中心-周边对比 + 方向梯度）增强低对比度目标的边界判别力，并用自监督蒸馏预训练旁路网络——这套「冻结基础模型 + 轻量旁路增强」的范式可直接迁移到其他低对比度、强背景干扰的视觉检测/分割任务。
低秩引导视觉语言模型的非参数深度细粒度聚类
Nonparametric Deep Fine-grained Clustering with Low-Rank Guided Vision-Language Model
把贝叶斯非参数过程与低秩/正交引导的表征学习目标结合，可在无细粒度标签下让 VLM 动态发现细粒度类别，为无监督细粒度分类与聚类提供可复用的训练目标设计。
神经混合密度过程
Neural Mixture Density Processes
NMDP 通过混合密度建模和 EM 训练构建函数先验，其任务特定参数更新机制可用于视觉少样本任务（如少样本分类、分割）的快速自适应，减少过拟合。
NeighborMAE：在掩码自编码器预训练中利用相邻对地观测图像间的空间依赖
NeighborMAE: Exploiting Spatial Dependencies between Neighboring Earth Observation Images in Masked Autoencoders Pretraining
把「相邻区域图像」作为联合重建目标引入 MAE 预训练，并配合动态掩码比例与像素损失权重，可直接迁移到遥感、航拍等大幅面连续场景的预训练流程中，替代单图独立掩码的做法。
NESTOR：面向大规模偏微分方程预训练的嵌套混合专家神经算子
NESTOR: A Nested MOE-based Neural Operator for Large-Scale PDE Pre-Training
嵌套 MoE 神经算子（图像级 MoE 捕捉全局依赖 + token 级 Sub-MoE 捕捉局部依赖）为视觉中的算子学习与大规模预训练提供了可复用的稀疏专家路由结构，可迁移到神经场、物理仿真等连续场建模任务。
面向视觉语言数据集蒸馏的多模态分布匹配
Multimodal Distribution Matching for Vision-Language Dataset Distillation
把数据集蒸馏从单模态扩展到图文对，用联合嵌入空间聚类初始化合成样本、在权重空间插值出混合教师、并在单位超球面上做几何感知的联合分布匹配，这套流程可直接迁移到视觉侧的数据压缩与跨模态预训练数据筛选。
基于半监督率失真的多模态表征学习用于广义类别发现
Multi-Modal Representation Learning via Semi-Supervised Rate Reduction for Generalized Category Discovery
把率失真（rate reduction）目标从单模态扩展到多模态半监督场景，用模态内对齐约束表征的紧凑性与结构性，可作为开放集识别、新类发现类视觉任务中替代纯对比学习的表征学习目标。
面向多视图聚类的多层级对比谱融合
Multi-Hierarchical Contrastive Spectral Fusion for Multi-View Clustering
把深度谱嵌入直接嵌入编码器以保留局部流形结构，并配合视图级/共识级的多层级对比损失，可作为多视图或多模态特征融合时提升聚类友好性与跨视图一致性的可复用训练范式。
MuM：面向三维视觉的多视图掩码图像建模
MuM: Multi-View Masked Image Modeling for 3D Vision
把 MAE 从双视图 CroCo 扩展到任意多视图、统一掩码加帧间注意力轻量解码器，为需要几何推理的视觉任务（前馈重建、稠密匹配、相对位姿）提供了一个可直接替换 DINOv3/CroCo 的预训练编码器方案。
建模人类草图的视觉歧义性
Modeling the Visual Ambiguity of Human Sketches
AmbiScore 把「草图-图像对本身有多歧义」量化成一个可计算的指标，并据此自适应调节监督强度；做跨模态对齐或噪声监督训练时，可以直接借用这种按样本不确定性加权监督的思路，Purified Matching 的 shape jigsaw / texture swapping 也可作为解耦结构与外观的通用数据构造手段。
MoBind：面向细粒度 IMU-视频姿态对齐的运动绑定
MoBind: Motion Binding for Fine-Grained IMU-Video Pose Alignment
把视频中提取的2D骨骼序列当作视觉侧表征，与IMU信号做分层对比对齐，为视觉研究者提供了一个绕开像素、用姿态序列做跨模态时序对齐与检索的可复用范式，尤其适合第一人称/可穿戴场景下的细粒度时序同步。
面向测试时自适应分割的原型混合专家
Mixture of Prototypes for Test-time Adaptive Segmentation
把类别原型聚类成多个域专家并用门控网络按实例-专家相关性加权，配合最小化预测熵、最大化专家选择熵的门控优化，可直接迁移到任何需要测试时自适应的分割或密集预测模型上。
缓解实例依赖偏标签学习中的实例纠缠
Mitigating Instance Entanglement in Instance-Dependent Partial Label Learning
针对弱监督分类中候选标签与实例特征耦合导致的类间混淆，提出类特定增强与加权惩罚损失来拉开类间距离，可复用于噪声标签、开放词表等标签歧义场景下的表征判别性提升。
度量特征宇宙：面向源无关域自适应的基于拓扑的伪标签与重力一致性
Measure The Feature Universe: Topology-based Pseudo Labeling and Gravity Consistency for Source-Free Domain Adaptation
把伪标签的生成从 logits 空间搬到目标嵌入流形上，用虚拟特征构建『特征宇宙』并只在统计可靠区域传播标签，同时用基于嵌入间引力的重力一致性按特征相似度调节 CR 强度——这套思路可直接移植到任何需要无标签目标域自训练的分类/检索/分割流程中。
面向域自适应分割的掩码表征建模
Masked Representation Modeling for Domain-Adaptive Segmentation
MRM 在潜空间对高层语义特征做掩码重建，可作为通用辅助任务嵌入 DeepLab、DAFormer 等分割网络，训练时联合优化、推理时零开销，为域自适应分割提供了一种简单有效的自监督信号构造方式。
掩码对齐、加权消歧：基于掩码加权对比的可靠无监督跨模态哈希
Mask to Align, Weight to Disambiguate: Reliable Unsupervised Cross-Modal Hashing with Masked-Weight Contrast
在多模态融合前引入掩码构造部分观测交互，并用语义亲和度加权的对比目标抑制假阴性，这套「掩码+加权对比」思路可直接迁移到视觉-文本检索、图文对齐等跨模态表征学习任务中，缓解主导模态偏置与语义相近样本被误判为负例的问题。
MARCO：探索语义对应的未知空间
MARCO: Navigating the Unseen Space of Semantic Correspondence
用自蒸馏把稀疏关键点监督扩展成密集语义一致的对应，配合粗到细目标提升细粒度定位，为做稠密匹配/关键点迁移的视觉工作提供了一个可替换扩散骨干的轻量 DINOv2 训练框架。
局部精确精修：一种用于增强基础模型对抗光谱漂移泛化能力的双门控混合专家框架
Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
把 MoE 的双门控路由用在基础模型特征的空间自适应精修上，并引入由 RGB 波段估计的深度特征作为结构先验，通过交叉注意力融合——这套「模态独立路由 + 结构引导融合」的微调范式可迁移到其他存在域偏移的密集预测任务。
以婴儿之眼学习看世界：早期视觉食谱在人类与机器中催生鲁棒视觉智能
Learning to See Through a Baby's Eyes: Early Visual Diets Enable Robust Visual Intelligence in Humans and Machines
把婴儿视觉发育的「视觉食谱」（灰度到彩色、模糊到清晰、保持时序连续）当作自监督预训练的课程设计，可直接迁移到视频自监督预训练的数据调度与增强策略上，并提供了纹理-形状冲突、剪影识别、深度序分类、视觉悬崖等一整套评测协议来检验表征的鲁棒性。
通过局部一致性扩散学习学习权重生成
Learning to Learn Weight Generation via Local Consistency Diffusion
把扩散模型用于直接生成网络权重，并用局部一致性约束把局部目标权重的监督信号纳入训练，为视觉模型在迁移、少样本、域泛化场景下的快速权重更新提供了一条可复用的元学习式生成思路。
学习驾驶是免费的礼物：从无位姿野外视频进行大规模无标签自动驾驶预训练
Learning to Drive is a Free Gift: Large-Scale Label-Free Autonomy Pretraining from Unposed In-The-Wild Videos
利用无位姿视频和教师模型生成的伪监督信号，联合预测点图、相机位姿、语义布局和运动掩码，学习统一的伪4D表征，可迁移到自动驾驶规划任务。
从语义词典中学习：面向统一视觉表征与生成的判别式码本对比学习
Learning from Semantic Dictionaries: Discriminative Codebook Contrastive Learning for Unified Visual Representation and Generation
把生成式掩码词元重建与码本对比损失结合在同一个离散词元空间里训练，为视觉研究者提供了一条无需数据增强、教师模型和在线分词器即可同时获得强表征与高质量生成的统一预训练路径，可直接复用于统一理解-生成模型的骨干预训练。
从遗忘中学习：通过遗忘回溯预测知识溢出权重
Learning from Oblivion: Predicting Knowledge-Overflowed Weights via Retrodiction of Forgetting
提出一种通过元学习建模权重演化、逆转结构化遗忘过程来合成知识溢出权重的通用框架，可复用于视觉模型预训练权重的增强与下游任务微调初始化。
自我学习：从视觉语言模型内部挖掘知识用于持续学习
Learning from Itself: Mining Internal Knowledge from Vision Language Models for Continual Learning
把 CLIP 的文本编码器当作可挖掘的内部监督源：通过优化可学习 token 生成伪描述来弥合预训练-下游分布差距，并用按瞬时性能加权的双向蒸馏在视觉分类器与文本编码器之间迁移知识，推理时零额外开销——这套「模型自教」流程可直接迁移到任何需要持续适配的视觉-语言下游任务。
像人类一样学习：面向广义类别发现的类比概念学习
Learning Like Humans: Analogical Concept Learning for Generalized Category Discovery
把无标注样本的发现过程转成视觉-文本推理：用已标注知识类比生成文本概念，再与视觉特征融合，可直接插到参数化或聚类式 GCD 流程中，为开放世界细粒度识别提供可复用的文本先验注入手段。
无需文本学习有效手语特征的无注释手语翻译
Learning Effective Sign Features without Text for Gloss-free Sign Language Translation
SignDINO 将 DINO 的自蒸馏框架与局部掩码视图结合，仅用全局帧推理即可获得对细微运动敏感的表征，这一「全局-局部掩码对齐」策略可迁移到其他需要细粒度运动建模的视觉任务（如动作识别、微表情分析）的预训练中。
面向快速多视图聚类的双正交空间锚框学习
Learning Anchor in Dual Orthogonal Space for Fast Multi-view Clustering
把「锚框」从单一正交空间扩展到双正交空间（原始特征空间 + 以共识锚定簇中心为基的空间），并用锚框的聚类指示矩阵直接给出划分，这一思路可迁移到大规模视觉检索/聚类中的低秩锚点近似与子空间互补建模。
基于异常解耦的大规模鲁棒增强集成聚类
Large-scale Robust Enhanced Ensemble Clustering via Outlier Decoupling
论文提出的异常解耦机制（将锚相似矩阵分解为干净成分与残差异常成分，并施加全局互相关惩罚与行级 l2,1 范数）可迁移到视觉任务中，用于处理特征表示中的异常值污染，例如在图像聚类、检索或自监督预训练中提升锚图或相似度矩阵的鲁棒性。
标注关键样本：模态平衡与难度感知的多模态主动学习
Label What Matters: Modality-Balanced and Difficulty-Aware Multimodal Active Learning
将样本选择建模为马尔可夫决策过程，用强化学习策略动态调整模态权重与样本难度，可直接迁移到多模态视觉任务（如图像-文本、视频-音频）的主动学习标注流程中。
LA-Pose：潜变量动作预训练遇上姿态估计
LA-Pose: Latent Action Pretraining Meets Pose Estimation
将逆动力学自监督预训练得到的潜变量动作特征作为相机姿态估计器的输入，仅需少量高质量3D标注微调即可实现高精度、可泛化的前馈姿态预测，为视觉里程计和自动驾驶感知提供了一种可扩展的预训练范式。
参数隔离对基于提示词的持续学习更有效吗？
Is Parameter Isolation Better for Prompt-Based Continual Learning?
把「每任务一组提示词」的静态隔离换成全局提示词池 + 任务感知门控稀疏路由，可直接迁移到视觉持续学习（如类增量图像分类、VLM 持续适配）中，用激活统计做正则来抑制常用提示词被过度更新。
InvCoSS：医学多模态图像预训练中反演驱动的持续自监督学习
InvCoSS: Inversion-driven Continual Self-supervised Learning in Medical Multi-modal Image Pre-training
用模型反演生成近似旧任务分布的合成图像替代真实数据回放，为视觉预训练中的持续学习提供了一条不依赖跨站点数据共享、且显著降低存储的可行路径；InvUNet 的多尺度高低频融合与无类别引导的排斥式表征学习可直接迁移到其他需要合成回放的增量预训练场景。
面向跨模态检索的类内分布引导生成哈希与邻居精炼
Intra-class Distribution-guided Generative Hashing with Neighbor Refinement for Cross-modal Retrieval
用类内分布估计加邻居引导修正来生成语义多样的合成样本，可作为一种即插即用的数据增广/难样本构造手段，用于跨模态检索中的哈希码判别性学习。
InternVideo-Next：迈向世界理解的视频模型
InternVideo-Next: Towards World-Understanding Video Models
提出 Encoder-Predictor-Decoder 框架，用条件扩散解码器注入图像语义先验，解决像素级 MVM 收敛难与语义冲突问题，为视频自监督预训练提供可复用的潜空间世界模型构建方案。
追寻面向视觉预训练的像素监督
In Pursuit of Pixel Supervision for Visual Pre-training
把数据策展（self-curation）当作与 MAE 预训练目标同等重要的一环：在 2B 网络图像上筛选空间结构信号更强的样本，可显著提升单目深度估计、前馈 3D 重建、分割等密集预测任务的表征质量，为视觉基础模型的预训练数据配方提供可复用思路。
面向深度不完整多视图聚类的失衡视图贡献评估与精炼
Imbalanced View Contribution Evaluation and Refinement for Deep Incomplete Multi-View Clustering
用 Shapley 值量化各视图的边际贡献、并用非平衡最优传输刻画视图间分布偏移，这套「贡献评估+协作增强」的思路可迁移到多模态/多视图特征融合与缺失模态鲁棒表征学习中，帮助识别并抑制主导模态对融合的压制。
面向少样本缺陷分类的双曲缺陷特征合成
Hyperbolic Defect Feature Synthesis for Few-Shot Defect Classification
把缺陷特征合成从欧氏空间搬到双曲空间，用少量双曲缺陷原型建模潜在缺陷分布，并用层级缺陷对比损失优化合成特征；做少样本工业缺陷分类、或需要建模层次结构的数据增强时，可复用这套双曲原型+对比损失的合成管线。
双曲 Busemann 神经网络
Hyperbolic Busemann Neural Networks
把 MLR 和全连接层搬到双曲空间（BMLR/BFC），为需要建模层级/树状结构的视觉表征（如类别层级分类、细粒度识别、图结构视觉数据）提供可直接替换的层，且参数更紧凑、批量计算更高效。
HypeVPR：探索双曲空间用于透视到等距柱状投影的视觉位置识别
HypeVPR: Exploring Hyperbolic Space for Perspective to Equirectangular Visual Place Recognition
把描述子嵌入到双曲空间以显式编码「全景包含多个透视视角」的层次结构，并用层次化聚合在推理时无需重训练即可调节精度-效率折中，这一思路可迁移到任何需要跨视角/跨尺度匹配的检索式定位任务。
HyCal：面向跨学科少样本类增量学习的免训练原型校准方法
HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning
在冻结的 CLIP 嵌入上，用余弦相似度与马氏距离互补地校准类原型，可作为一种免训练的原型修正手段，直接迁移到少样本/增量式的开放词表识别与跨域检索场景。
Hier-COS：通过正交子空间组合使深度特征具备层次感知能力
Hier-COS: Making Deep Features Hierarchy-aware via Composition of Orthogonal Subspaces
Hier-COS 提供了一种将预训练骨干网络（如 ViT）的冻结特征转换为层次感知表征的通用框架，其正交子空间组合机制可被视觉研究者复用于需要结构化语义先验的细粒度分类任务。
HiLoRA：面向个性化联邦学习的分层低秩适配
HiLoRA: Hierarchical Low-Rank Adaptation for Personalized Federated Learning
把 LoRA 适配器按 root/cluster/leaf 三层级放置，并用子空间相似度做客户端聚类，这套「分层低秩适配 + 子空间正交」思路可直接迁移到视觉模型的多域/多客户端个性化微调与跨域适配场景。
面向恶劣条件下域自适应语义分割的启发式自步学习
Heuristic Self-Paced Learning for Domain Adaptive Semantic Segmentation under Adverse Conditions
把课程学习建模为序贯决策问题，用高维状态编码器+策略梯度自动调度类别学习顺序，可直接迁移到任何需要按难度/信息量安排训练样本的视觉任务（如域自适应检测、分割）。
HFedATM：基于最优传输与正则化均值聚合的分层联邦域泛化
HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation
Filter-wise 最优传输对齐 + 收缩正则均值聚合，可作为跨客户端/跨站点模型参数融合的通用手段，用于视觉模型在非独立同分布数据上的域泛化；其分层聚合思路可迁移到多源视觉数据（如多医院影像、多摄像头场景）的分布式训练。
HCL-FF：面向前向-前向算法的层级与对比学习
HCL-FF: Hierarchical and Contrastive Learning for Forward-Forward Algorithm
为视觉分类网络提供一种不依赖反向传播的逐层局部训练范式，其粗到细层级引导与 goodness 解耦后的监督对比对齐可直接嵌入现有 FF 类训练流程以提升表征判别性。
HAD：面向终身异质学习的异质性感知蒸馏
HAD: Heterogeneity-Aware Distillation for Lifelong Heterogeneous Learning
提出无样本回放的异质知识蒸馏框架，通过分布平衡和显著性引导的蒸馏损失，在密集预测任务序列中保留不同输出结构的异质知识，可复用于多任务或持续学习场景。
以对比信号引导基于扩散的重建以获得均衡的视觉表征
Guiding Diffusion-based Reconstruction with Contrastive Signals for Balanced Visual Representation
把对比信号注入以 CLIP 视觉 token 为条件的扩散重建过程，并用重建图像而非原图产生对比监督，从而在统一目标下同时提升判别性与细节感知能力；这一「重建+对比」联合优化思路可直接迁移到任何需要增强视觉编码器表征的 VLM 流程中。
面向鲁棒少样本分类的图注意力原型网络
Graph Attention Prototypical Network for Robust Few-Shot Classification
把原型网络的原型构造换成「伪标签引导的图构造 + 边感知图注意力 + 自适应噪声抑制原型生成器」，这套模块可直接迁移到任何需要从带噪支持集聚合类原型的视觉任务（如带噪少样本检测、开放词表分类的原型校准）。
面向不完整与噪声多视图数据统一聚类的全局图引导与局部图加权对比学习
Global-Graph Guided and Local-Graph Weighted Contrastive Learning for Unified Clustering on Incomplete and Noise Multi-View Data
全局图引导构造新样本对、局部图生成成对权重来加权对比学习，这套「免插补」的图引导对比框架可直接迁移到视觉多视图/多模态表征学习（如多相机、RGB-深度、图像-文本）中处理缺失模态与错配样本。
几何驱动的 OOD 检测器即类增量学习器
Geometry-driven OOD Detectors Are Class-Incremental Learners
把每个任务的分类头改造成基于固定 ETF 锚点的几何空间，使分类头同时具备 IND 识别与 OOD 拒识能力，从而让 CIL 无需额外的任务推断或 logit 校准；这套「几何化检测头 + ArcFace 收紧类内」的做法可直接迁移到视觉分类器的开放世界增量部署与 OOD 拒识场景。
GeoWorld：几何世界模型
GeoWorld: Geometric World Models
把 JEPA 的潜变量从欧氏空间映射到双曲流形，用几何层级结构约束表征，再配合几何强化学习做多步规划；对做视频预测式世界模型或潜空间规划的人，这是一条可直接替换潜空间几何的通用思路。
GeoSANE：从模型而非数据中学习地理空间表征
GeoSANE: Learning Geospatial Representations from Models, Not Data
把「预训练一个模型」换成「从已有模型权重生成新模型权重」，为视觉研究者提供了一条不依赖海量数据、直接复用多个基础模型互补知识的迁移路径，尤其适合遥感等标注稀缺、模态多样的场景下快速产出可微调骨干。
通过正交变换实现黑盒基础模型的泛化与个性化联邦学习
Generalized and Personalized Federated Learning with Black-Box Foundation Models via Orthogonal Transformations
在视觉任务中，当基础模型（如CLIP）只能黑盒访问时，可通过客户端特定的正交变换适配嵌入，避免梯度冲突并保护知识产权，为联邦场景下的视觉模型个性化提供可复用方案。
面向语义分割的视觉基础模型可泛化知识蒸馏
Generalizable Knowledge Distillation from Vision Foundation Models for Semantic Segmentation
把表征学习与任务学习解耦：先做选择性特征蒸馏得到域无关表征并冻结，再做任务适配，可作为一种通用的「先蒸馏表征、后微调任务」范式，用于任何需要从 VFM 迁移到小模型且要求分布偏移下泛化的视觉任务。
GaussianMatch：基于多视图高斯一致性的伪标签过滤半监督回归
GaussianMatch: Semi-Supervised Regression with Pseudo-Label Filtering via Multi-View Gaussian Consistency
论文提出的高斯一致性过滤（GCF）与自适应高斯标准差平滑（AGDS）为视觉回归任务（如年龄估计、人脸关键点回归）在标签稀缺时提供了一种可复用的伪标签筛选机制，通过多视图预测一致性量化置信度，可直接嵌入半监督训练流程。
从静态到动态：探索自监督图像到视频表征迁移学习
From Static to Dynamic: Exploring Self-supervised Image-to-Video Representation Transfer Learning
提出在冻结的图像预训练编码器上只加一个轻量投影层，用时序循环一致性与语义可分性约束做自监督迁移，为视觉研究者提供了一种低成本把图像骨干转成视频表征的通用方案，可直接套用到自有图像预训练模型上。
从选择到调度：联邦几何感知校正让样本回放在持续动态异构下更有效
From Selection to Scheduling: Federated Geometry-Aware Correction Makes Exemplar Replay Work Better under Continual Dynamic Heterogeneity
用固定的等角紧框架原型作为跨客户端共享的类判别参考结构，并通过成对角度相似性对齐做结构知识蒸馏，这一思路可直接迁移到视觉模型在类不平衡或非独立同分布数据下的表征漂移抑制与少样本类特征保护。
从少路到多路：重新审视少样本细粒度图像分类
From Few-way to Many-way: Rethinking Few-shot Fine-grained Image Classification
论文指出情节式训练在 many-way 场景下缺乏对特征空间的全局刻画，提出自特征与协同特征提取加情节级与全局级双重优化的思路，可直接迁移到其他少样本/小样本识别任务中改进特征空间结构。
Franca：面向可扩展视觉表征学习的嵌套 Matryoshka 聚类
Franca: Nested Matryoshka Clustering for Scalable Visual Representation Learning
嵌套 Matryoshka 多头部聚类投影器可在不增大模型规模的前提下把特征逐级细化为更细粒度的簇，配合从稠密表征中显式剥离位置偏置的策略，可直接用于改进 DINO 类自监督预训练的稠密特征质量，对分割、深度估计等下游密集预测任务有直接迁移价值。
聚焦到感知表征学习：面向内窥镜视频分析的认知启发分层框架
Focus-to-Perceive Representation Learning: A Cognition-Inspired Hierarchical Framework for Endoscopic Video Analysis
针对内窥镜视频中静态病灶语义被运动偏置淹没的问题，提出教师先验自适应掩码加多视图稀疏采样来聚焦帧内病灶区域，再用跨视图掩码特征补全与注意力引导时序预测建模帧间演化；这套「先聚焦静态语义、再感知时序演化」的分层自监督预训练范式可直接迁移到其他标注稀缺、语义静态性强的专业视频域（如超声、手术、遥感时序）。
微调损害了基础模型在长尾个性化联邦学习中的平衡性
Fine-Tuning Impairs the Balancedness of Foundation Models in Long-tailed Personalized Federated Learning
论文揭示了对基础模型进行微调会破坏其固有的类别平衡性，并提出用零样本预测净化本地梯度、以残差学习实现无偏个性化，这为视觉基础模型在非独立同分布长尾数据上的联邦微调提供了可复用的梯度修正与残差适配思路。
在自监督Transformer中发现分布式目标中心属性
Finding Distributed Object-Centric Properties in Self-Supervised Transformers
提出一种无需训练的方法，通过聚类所有层的注意力头并利用patch级query/key/value相似度，提取分布式目标中心信息，可直接用于提升无监督目标发现和缓解多模态大语言模型的物体幻觉。
少模型服务多客户端的个性化联邦学习
Few-for-Many Personalized Federated Learning
把个性化联邦学习重新表述为「少模型服务多客户端」的多目标优化问题，用 K 个共享服务器模型覆盖 M 个异构客户端，可直接迁移到视觉场景下多域/多设备数据异构的协同训练，例如多摄像头或多医院影像数据下的模型个性化。
少样本混合增量学习：数据稀缺与任务不确定下的持续学习
Few-Shot Hybrid Incremental Learning:Continually Learning under Data Scarcity and Task Uncertainty
CME-MoE 的条件专家复用与元扩展机制，为视觉模型在少样本、任务不确定的持续数据流中平衡稳定性与可塑性提供了可复用的架构级方案；SEPC 按需扩展原型分类器的思路可直接迁移到视觉分类器的域偏移决策边界建模。
极端非独立同分布与全局类别不平衡下的联邦主动学习
Federated Active Learning Under Extreme Non-IID and Global Class Imbalance
在极端非独立同分布与全局类别不平衡下，用轻量预测差异推断全局不平衡度与本地-全局偏差，从而自适应选择全局或本地查询模型；这套「查询模型选择 + 原型引导伪标签 + 两阶段不确定性-多样性采样」可直接迁移到视觉主动学习的标注预算分配中。
FedSDR：带结构噪声检测与重建的联邦图学习
FedSDR: Federated Graph Learning with Structural Noise Detection and Reconstruction
对视觉研究者而言，可复用的是「用谱域结构保真度指标识别被噪声污染的客户端并降权」这一思路，可迁移到多源视觉数据（如跨摄像头、跨传感器）联合训练时对低质量来源的加权聚合，以及用健康全局模型重建局部损坏图结构的做法。
FedRG：释放表征几何以应对含噪声客户端的联邦学习
FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients
用自监督得到的标签无关球面表征几何（vMF 混合聚类）来判别噪声样本，替代仅依赖标量损失的思路；做噪声标签、长尾或数据异构下的鲁棒训练时，可把这套「表征几何优先」的样本筛选与软标签映射机制迁移到视觉分类流水线中。
FedRE：面向模型异构联邦学习的表征纠缠框架
FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
对视觉研究者而言，这是一种在客户端模型架构不一致时仍能聚合表征的联邦训练范式：用归一化随机权重把本地特征与 one-hot 标签编码分别聚合成单一纠缠表征与纠缠标签编码，再上传服务器训练全局分类器，可作为异构端侧视觉模型协同训练与隐私友好表征共享的可复用方案。
FedRAC：面向联邦学习协作公平的滚动子模型分配
FedRAC: Rolling Submodel Allocation for Collaborative Fairness in Federated Learning
对做视觉模型分布式训练的人，这篇提供了在客户端贡献不均时按信誉滚动分配子模型、并优先训练低频神经元的思路，可直接用于多源视觉数据联合训练时的公平激励与全局模型收敛保障。
FedHarmony：协调联邦多标签学习中的异构标签相关性
FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
对做多标签视觉识别（如多属性识别、多标签分类）的研究者，这篇论文提供了在数据分散、标签空间不一致时校正标签共现结构漂移的思路：用跨客户端的共识相关性作为全局教师来纠正本地偏置估计，并可复用于任何需要建模标签共现的分布式或去中心化训练场景。
FedDAP：域偏移下联邦学习的域感知原型学习
FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift
在联邦场景下按域聚合类原型、并做同域拉近/异域推远的双对齐，可作为视觉模型跨域泛化时构造域感知类中心、替代单一全局原型的可复用手段。
FedAdamom：以自适应动量提升联邦优化泛化性
FedAdamom: Adaptive Momentum for Improved Generalization in Federated Optimization
对视觉研究者而言，这篇论文提供了一个可复用的优化器替换思路：在数据高度异构（如多源摄像头、跨域图像）的联邦训练中，把 FedAdam 的自适应学习率换成自适应动量超参数，可在不牺牲收敛速度的前提下提升泛化与平坦极小值偏好，可直接用于联邦视觉模型的训练脚本。
FedARA：异构边缘设备上基于锚驱动表征对齐的资源自适应低秩个性化联邦学习
FedARA: Resource-adaptive Low-rank Personalized Federated Learning via Anchor-driven Representation Alignment on Heterogeneous Edge Devices
低秩分解+重构融合的共享特征提取器方案，允许各客户端按本地资源自选秩值，可直接迁移到视觉模型在异构边缘设备上的分布式协同训练与通信压缩；锚驱动的表征一致性学习则为解决非IID视觉数据下特征空间漂移提供了可复用的对齐思路。
FedAFD：通过对抗融合与蒸馏实现的多模态联邦学习
FedAFD: Multimodal Federated Learning via Adversarial Fusion and Distillation
双层对抗对齐与相似度引导的集成蒸馏，为视觉研究者提供在数据不共享、模态与模型异构条件下融合跨模态表征的可复用机制，可直接迁移到多模态视觉模型的分布式协同训练。
用线性上下文学习器从动态三维场景中提取像素特征
Featurising Pixels from Dynamic 3D Scenes with Linear In-Context Learners
用现成网络估计的深度与运动线索图作为上下文，通过线性 in-context 学习从无标注视频中训练像素级、时序一致的特征描述子，可直接替换 VOS、表面法向估计、语义分割等密集预测任务中的骨干表征。
探索自适应掩码重建用于自监督骨架动作识别
Exploring Adaptive Masked Reconstruction for Self-Supervised Skeleton-Based Action Recognition
把解码器与编码器解耦、用更大的时空图像块做掩码重建，并用运动信息量自适应引导重建难度，这套思路可直接迁移到视频/骨架等时序视觉表征的预训练中，在缩短训练时间的同时提升下游识别精度。
面向状态空间模型的无样本持续学习
Exemplar-Free Continual Learning for State Space Models
为视觉骨干网络（如基于 SSM/Mamba 的分类器）提供一种无需样本回放的持续学习正则化手段：直接约束 SSM 可观测子空间的无限时域状态演化，并用 O(n²) 的 Sylvester 方程求解替代 O(n³)，可直接嵌入现有 CL 流程以缓解序列任务中的遗忘。
通过保持类判别结构实现无样本类增量学习
Exemplar-Free Class Incremental Learning via Preserving Class-Discriminative Structure
对做视觉分类/增量学习的人，这篇给出了一个可复用的正则化思路：在参数高效微调时同时约束类内协方差形状与样本-旧原型夹角，可直接插到基于预训练 ViT 的增量学习流程里缓解表征坍缩。
证据深度部分标签学习：量化消歧不确定性
Evidential Deep Partial Label Learning to Quantify Disambiguation Uncertainty
把证据建模（Dirichlet 分布上的 belief/credibility）引入弱监督标签消歧，为视觉分类任务提供可复用的不确定性量化头，可直接替换 softmax 输出用于噪声标注下的可靠性预测。
以文本语义增强视觉表征：文本语义驱动的原型用于异构联邦学习
Enhancing Visual Representation with Textual Semantics: Textual Semantics-Powered Prototypes for Heterogeneous Federated Learning
用大语言模型生成的类文本描述经预训练语言模型编码成语义原型，再通过可训练提示与客户端图像特征对齐，为视觉表征学习提供了一种跨模态语义先验注入手段，可迁移到长尾/异构数据下的分类表征对齐。
通过动态前缀加权增强视觉语言模型的持续学习
Enhancing Continual Learning of Vision-Language Models via Dynamic Prefix Weighting
对做 VLM 下游适配的人，DPW 给出了一种按 token 重要性动态加权 prefix 的门控机制，并让 adapter 只作为 prefix 权重的残差补充，可直接复用到域类增量学习或多任务适配场景中，避免统一归一化带来的过度调整。
把弹性权重巩固做对：面向持续学习的正确实现
Elastic Weight Consolidation Done Right for Continual Learning
对做视觉模型持续学习/增量训练的人，这篇给出了一个几乎零成本的改动：在计算 Fisher 信息矩阵时把 logit 取反，即可同时缓解梯度消失与冗余保护，可直接替换现有 EWC 正则项用于视觉骨干网络的顺序多任务训练。
Easy2Hard：从部分不匹配到完全不匹配的模态作为对比学习负样本
Easy2Hard: From Partially to Fully Unmatched Modalities as Negative Samples in Contrastive Learning
对做多模态视觉表征（如图文、视频-音频-文本）的研究者，这篇论文给出了一个可直接替换的负样本构造与加权策略：把部分不匹配与完全不匹配的模态对分开，并用 sigmoid 权重课程从易到难过渡，可嵌入现有对比学习损失中提升细粒度对齐效果。
EXOTIC：外部视觉驱动的非完整多视图分类
EXOTIC: External Vision-driven Incomplete Multi-view Classification
利用预训练视觉语言模型的外部知识作为监督信号来补全缺失视图，为多视图分类中的不完整数据问题提供了新思路，可迁移到其他需要跨模态对齐与补全的视觉任务。
EEGiT：让视觉 Transformer 理解脑电信号
EEGiT: Teaching Vision Transformers to Understand the EEG signal
把时序脑电信号重排成类图像 patch 并插值对齐空间拓扑，从而直接复用预训练 ViT 的视觉先验——这套「非图像模态转 patch 后套用 ViT」的流程可迁移到其他低数据模态（如传感器、生理信号）的表征学习与检索。
E-RayZer：自监督三维重建作为空间视觉预训练
E-RayZer: Self-supervised 3D Reconstruction as Spatial Visual Pre-training
将自监督三维重建作为空间视觉预训练任务，直接学习几何感知表征，可替代DINOv3等2D预训练模型用于姿态估计等3D下游任务。
Dual-Estimator：解耦全局与局部语义漂移以补偿类增量学习中的漂移
Dual-Estimator: Decoupling Global and Local Semantic Shift for Drift Compensation in Class-Incremental Learning
对做类增量视觉分类的人，这篇给出了一个可直接插拔的漂移补偿模块：用混合专家估计器建模任务内非均匀语义分布、用低秩估计器捕捉任务间非均匀漂移，且以解析解在少数 epoch 内更新，可挂到现有 exemplar-free 方法上缓解旧类表征失活。
域偏斜联邦学习中的特征解耦与校准
Domain-Skewed Federated Learning with Feature Decoupling and Calibration
把特征单元按域鲁棒性拆成域鲁棒/域相关两部分再校准，这套「解耦+校准」思路可直接迁移到视觉里的跨域表征学习与测试时域适应，用来防止表征坍缩到低维子空间。
基于 Fisher 信息剪枝的领域敏感联邦学习
Domain Sensitive Federated Learning with Fisher-Informed Pruning
把 Fisher 信息当作逐域通道重要性信号，在联邦场景下生成共享剪枝掩码并按域重激活通道，可迁移到视觉模型的多域个性化压缩与结构对齐；结构对比损失利用域原型增强域内一致性与域间可分性，对多域视觉表征学习有直接参考价值。
DiT-Distill：通过生成式课程知识实现开放集细粒度检索
DiT-Distill: Open-Set Fine-Grained Retrieval via Generative Curriculum Knowledge
把 DiT 多时间步的生成式知识通过课程对齐损失蒸馏进轻量骨干网络，实现免 DiT 推理，为视觉检索/表征学习提供了一条「用生成模型当教师、按扩散时间步组织课程」的可复用蒸馏范式。
面向高效跨模态迁移的解耦可复用适配
Decoupled and Reusable Adaptation for Efficient Cross-Modal Transfer
把跨模态迁移拆成「一次性任务无关的模态知识迁移（自监督 + 结构重建得到可复用 LoRA）」与「轻量任务知识注入（Task-Prompted MoE 融合）」两段，视觉研究者可把 Stage 1 的模态 LoRA 当作可插拔资产，在深度/事件/热成像等非 RGB 输入上复用同一套 RGB 基础模型，避免每个下游任务重训重存。
在持续广义类别发现中解耦发现与记忆
Decouple Your Discovery and Memory in Continual Generalized Category Discovery
双分支解耦思路可迁移到任何需要「边学新类边保旧类」的视觉识别场景：把发现分支与记忆分支分开，避免过度保护旧类压制新类发现，并可作为插件叠加到现有增量/开放世界识别框架上。
基于影响匹配的数据集蒸馏
Dataset Distillation by Influence Matching
用可微的样本级影响估计器替代逐步梯度/轨迹匹配来学习合成数据，视觉研究者可将其作为数据压缩与高效预训练的数据构造手段，并可直接迁移到图文检索等跨模态蒸馏场景。
数据中心元学习实现鲁棒少样本泛化
Data-Centric Meta-Learning for Robust Few-Shot Generalization
提出一种在元训练阶段就引入可学习视觉提示词来对齐任务输入分布、缓解梯度冲突的元学习框架，为视觉少样本跨域泛化提供了一种数据中心的训练策略，且测试时仅更新轻量提示词和分类器，骨干网络冻结，便于在视觉任务中复用。
DP-FedAdamW：面向差分隐私联邦大模型的高效优化器
DP-FedAdamW: An Efficient Optimizer for Differentially Private Federated Large Models
为在隐私约束下用视觉 Transformer/ResNet 做联邦训练提供可直接替换的优化器：修正二阶矩估计的隐私噪声偏差并抑制客户端漂移，视觉研究者可在 DP 联邦微调大模型时直接套用该优化器与收敛分析框架。
DK-DDIL：面向医学影像动态领域增量学习的自适应知识保持
DK-DDIL: Adaptive Knowledge Retention for Dynamic Domain-Incremental Learning in Medical Imaging
面向医学影像的免回放领域增量学习框架：用动态秩选择+自适应正则化在域漂移下分配容量，再用选择性适配器融合与原型级对比精炼稳定跨域知识迁移，可直接迁移到视觉基础模型的持续适配场景。
DGS：用于类增量学习的双梯度与语义漂移引导的低秩适配
DGS: Dual Gradient and Semantic-Shift Guided Low-Rank Adaptation for Class Incremental Learning
对视觉研究者而言，这篇论文给出了在预训练视觉模型上做类增量学习时，用双梯度融合（基子空间投影 + 任务 LoRA 梯度插值融合）替代刚性正交约束的思路，并配合分类器对齐与 patch 级对齐损失，可直接迁移到 ViT 类骨干的持续学习/多任务微调流程中。
DDSF：基于解耦子空间与行列式点过程的鲁棒少样本学习
DDSF: Robust Few-Shot Learning via Disentangled Subspaces with Determinantal Point Process
用行列式点过程（DPP）的体量最大化来筛选样本、引导扩散增强并构造解耦子空间，可作为提升原型类方法在噪声与难正样本下稳定性的通用插件。
DC-Merge：利用方向一致性改进模型合并
DC-Merge: Improving Model Merging with Directional Consistency
对做多任务/多领域视觉模型部署的人，DC-Merge 提供了一种无需额外训练、仅靠奇异值平滑与共享正交子空间投影就能把多个微调模型（含 LoRA）合并成一个的通用后处理手段，可直接用于把多个视觉任务适配器压成单模型。
面向不完整多视图多标签分类的跨视图蒸馏与自适应掩码
Cross-View Distillation and Adaptive Masking for Incomplete Multi-View Multi-Label Classification
跨视图蒸馏把高质量视图的表征作为教师信号对齐低质量视图，配合自适应掩码在融合前剔除不可靠表征，这套「先蒸馏再掩码」的流程可直接迁移到多模态/多视图视觉任务（如多相机、RGB-D、多传感器融合）中处理模态缺失与质量不均衡。
面向边缘持续学习的关键图像块感知稀疏提示与解耦训练
Critical Patch-Aware Sparse Prompting with Decoupled Training for Continual Learning on the Edge
把「关键图像块采样」作为任务感知的词元削减手段，配合提示词与分类器解耦训练来降低反向传播开销，为在显存受限的边缘设备上做视觉模型的持续适配提供了可复用的训练期效率方案。
面向非平衡分子表征学习的坐标去噪
Coordinate Denoising for Non-Equilibrium Molecular Representation Learning
把「坐标去噪分数等价于原子力」这一等变图网络中的经典假设推广到非平衡构象，用二阶有限差分构造辅助去噪目标；对做3D点云/等变网络预训练的人，这是一个可复用的、无需预训练即可插入监督流程的辅助损失设计思路。
内容相似度驱动的卷积神经网络
Convolutional Neural Networks Driven by Content Similarity
提出一种基于内容相似度的卷积聚合机制，通过排序操作将特征相似度转化为相对位置信息，使卷积能像自注意力一样聚合信息，为改进CNN的表征能力提供了可复用的技术思路。
面向来自不同领域教师的持续蒸馏
Continual Distillation of Teachers from Different Domains
把「教师模型流式到达、且无法访问旧教师与教师训练数据」的持续蒸馏设定引入视觉模型压缩，用外部无标签数据上的 logits 保持来缓解跨域知识遗忘，可直接用于多源教师（如不同域检测/分割模型）合并到单一学生网络的场景。
面向隐式神经表示的内容感知频率编码与傅里叶-切比雪夫特征
Content-Aware Frequency Encoding for Implicit Neural Representations with Fourier-Chebyshev Features
CAFE 用多个并行线性层经 Hadamard 积合成可学习的频率基，替代固定傅里叶基，可直接替换 NeRF、SIREN 类隐式表示中的位置编码模块，缓解谱偏置、提升高频细节重建；CAFE+ 再叠加切比雪夫特征作为互补，为视觉中的坐标型 MLP 提供更稳定的频率表征方案。
概念感知批采样改进语言-图像预训练
Concept-Aware Batch Sampling Improves Language-Image Pretraining
CABS 把「批采样」当作可在线定制的数据筛选手段：按目标概念分布动态组批（多样性最大化或频次最大化），可直接嵌入 CLIP 类对比学习训练循环，用于缓解长尾概念偏置，且无需额外模型过滤器。
CoMo：从互联网视频中学习连续潜运动以实现可扩展的机器人学习
CoMo: Learning Continuous Latent Motion from Internet Videos for Scalable Robot Learning
用早期时序差分与时间方向反转构造正负样本的时序对比学习，从互联网视频中无监督地提取连续潜运动表征，可直接为视觉策略学习生成伪动作标签，是一种可复用的视频表征预训练手段。
面向多视图聚类的簇感知锚框学习
Cluster-aware Anchor Learning for Multi-View Clustering
把锚框数量从全局固定改为按簇自适应分配，并用 l2,1 列稀疏自动决定每簇保留多少锚框，这一思路可直接迁移到视觉中的大规模聚类、检索与表征压缩场景，例如对多视图/多模态视觉特征做可扩展聚类时替代固定锚框的 k-means 类方法。
克隆确定性世界：潜空间几何在长时程世界模型中的关键作用
Cloning Deterministic Worlds: The Critical Role of Latent Geometry in Long-Horizon World Models
论文揭示潜空间几何结构是长时程世界模型保真度的瓶颈，并提出时序对比学习作为几何正则化手段，可无缝集成到标准自编码器中。这对视觉世界模型、视频预测等任务中表征学习的设计具有直接启发，即通过对比约束塑造反映物理状态流形的潜空间。
清洗池子：深度主动学习中未标注池的渐进式过滤
Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning
对视觉研究者而言，REFINE 提供了一种无需预先知道哪种采样策略最优的集成式主动学习流程：先用多策略集成对未标注池做渐进式过滤，再用覆盖度选择挑批，可直接套用到视觉基础模型（如 CLIP、DINOv2）的标注预算受限微调场景，且过滤后的池子能提升任意单一 AL 策略的表现。
没有图像也能学会看？视觉Transformer的程序化预热
Can You Learn to See Without Images? Procedural Warm-Up for Vision Transformers
提出用程序化生成的无视觉语义数据对ViT进行预热预训练，绕过图像块嵌入，可作为一种新的数据高效预训练策略，用于提升下游视觉任务的数据效率和收敛速度。
CaReFlow：用于多模态融合的循环自适应整流流
CaReFlow: Cyclic Adaptive Rectified Flow for Multimodal Fusion
把整流流当作跨模态分布映射器，用一对多映射让源模态每个样本看到目标模态全局分布，配合自适应松弛对齐与循环整流流约束，可作为视觉-文本/视觉-音频特征对齐的通用预对齐模块，替代扩散或对抗式一对一对齐。
CUE：概念感知的多标签扩展以缓解长尾学习中的概念混淆
CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning
把单标签监督换成由 CLIP 零样本视觉线索与 LLM 类级语义线索构成的多标签概念监督，并用加权 Logit Adjustment 辅助损失注入，可直接迁移到任何长尾识别/分类微调流程中缓解头类主导与类间判别性被破坏的问题。
CHIPS：基于曲率感知混合影响的数据选择实现高效 CLIP 适配
CHIPS: Efficient CLIP Adaptation via Curvature-aware Hybrid Influence-based Data Selection
把影响函数与曲率感知的对齐分数用在 CLIP 领域适配的数据筛选上，视觉研究者可直接复用这套打分流程，在医疗等垂直域只用 10%~30% 数据达到全量持续预训练的效果，也提供了投影子空间内估计 InfoNCE 曲率的可扩展做法。
CHEEM：复用、新建、适配与跳过的持续学习——一种分层探索-利用方法
CHEEM: Continual Learning by Reuse, New, Adapt and Skip - A Hierarchical Exploration-Exploitation Approach
把神经架构搜索当作持续学习中的内部记忆：每个新任务通过 reuse/new/adapt/skip 四种原语动态改写骨干网络结构，视觉研究者可将其作为免样本类增量学习下替代 prompt 微调的骨干自适应方案，并复用其任务质心外部记忆做任务 ID 推理。
通过子空间感知的模型合并跨越领域
Bridging Domains through Subspace-Aware Model Merging
对视觉研究者而言，这是一种无需额外训练即可把多个领域微调模型（如不同成像域、不同风格数据上微调的 ViT）合并为单一模型的手段：通过 SVD 提取各任务矩阵的主奇异向量并构造共享正交基，再剪掉投影后的非对角分量来消除子空间冲突，可直接用于多域视觉模型的部署与跨域泛化提升。
酿造更强特征：面向多光谱对地观测的双教师蒸馏
Brewing Stronger Features: Dual-Teacher Distillation for Multispectral Earth Observation
将现代光学视觉基础模型的对比自蒸馏范式迁移到多光谱遥感预训练，通过双教师（多光谱教师+光学VFM教师）对齐全局语义结构，为跨模态表征学习提供了可复用的蒸馏框架。
引导动态感知的 3D 视觉表征用于可扩展机器人学习
Bootstrap Dynamic-Aware 3D Visual Representation for Scalable Robot Learning
把状态预测建模为扩散生成过程、在共享潜空间联合学习前向与逆向动力学，为视觉表征注入可操作的因果转移结构；特征差分与逆一致性监督可防止动作学习中的特征泄漏，这一思路可直接迁移到任何需要动作条件表征的视觉预训练中。
超越静态世界：视觉漂移下的持续类别发现
Beyond the Static World: Continual Category Discovery under Visual Drift
把部分非平衡最优传输与二值响应谱量化结合，用于无标签流式数据中已知/未知类别的自动分离；其跨域语义对齐（对抗式原型匹配）与类别拓扑一致性约束可直接迁移到开放世界识别、测试时自适应等视觉场景。
超越共享信息：从中间层恢复丢失的独特信息以提升多模态地理基础模型
Beyond What's Shared: Recovering Lost Unique Information from Intermediate Layers to Boost Multimodal Geo-Foundation Models
对做多模态对比学习（如 CLIP 式图文对齐）的人，这篇给出一个几乎零成本的改进：把中间层与最后一层特征融合，可恢复被对齐目标压掉的模态特有信息；其逐层分析（模态间隙、表征相似度、互信息）也可直接迁移到视觉-语言模型的特征选择与层融合策略上。
超越短视对齐：面向在线类增量学习的前瞻优化
Beyond Myopic Alignment: Lookahead Optimization for Online Class-Incremental Learning
把「前瞻式优化」引入基于排练的在线类增量学习：沿兼顾可塑性与稳定性的多个方向做前瞻步，再用一阶 Log-Sum-Exp 代理目标强化最差方向，可直接替换视觉分类模型持续学习中的梯度对齐/超梯度更新环节。
超越欧氏 gossip：异构且不平衡图像上的 KL 重心共识
Beyond Euclidean Gossip: KL-Barycentric Consensus on Heterogeneous and Imbalanced Images
为视觉模型在去中心化、非独立同分布数据上的协同训练提供几何感知的共识机制：在指数族期望参数空间做线性混合即得前向KL重心，可直接替换联邦/去中心化视觉训练中的权重平均，缓解异构站点间的分布漂移。
面向基的低秩迁移用于少样本与测试时自适应
Basis-Oriented Low-rank Transfer for Few-Shot and Test-Time Adaptation
BOLT 提供了一种无需元训练、仅利用多个任务向量构造正交低秩基的迁移方法，视觉研究者可将其用于少样本或测试时快速适配新任务，尤其适合在已有多个微调模型（如不同数据集上的 ViT）时复用其知识。
超语义空间中面向即时类别发现的分配驱动哈希学习
Assignment-Driven Hash Learning in a Hyper-Semantic Space for On-the-Fly Category Discovery
把「超语义空间」的双几何子空间（父原型派生增强 + 跨原型插值校准）与灵活原型分配、二值哈希正则化结合，可作为即插即用模块嵌入现有开放世界/流式类别发现流程，缓解已知类对新类的空间垄断与特征到哈希的级联退化。
抗退化终身多视图聚类
Anti-Degradation Lifelong Multi-View Clustering
零空间投影知识库防退化技术可迁移到视觉模型的持续学习场景，例如在增量式多视图特征学习或跨模态表征对齐中，通过约束新知识更新方向与旧知识正交来避免灾难性遗忘。
一种最优传输驱动的在线增量学习潜空间培育方法
An Optimal Transport-driven Approach for Cultivating Latent Space in Online Incremental Learning
把最优传输驱动的在线混合模型用于潜空间中类别中心的增量演化，替代单一或固定多中心表示，可直接迁移到视觉模型的类增量/在线持续学习场景，缓解多模态数据流下的灾难性遗忘。
面向视频-语言理解持续学习的可供性优先分解
Affordance-First Decomposition for Continual Learning in Video-Language Understanding
把视频映射到缓慢变化的 affordance token 作为共享时间对齐基底、只让轻量查询路由调度器做适配，这一「稳定基底 + 定向可塑」的拆分思路可直接迁移到视频-语言模型的持续学习与免回放增量训练中。
基于多臂老虎机的自适应数据增强：面向隐式模式识别的样本高效嵌入校准
Adaptive Data Augmentation with Multi-armed Bandit: Sample-Efficient Embedding Calibration for Implicit Pattern Recognition
在冻结的视觉/多模态嵌入模型之上训练轻量校准器，并用多臂老虎机驱动的自适应数据增强缓解少样本下的梯度漂移，可直接用于长尾识别、少样本分类等视觉下游任务的低成本适配。
AdaPrior：面向长尾持续学习的贝叶斯启发式自适应先验校正
AdaPrior: Bayesian-Inspired Adaptive Prior Correction for Long-Tailed Continual Learning
把长尾类增量学习重新表述为动态先验失配问题，用指数滑动平均在线估计模型诱导先验，并同时用于训练期去偏（AdaPrior Loss）与推理期轻量 logit 调整；做增量学习或长尾分类的视觉工作可直接复用这套无需额外阶段、无需样本回放的先验校正机制。
AToken：面向视觉的统一分词器
AToken: A Unified Tokenizer for Vision
AToken 提供了一个统一的视觉分词器，将图像、视频和3D资产编码到共享的4D潜变量空间，其纯Transformer架构和4D旋转位置编码可处理任意分辨率和时长，为多模态生成与理解任务提供了可复用的表征基础。
及时一针：通过自监督 Plackett-Luce 排序学习程序性工作流
A Stitch in Time: Learning Procedural Workflow via Self-Supervised Plackett-Luce Ranking
PL-Stitch 利用视频帧的固有时间顺序作为自监督信号，通过 Plackett-Luce 排序损失和时空拼图损失学习程序性活动的表征，可迁移到需要时序推理的视频理解任务中。
混合食谱让 DINO 成为杂食性视觉编码器
A Mixed Diet Makes DINO An Omnivorous Vision Encoder
把 DINOv2 这类单模态基础模型通过「跨模态对齐 + 冻结教师蒸馏」扩展成模态无关编码器，可直接复用于 RGB-D、分割图、深度图等多模态输入的统一特征提取与跨模态检索。
一条更快的持续学习路径
A Faster Path to Continual Learning
对做视觉持续学习或任何需要反复微调的场景，C-Flat Turbo 把 C-Flat 每步三次额外梯度计算压到更少，可直接替换优化器降低训练开销；其「平坦性梯度随任务趋于稳定」的观察也可用于设计其他正则化训练策略的调度。