Tag · 8 篇

免训练

分布视觉语言模型2图像分割2高效模型与推理加速1图像编辑与可控生成13D 视觉与重建1生成模型与扩散1

Upsample Anything: A Simple and Hard to Beat Baseline for Feature Upsampling

把高斯泼溅与联合双边上采样结合成逐图像测试时优化的各向异性高斯核，可在不重训练的情况下把任意 ViT 的 14x/16x 下采样特征、深度图或概率图恢复为像素级高分辨率输出，适合作为分割/深度等密集预测任务中冻结基础模型后的通用后处理插件。

StyleGallery: Training-free and Semantic-aware Personalized Style Transfer from Arbitrary Image References

用潜扩散特征做自适应聚类得到语义区域，再以块过滤匹配和区域风格损失引导扩散采样，为免训练风格迁移提供了可复用的区域级对齐与能量函数优化范式。

STiTch: Semantic Transition and Transportation in Collaboration for Training-Free Zero-Shot Composed Image Retrieval

把检索从点对点匹配改成基于最优传输的集合到集合对齐，并用嵌入空间中的过渡向量修正 LLM 生成的描述，这两点可直接迁移到任何图文检索或跨模态匹配任务中。

SOTA: Self-adaptive Optimal Transport for Zero-Shot Classification with Multiple Foundation Models

提出一种免训练的自适应最优传输集成框架，可即插即用地融合多个视觉或视觉语言基础模型的输出，提升零样本分类性能，为多模型集成提供新思路。

ReAttnCLIP: Training-Free Open-Vocabulary Remote Sensing Image Segmentation via Re-defined Attention in CLIP

通过重新定义CLIP的注意力矩阵（替换patch-to-patch子矩阵、优先中间层注意力、禁用[CLS]自注意力）来提升开放词表分割的patch级表征质量，该思路可迁移到其他基于CLIP的密集预测任务。

LASER: Layer-wise Scale Alignment for Training-Free Streaming 4D Reconstruction

将离线前馈重建模型（如 VGGT、π³）转化为流式系统时，提出逐层尺度对齐替代全局 Sim(3) 对齐，解决单目尺度模糊导致的层间深度尺度不一致问题，可复用于任何需要跨时间窗口对齐深度预测的流式 3D 重建任务。

INSID3: Training-Free In-Context Segmentation with DINOv3

利用冻结的 DINOv3 密集自监督特征直接进行语义匹配和分割，无需微调或辅助模型，为少样本分割提供了极简且强泛化的新范式。

GROW: Watermark Generation with Progressive Guidance for Diffusion Models

把水印嵌入从一次性写入初始噪声改为沿扩散采样过程用频域梯度逐步引导生成，从而省去 DDIM 反转，为扩散模型版权保护提供近 100 倍加速的免训练检测方案。