Tag · 26 篇
分布外检测
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。
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。
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）。
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。
STAR：测试时自适应可增强视觉语言模型的通用提示词学习
STAR: Test-Time Adaptation Can Enhance Universal Prompt Learning for Vision-Language Models
提出基于Fisher分数的可分离性感知门控与共轭优化，结合动态记忆库的原型检索来校准OOD检测，为视觉语言模型在无标签且含OOD样本的目标域上进行测试时提示词学习提供了可靠伪标签生成与偏差缓解的通用技术方案。
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。
REACH：面向扩散策略的显式恢复行为
REACH: Explicit Recovery Behavior for Diffusion Policies
把生成模型中的负提示思想迁移到扩散策略的动作采样上：用误差检测器识别 OOD 执行历史并构造负动作提示，从而在推理时抑制次优动作模态，这一思路可直接复用于视觉-语言-动作模型的动作去噪与采样引导。
RC-NF：面向机器人操作实时异常检测的机器人条件归一化流
RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation
把归一化流的概率密度当作实时 OOD 打分器，挂在 VLA 模型（如 Pi0）后面做即插即用的异常监控与回滚/重规划触发，为视觉研究者提供了一个可复用的『生成式密度估计做机器人异常检测』范式，以及一个含三类机器人异常的仿真基准。
ProOOD：原型引导的分布外3D占用预测
ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction
面向自动驾驶3D占用预测的免训练OOD打分（局部logit一致性与局部/全局原型匹配融合）与原型引导的尾部类挖掘，可直接迁移到其他密集预测任务的异常检测与长尾校准中。
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）。
面向激光雷达分布外检测的神经分布先验
Neural Distribution Prior for LiDAR Out-of-Distribution Detection
针对激光雷达点云 OOD 检测中类别不平衡导致的打分偏差，用可学习的 logit 分布先验加注意力模块对 OOD 分数做类别自适应重加权，并可用 Perlin 噪声在输入扫描上合成辅助 OOD 样本，这套打分重加权与合成策略可迁移到其他密集预测任务的开放世界检测中。
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。
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。
学习识别分布外目标以用于3D激光雷达异常分割
Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation
在激光雷达特征空间中直接建模内点类分布以约束异常样本，可替代从2D视觉迁移的后处理式异常打分；同时提供的混合真实-合成激光雷达异常分割数据集可用于评测3D开放世界感知的OOD检测能力。
学习潜在概念用于分布外目标检测
Learning Latent Concepts for Detecting Out-of-Distribution Objects
提出基于槽位表征的无监督概念发现与神经概念绑定器，将未知概念注入检测器，为开放世界目标检测中的OOD识别提供可复用的框架。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。