Tag · 84 篇
参数高效微调
iMontage：统一、通用、高动态的多对多图像生成
iMontage: Unified, Versatile, Highly Dynamic Many-to-many Image Generation
把预训练视频模型的时间连贯先验迁移到多图生成，用最小侵入的适配策略保留原始运动先验，为图像集生成与编辑提供统一框架，可复用于需要跨图一致性的多图/故事板生成任务。
fMRI-LM：迈向面向语言对齐 fMRI 理解的通用基础模型
fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding
把连续神经信号离散化为语言对齐 token 的分词器思路，可迁移到视频/时序视觉信号与语言模型的对齐；三阶段（分词器→联合预训练→多任务指令微调）流程为视觉-语言基础模型提供了可复用的训练范式。
视觉-语音模型：教语音模型谈论图像
Vision-Speech Models: Teaching Speech Models to Converse about Images
为预训练语音模型通过轻量适配模块注入视觉理解能力，并设计动态门控机制在视觉输入与无关对话间切换，为构建实时多模态语音对话系统提供可复用方案。
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。
TriLite：基于通用视觉特征与三区域解耦的高效弱监督目标定位
TriLite: Efficient Weakly Supervised Object Localization with Universal Visual Features and Tri-Region Disentanglement
用冻结的 DINOv2 ViT 特征配合极少量可训练参数（<800K）做单阶段弱监督定位，TriHead 把图像块特征解耦为前景/背景/模糊三区以提升物体覆盖度，为「冻结大骨干+轻量头」的定位与密集预测任务提供了可复用范式。
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。
测试时实例特定参数组合：自适应生成建模的新范式
Test-Time Instance-Specific Parameter Composition: A New Paradigm for Adaptive Generative Modeling
在推理前一次性生成输入条件化的权重增量并注入预训练生成模型，为视觉生成模型提供免微调的逐样本自适应手段，可直接用于轻量化/量化扩散模型的质量补偿与测试时扩展。
SynMotion：面向运动定制视频生成的语义—视觉自适应
SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation
把主体与运动表征解耦成双嵌入、再叠加参数高效运动适配器的做法，可直接迁移到任何需要「保留主体身份、只换动作」的视频扩散定制任务；配套的交替训练策略与 SPV 数据构造方式也为少样本运动定制提供了可复用的训练范式。
精简的开放词表人-物交互检测
Streamlined Open-Vocabulary Human-Object Interaction Detection
对做开放词表检测的人，这篇给出了一个可复用的思路：不再拼接传统检测器与 VLM 两套表征，而是把交互查询和骨干图像 token 一起送进 DINOv3 的文本对齐视觉头，让交叉注意力在同一个表征空间内完成，从而绕开跨模型特征融合的鸿沟；同时全冻结骨干、只训练少量参数的做法可直接迁移到其他开放词表定位任务。
通过动态特征归一化稳定流式视频几何
Stabilizing Streaming Video Geometry via Dynamic Feature Normalization
DyFN 通过动态调制潜变量特征的统计量（均值和方差）来稳定单目几何基础模型在流式输入下的尺度漂移，仅微调 2% 参数即可复用现有强模型，为视频深度估计和在线三维重建提供了一种轻量、因果的时序一致性方案。
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。
稀疏谱 LoRA：面向医学视觉语言模型的路由专家
Sparse Spectral LoRA: Routed Experts for Medical VLMs
把预训练权重按 SVD 分段初始化 MoE 专家，并配一个与全秩全量微调对齐的缩放规则，为视觉语言模型在异构医学数据上做参数高效适配提供了可复用的低秩专家路由方案，可直接迁移到其他多数据集 VLM 微调场景。
选择性、正则化与校准：利用视觉基础模型进行跨域少样本语义分割
Selective, Regularized, and Calibrated: Harnessing Vision Foundation Models for Cross-Domain Few-Shot Semantic Segmentation
对做分割的人，这篇给出了一个在冻结 VFM 特征上做测试时适配的完整范式：用数据相关的 Exemplar Transfer Risk 自动挑层、再用先验引导正则化与像素级校准修正交互图，且只微调不到 2.7% 参数，可直接迁移到其他少样本/跨域密集预测任务。
SegMoTE：面向医学图像分割的 token 级混合专家
SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation
把 SAM 类通用分割基础模型迁移到医学影像时，可用 token 级混合专家加少量可学习参数实现模态/解剖自适应，并用渐进式提示词 token 化实现全自动分割，为低标注成本下的基础模型领域适配提供可复用范式。
SFR-Net：多标签零样本下水道缺陷检测中的引导-融合-精炼网络
SFR-Net: Steering-Fusion-Refining Network in Multi-label Zero-Shot Sewer Defect Detection
针对稀疏语义描述与复杂管道视觉环境之间的对齐歧义问题，提出参数高效的特征引导（steering）机制与解耦的全局/局部多粒度证据融合，并用已见类的关系逻辑迁移做分数校正；这套「引导-融合-精炼」范式可迁移到其他开放词表/零样本检测任务中缓解视觉-语义对齐歧义。
SEATrack：简单、高效且自适应的多模态跟踪器
SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker
AMG-LoRA 将 LoRA 与自适应互引导结合，用于对齐双流跟踪器中的跨模态注意力图；HMoE 用分层混合专家实现高效的全局关系建模，这两者都是可复用的 PEFT 与融合设计，可直接迁移到其他多模态视觉任务。
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。
S2FT：稀疏频谱域中的参数高效微调
S2FT: Parameter-Efficient Fine-Tuning in Sparse Spectrum Domain
为视觉大模型（ViT、扩散骨干等）的下游适配提供了一种仅需约0.08%可训练参数的PEFT方案：先用粗估的权重变化作为先验，再通过行列重排把权重变化映射到频谱稀疏的潜空间，然后只微调少量谱系数；做迁移学习或低资源微调时，可以直接替换LoRA/傅里叶PEFT的适配模块。
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。
重新审视2D基础模型用于可扩展的3D医学图像分类
Revisiting 2D Foundation Models for Scalable 3D Medical Image Classification
将2D基础模型通过轻量插件适配到3D医学分类，并系统评估多种适配策略，为视觉领域利用大规模2D预训练模型解决3D任务提供了可复用的范式。
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。
ReFTA：突破张量化参数高效微调中的权重重构瓶颈
ReFTA: Breaking the Weight Reconstruction Bottleneck in Tensorized Parameter-Efficient Fine-Tuning
对需要在 ViT-Large 等大模型上做下游适配的视觉研究者，ReFTA 用张量代数消去训练时的权重重构开销，并只微调主张量分量，可在比 LoRA 少 96% 可训练参数的情况下取得更高精度，是替换 LoRA/PiSSA 的即插即用微调方案。
重新审视持续视觉问答：面向多模态持续学习的公平与鲁棒评测
Re-evaluating Continual VQA: Toward Fair and Robust Evaluation for Multimodal Continual Learning
对做多模态持续学习的人，这篇论文指出共享答案词表与静态答案先验会系统性高估性能、低估遗忘，并给出可复用的无偏基准构造方式（token 级不相交答案空间 + 任务内训练-测试分布偏移）；其 question-only replay 与双层蒸馏基线也可作为轻量防遗忘的对照方案。
原型即提示：多模态情感原型赋予大语言模型执行多模态情感分析的能力
Prototype-as-Prompt: Multimodal Sentiment Prototypes Endowing Large Language Models the Capability to Perform Multimodal Sentiment Analysis
将视觉-音频特征压缩为可解释的多模态情感原型，并作为软提示注入LLM，为视觉-语言模型提供了一种参数高效且语义明确的条件控制方式，可复用于其他多模态理解任务。
保护以适配：面向少样本动作识别的正交子空间控制与排序负提示词课程
Protect to Adapt: Orthogonal Subspace Control with Ranked Negative-Prompt Curriculum for Few-Shot Action Recognition
OSC 把低秩更新约束在预训练骨干网络主语义子空间的正交补上，这一做法可直接迁移到任何 VLM 微调场景（如少样本图像分类、视频检索），在适配下游任务的同时抑制灾难性遗忘；RNC 用大语言模型生成按难度排序的负提示词，为少样本 episode 中负样本不足、决策边界模糊的问题提供了一种可复用的数据构造思路。
偏好对齐的低秩适配合并：保持子空间覆盖与解决方向各向异性
Preference-Aligned LoRA Merging: Preserving Subspace Coverage and Addressing Directional Anisotropy
TARA-Merging 提供了一种无需额外训练即可合并多个 LoRA 模块的方法，视觉研究者可将其用于多任务模型融合、领域自适应或个性化模型集成，尤其适合需要保持各任务性能的场景。
PointTPA：面向3D场景理解的动态网络参数自适应
PointTPA: Dynamic Network Parameter Adaptation for 3D Scene Understanding
提出一种测试时参数自适应框架，通过序列化邻域分组和动态参数投影器为点云场景生成输入感知的骨干网络权重，可复用于其他3D场景理解任务的轻量级自适应。
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。
面向开放词表目标检测增强的参数高效语义增强方法
Parameter-Efficient Semantic Augmentation for Enhancing Open-Vocabulary Object Detection
用图像特征金字塔构建多尺度提示词库，为开放词表检测器注入细粒度局部语义，并用语义感知路由器在推理时动态选择增强策略，避免微调破坏预训练泛化性——这套「冻结主干+提示词增强」思路可直接迁移到任何需要跨域迁移的视觉-语言检测或分割模型。
通过隐式模态分解实现多模态大模型的参数高效适配
Parameter-Efficient Adaptation for MLLMs via Implicit Modality Decomposition
把 LoRA 的可学习参数按模态拆成文本专属、非文本专属与模态共享三部分，并加解耦/对齐约束，可直接迁移到视觉-语言模型（如 LLaVA 类）的 PEFT 微调中，缓解文本模态主导更新、视觉表征学不充分的问题。
OrthoFuse：面向扩散模型的正交风格-概念适配器免训练黎曼融合
OrthoFuse: Training-free Riemannian Fusion of Orthogonal Style-Concept Adapters for Diffusion Models
对做个性化/风格化扩散生成的人，这提供了一条无需再训练就能把主体适配器与风格适配器合并的路径：利用 GS 正交矩阵所在流形的测地线近似做乘法式适配器融合，并配合谱恢复变换保住融合后的频谱特性，可直接插到现有 OFT/LoRA 式微调流程里。
OPRO：面向面板感知上下文图像生成的正交面板相对算子
OPRO: Orthogonal Panel-Relative Operators for Panel-Aware In-Context Image Generation
把可学习的面板相对正交算子叠加到冻结的位置编码上，在保持等距性与同面板不变性的同时实现面板感知的上下文条件注入，可直接复用于基于扩散 Transformer 的图像编辑与多面板布局生成管线。
本质子空间中的模型合并
Model Merging in the Essential Subspace
对需要把多个任务微调模型（如多个下游视觉任务的 LoRA/全参微调权重）零训练合成一个多任务模型的场景，提供基于 PCA 特征偏移子空间投影 + 低秩分解 + 极化缩放的可复用合并流程，可直接用于视觉基础模型的多任务部署。
挖掘属性子空间以实现3D基础模型的高效微调
Mining Attribute Subspaces for Efficient Fine-tuning of 3D Foundation Models
提出通过合成数据挖掘与不同变化类型（纹理、几何、相机运动、光照）关联的低秩适配子空间，并整合为更紧凑的子空间用于高效微调3D基础模型，为视觉领域提供了一种可复用的参数高效微调策略。
警惕无源跨域少样本学习中的判别性陷阱
Mind the Discriminability Trap in Source-Free Cross-domain Few-shot Learning
揭示了 VLM 在无源跨域少样本微调中「视觉判别性越强反而越差」的捷径现象：交叉熵损失中的视觉学习项会绕过跨模态对齐，因此做 CLIP/SigLIP 下游适配时应显式扰动视觉分支并利用图文语义关系逐步恢复模态对齐，而不是一味增强视觉特征判别性。
基于掩码双路径蒸馏的渐隐侧网络内存高效迁移学习
Memory-Efficient Transfer Learning with Fading Side Networks via Masked Dual Path Distillation
对做视觉大模型适配的人，这篇给出了一个可直接复用的思路：微调时让冻结主干与可学习侧网络互相蒸馏，推理时直接丢掉侧网络，从而在不增加推理开销的前提下获得侧网络的适配收益；其面向多层编码器的特征蒸馏设计也可迁移到 ViT 类主干的 PEFT 方案中。
通过动态图像块采样与块跳过实现扩散 Transformer 的显存高效微调
Memory-Efficient Fine-Tuning Diffusion Transformers via Dynamic Patch Sampling and Block Skipping
面向 DiT 个性化微调，按扩散时间步动态调整图像块尺寸并跳过非关键 Transformer 块、预计算残差特征，可直接迁移到显存受限下的 T2I 定制与少样本适配。
M4-SAM：面向 RGB-D 视频显著性目标检测的多模态混合专家与记忆增强 SAM
M4-SAM: Multi-Modal Mixture-of-Experts with Memory-Augmented SAM for RGB-D Video Salient Object Detection
把 SAM2 的线性 LoRA 换成带卷积专家的模态感知 MoE-LoRA，并用伪掩码引导记忆库实现无提示初始化，这套 PEFT + 记忆引导思路可直接迁移到其他需要多模态适配的 SAM2 下游分割任务。
LumiX：结构化且连贯的文本到本征图生成
LumiX: Structured and Coherent Text-to-Intrinsic Generation
Query-Broadcast Attention 让所有本征图共享同一组 query，从而在联合扩散采样中保持跨图结构一致；Tensor LoRA 用张量化低秩适配建模跨图关系，可作为多输出联合生成任务中参数高效训练与一致性的通用手段。
LoFA：学习预测个性化先验以实现视觉生成模型的快速适配
LoFA: Learning to Predict Personalized Prior for Fast Adaptation of Visual Generative Models
把 LoRA 微调从「逐任务优化数小时」变成「超网络秒级预测」，视觉生成模型做个性化时可直接复用其两阶段超网络（先预测相对分布模式、再回归 LoRA 权重）作为免优化适配器。
LiDeRe：面向快速且数据高效密集预测的轻量读出模块
LiDeRe: A Lightweight Readout for Fast and Data-Efficient Dense Prediction
在冻结的大型视觉骨干（如 DINOv3）之上，用一个由插值与注意力构成的轻量密集读出模块替代主流 PEFT，为小数据下的分割、检测、姿态估计等密集预测任务提供更省参数、更快训练的微调范式。
保持冻结：面向多域视觉 Transformer 的域路由条件残差调制
Keep It Frozen: Domain-Routed Conditional Residual Modulation for Multi-Domain Vision Transformers
提出一种冻结骨干网络、通过域路由和参数合成网络动态生成低秩残差调制块的方法，为视觉 Transformer 在多域（医学+自然）场景下提供参数高效的自适应方案，可复用于需要跨域泛化且计算开销敏感的任务。
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。
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。
HiFICL：面向多模态任务的高保真上下文学习
HiFICL: High-Fidelity In-Context Learning for Multimodal Tasks
把 ICL 中示例的影响精确分解为注意力输出与上下文值的动态混合，并用可学习的虚拟键值对加低秩分解来替代「shift vector」近似，这给视觉-语言模型提供了一种免示例、低开销的任务适配手段，可直接嵌入 LMM 的注意力层做端到端训练。
HiDRA：面向红外视觉增强的分层退化表征与生成先验自适应
HiDRA: Hierarchical Degradation Representation and Adaptation with Generative Priors for Enhancing Infrared Vision
把退化模式显式建模成可解耦的表征，再用它去条件化生成模型的参数微调，这个「退化表征→参数自适应」的范式可以直接迁移到低光照、去噪、去模糊等复合退化复原任务上，尤其是可见光预训练扩散先验跨域适配到非可见光成像的场景。
面向安全对齐多模态大模型的持续视觉指令微调中的和谐参数适配
Harmonious Parameter Adaptation in Continual Visual Instruction Tuning for Safety-Aligned MLLMs
对做多模态大模型持续指令微调的人，这篇给出了一个后训练框架：按参数对安全/任务的关注度做分区，再从平衡视角选择要保留的参数子集，并对更新施加正交约束，可直接迁移到视觉指令微调的增量学习场景以同时抑制任务遗忘与安全退化。
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。
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。
GeCo：面向域泛化语义分割的几何一致性正则化
GeCo: Geometry-Consistent Regularization for Domain Generalized Semantic Segmentation
针对在 DGSS 中用 PEFT 微调 VFM 时适配器过拟合源域、破坏预训练几何结构的问题，GeCo 用曲率引导扰动和测地线正则化在保持流形结构的前提下扩展表征，可直接迁移到其他基于 VFM 微调的密集预测任务（如深度估计、开放词表分割）的正则化设计。
GaussianVision：利用2D高斯泼溅从压缩图像表示实现视觉-语言对齐
GaussianVision: Vision-Language Alignment from Compressed Image Representations using 2D Gaussian Splatting
用2D高斯泼溅作为紧凑、空间自适应的视觉表示替代RGB像素，配合冻结的RGB Transformer骨干和轻量输入茎，可显著降低传输与词元开销，为视觉语言模型提供可复用的高效视觉前端。
GFRRN：弥合单图反射去除中的鸿沟
GFRRN: Explore the Gaps in Single Image Reflection Removal
用可学习 Mona 层做 PEFT 对齐预训练特征与复原模型特征，并用标签生成器统一合成/真实反射标签，可直接迁移到去雨、去雾等存在合成-真实域差的低层复原任务。
从3D姿态到文本：基于生物力学的视觉-语言教练
From 3D Pose to Prose: Biomechanics-Grounded Vision-Language Coaching
将3D骨骼运动学与视觉外观通过交叉注意力融合，用于生成可解释的健身指导文本；其运动学约束建模和参数高效训练策略可迁移到其他需要细粒度动作理解的视觉-语言任务。
面向参数高效多任务学习的频率切换机制
Frequency Switching Mechanism for Parameter-Efficient Multi-Task Learning
把正弦频率调制叠加在低秩+卷积先验的单一核上，用极少量可训练参数（6.53M）实现多任务权重特化，可直接替换视觉骨干网络中的 LoRA/Adapter 做多任务稠密预测的联合微调。
Frame2Freq：面向细粒度视频理解的频谱适配器
Frame2Freq: Spectral Adapters for Fine-Grained Video Understanding
把图像预训练骨干迁移到视频时，用沿时间轴的 FFT 做频带特定嵌入，替代单尺度时域适配器，可复用于任何需要多时间尺度运动建模的视频下游任务（如细粒度动作识别、时序定位）。
FlowComposer：面向组合零样本学习的可组合流
FlowComposer: Composable Flows for Compositional Zero-Shot Learning
把流匹配的速度场组合作为显式的嵌入空间融合算子，可替代 token 拼接/提示词调优来实现组合式概念构造，对做 VLM 下游组合推理与概念解耦的研究者是一个可直接插入基线的即插即用模块。
FedBPrompt：基于身体分布感知视觉提示词的联邦域泛化行人重识别
FedBPrompt: Federated Domain Generalization Person Re-Identification via Body Distribution Aware Visual Prompts
提出可学习的视觉提示词分组机制（整体身体提示词+身体部位对齐提示词）来引导ViT注意力聚焦行人区域，并冻结骨干网络仅微调提示词以降低联邦通信开销，可直接用于ViT-based行人重识别及其他细粒度视觉任务的参数高效域泛化。
Fast SceneScript：基于多词元预测的快速准确语言驱动 3D 场景理解
Fast SceneScript: Fast and Accurate Language-Based 3D Scene Understanding via Multi-Token Prediction
对做 3D 场景理解的研究者，这篇给出了把自回归式结构化语言模型（SceneScript 类）的推理加速到每步最多 9 个词元的方案：多词元预测头 + 置信度引导的自推测解码，可直接迁移到任何以序列形式输出 3D 布局/检测框的模型上，且只增加 7.5% 参数。
FairLLaVA：面向大型视觉语言助手的美公平性感知参数高效微调
FairLLaVA: Fairness-Aware Parameter-Efficient Fine-Tuning for Large Vision-Language Assistants
把互信息最小化当作表示层正则项，配合低秩适配器做插件式微调，可在不改动 MLLM 主干的前提下压制视觉指令微调中的群体偏差；做医学影像报告生成或 VQA 时，这套「公平性正则 + LoRA」的组合可直接迁移到自己的多模态模型上。
FINE：分解知识以实现可变尺寸扩散模型的初始化
FINE: Factorizing Knowledge for Initialization of Variable-sized Diffusion Models
把扩散模型每层权重分解为跨层共享的尺寸无关因子 U、V 与层专属的 Σ，从而在只有小模型预训练权重时直接重组初始化任意尺寸的扩散模型，仅需少量数据重训 Σ；对需要在显存受限场景下部署不同规模扩散模型的视觉研究者提供了可复用的权重分解与初始化思路。
FAAR：通过自动秩选择的高效频率感知多任务微调
FAAR: Efficient Frequency-Aware Multi-Task Fine-Tuning via Automatic Rank Selection
提出频率感知的自动秩选择方法，可复用于视觉多任务微调，在减少参数量的同时提升密集预测任务性能。
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。
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。
3D 基础模型中涌现的极端视角几何
Emergent Extreme-View Geometry in 3D Foundation Models
论文揭示 3D 基础模型在非重叠极端视角下已具备涌现的几何理解能力，并给出只微调骨干网络 bias 项、冻结解码器头的轻量对齐方案，可直接用于提升相对姿态估计；同时 MegaUnScene 基准为评测 3DFM 的跨场景泛化提供了新协议。
EfficientVPR：基于场景感知提示词微调与自适应特征增强的高效视觉位置识别
EfficientVPR: Toward Efficient Visual Place Recognition via Scene-Aware Prompt Tuning and Adaptive Feature Enhancement
用场景感知的视觉提示词微调加实例相关的局部关键特征增强，在 DINOv2-small 上以低维特征实现 73 倍加速，为视觉检索类任务提供了一条「不靠堆模型容量、不靠重排序」的效率路线，可直接迁移到图像检索与重定位的特征提取环节。
Dynamic Magic：释放受限知识以实现终身行人重识别
Dynamic Magic: Unleashing Restricted Knowledge for Lifelong Person Re-Identification
把大预训练模型与动态扩展的模块化适配器结合，用域感知调度和相似度引导的自动选择器在推理时路由输入，为视觉里「持续学习新域又不遗忘旧域」提供了一套可复用的参数隔离+共享适配器协作框架。
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。
面向一体化图像复原的退化一致性测试时自适应
Degradation-Consistent Test-Time Adaptation for All-in-One Image Restoration
把「同一场景的多种退化版本应映射到同一干净图像」作为自监督一致性约束，配合扩散生成器合成伪退化-干净对，为图像复原模型在测试时做无源域自适应提供了可复用的伪监督构造思路；其按退化敏感性选择参数更新的策略也可迁移到其他复原/增强模型的稳定微调。
解耦视觉与语言：码本锚定的视觉自适应
Decoupling Vision and Language: Codebook Anchored Visual Adaptation
用离散码本把视觉编码器输出锚定到稳定词元空间，使编码器可独立微调而不改动投影器或 LLM，为视觉侧域自适应提供了一种与语言架构解耦的可复用方案。
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。
分解、混合、适配：参数高效神经网络重组与压缩的统一框架
Decompose, Mix, Adapt: A Unified Framework for Parameter-Efficient Neural Network Recombination and Compression
提出一种统一的权重分解与重组框架，可同时实现参数高效微调（PEFT）和模型压缩（MC），为视觉模型（如ViT）在边缘设备上的部署提供了一种可复用的技术方案。
DeAR：通过分解注意力头角色实现细粒度 VLM 适配
DeAR: Fine-Grained VLM Adaptation by Decomposing Attention Head Roles
把 VLM 适配的粒度从「层」下沉到「注意力头」，用 Concept Entropy 给每个头打上属性/泛化/混合的角色标签，再用 Role-Based Attention Mask 隔离任务知识与泛化能力——做提示词学习或参数高效微调时，可直接复用这套头级角色划分与掩码控制信息流的思路，缓解适配与零样本泛化的权衡。
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。
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。
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。
CrossEarth-Gate：面向跨域遥感语义分割高效适配的 Fisher 引导自适应调优引擎
CrossEarth-Gate: Fisher-Guided Adaptive Tuning Engine for Efficient Adaptation of Cross-Domain Remote Sensing Semantic Segmentation
把 Fisher 信息当作模块重要性的度量，在空间/语义/频率三类适配模块组成的工具箱上做动态稀疏激活，为视觉基础模型跨域适配提供了一种可复用的「按梯度流贡献选模块」的 PEFT 思路，可直接迁移到其他密集预测任务的域偏移场景。
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。
CLIPoint3D：基于语言锚定的少样本无监督三维点云域自适应
CLIPoint3D: Language-Grounded Few-Shot Unsupervised 3D Point Cloud Domain Adaptation
把点云投影成多张深度图后直接复用冻结的 CLIP 主干，配合知识驱动的提示词微调和熵引导的视角采样，为 3D 域自适应提供了一条无需训练重型 3D 编码器的轻量路线；其中的最优传输对齐损失与不确定性感知原型对齐损失也可迁移到其他跨域特征对齐场景。
CF-IPT：面向多源遥感数据分类的视觉语言预训练模型跨模态融合交互提示微调
CF-IPT: Cross-Modal Fusion Interactive Prompt Tuning of Vision-Language Pre-Trained Model for Multisource Remote Sensing Data Classification
把 CLIP 的提示学习从自然图像迁移到多源遥感：用光谱-空间提示矩阵引导视觉与文本分支的交互，仅训练 0.76% 参数即可完成多源图像分类，可作为跨模态提示微调在非自然图像域的可复用范式。
推动视觉语言模型面向跨域增量目标检测
Boosting Vision-Language Models Towards Cross-Domain Incremental Object Detection
把「跨域 + 新类别」同时纳入增量目标检测的评测协议，并用按分布分组的动态子空间 + 渐进式 adapter 合并来平衡稳定性与可塑性，可直接迁移到开放世界检测器或 VLM 检测器的持续适配场景。
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。
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。