Tag · 7 篇

可变形注意力

分布 3D 视觉与重建2自动驾驶与遥感2视频理解与时序1图像分割1视觉语言模型1

When Transformers Meet Mamba: A Hybrid Transformer-Mamba Network for Video Object Detection

将 Mamba 的线性复杂度长序列建模能力与 Transformer 的长程依赖建模能力结合，用于视频目标检测中的跨帧特征聚合；其空间自适应可变形 Transformer 编码器和时序级联双向 Mamba 编码器可作为通用模块迁移到其他需要长时序建模的视频任务中。

Spatial Matters: Position-Guided 3D Referring Expression Segmentation

把显式空间关系建模引入 3D 指代分割：用聚合局部上下文与空间关系的 point proxy 生成查询，并在解码器中用位置引导的可变形注意力逐步聚焦目标，可迁移到任何需要区分视觉相似实例的点云定位/分割任务。

Sparsity-Aware Voxel Attention and Foreground Modulation for 3D Semantic Scene Completion

用共享 dummy 节点跳过空体素、只对占用体素做可变形注意力，是单目 3D 重建中处理 >93% 空体素的高效注意力设计，可直接迁移到 NeRF/体素/占据预测类任务；Foreground Dropout 与文本引导图像滤波为长尾语义类别提供了一种免重采样的调制思路。

R4Det: 4D Radar-Camera Fusion for High-Performance 3D Object Detection

面向自动驾驶的多模态3D检测，其全景深度融合（绝对/相对深度互增强）与不依赖自车位姿的可变形门控时序融合模块，可直接迁移到LiDAR-相机或纯视觉BEV时序检测中，解决位姿缺失下的时序退化问题。

Learning and Aligning Click-Aware Shape Prior for Interactive Amodal Instance Segmentation

将用户点击作为交互信号，通过三元组损失学习点击感知的形状先验，并用可变形注意力对齐先验与目标实例，为遮挡下的非模态实例分割提供可复用的先验检索与对齐框架。

GEM: Generating LiDAR World Model via Deformable Mamba

把序列激光扫描与 Mamba 的选择性扫描机制对齐，并用三路可变形 Mamba 在解耦后的动态/静态 token 上做时空建模，为激光雷达点云生成式世界模型提供了一个可复用的骨干设计；其 BEV 布局控制器与规划器接口也便于把生成模型接入自动驾驶闭环仿真。

CoV-Align: Efficient Fine-grained Cross-Modal Alignment with Cohesive Visual Semantics Priority

用无文本引导的语义收敛注意力先聚合视觉 patch，再与文本对齐，可把图文检索/跨模态检索中的 patch-word 冗余相关性计算量降下来，3-5x 加速对大规模多模态训练与推理有直接复用价值。