Tag · 9 篇

可解释性

分布视觉语言模型3可解释性与可视化2强化学习与具身智能1目标检测与定位1图像分割1医学影像与生物视觉1

Saliency-R1: Enforcing Interpretable and Faithful Vision-language Reasoning via Saliency-map Alignment Reward

提出一种无需额外计算开销的显著性图方法，可追踪视觉信息在推理链中的流动，并用显著性图与人工标注框的重叠度作为 GRPO 奖励，为 VLM 的视觉 grounding 与忠实性训练提供了可复用的奖励设计与归因工具。

SIR: Structured Image Representations for Explainable Robot Learning

用场景图作为机器人策略的中间表征，把图像特征转成可稀疏化的图结构，既提升对干扰物的鲁棒性，又让决策过程可被逐节点审查；做视觉表征或 VLA 的研究者可借鉴这种「结构化中间表示 + 端到端稀疏化」的思路来替代黑箱图像嵌入。

Rotation Invariant and Symmetry Aware Pixel Difference Network for Remote Sensing Object Detection

RIS-PDC 将旋转群先验和对称约束编码进卷积算子，用像素差和极谐空间聚合替代传统卷积，可直接替换骨干网络中的标准卷积，提升对旋转和遮挡的鲁棒性，且不增加参数量。

Reinforce to Learn, Elect to Reason: A Dual Paradigm for Video Reasoning

提出一种训练时用强化学习生成结构化证据、推理时用证据加权选举的范式，可迁移到视频问答、时序定位等需要证据对齐的视觉语言任务，提升推理可靠性与可解释性。

Interpretable Cross-Domain Few-Shot Learning with Rectified Target-Domain Local Alignment

针对CLIP在跨域少样本场景下局部视觉-文本对齐失效的问题，提出基于循环一致性的自监督对齐方法，并引入语义锚框机制过滤噪声，可提升医学等细粒度领域的可解释识别性能。

Hierarchical Concept Embedding & Pursuit for Interpretable Image Classification

HCEP 利用视觉语言模型的潜空间，通过层次化稀疏编码恢复图像中的概念，为设计可解释分类模型提供了新思路；其几何构造和恢复条件可推广到其他需要结构化概念表示的任务。

Discriminative Perception via Anchored Description for Reasoning Segmentation

用描述性 caption 与上下文做语义对比来构造判别性奖励，可作为一种可复用的 RL 奖励设计思路，用于任何需要模型聚焦目标区域的 grounding/分割任务，同时产出与分割对齐的可解释理由。

Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images

将单细胞RNA测序数据构建的细胞类型原型作为结构正则，引导从病理图像预测基因表达，为计算病理中的弱监督回归与可解释性提供了新思路。

Align Once to Explain: Feature Alignment for Scalable B-cosification of Foundational Vision Transformers

提出一种免标签的一次性特征对齐方法，将任意预训练视觉基础模型（监督、自监督、视觉语言）转换为内在可解释的 B-cos 变体，且转换后模型可直接作为骨干网络用于下游任务，为视觉模型可解释性提供高效、可扩展的解决方案。