Tag · 7 篇
因果推断
面向多标签图像分类的基于原型的因果干预
Prototype-based Causal Intervention for Multi-Label Image Classification
用可学习的上下文原型在记忆库中动态建模混淆因子，仅凭图像级监督近似后门调整，为视觉分类中去除共现偏差提供了一个可复用的因果干预模块。
面向可泛化医学图像分割的多模态因果驱动表征学习
Multimodal Causality-Driven Representation Learning for Generalizable Medical Image Segmentation
把因果干预引入 CLIP 式视觉语言模型：用文本提示构建「混淆因子字典」来显式建模设备/成像模式等域偏移，再做因果去混淆，这套「字典+干预」思路可迁移到任何需要跨域泛化的分割或检测任务。
FedMPT：视觉语言模型的联邦多标签提示微调
FedMPT: Federated Multi-Label Prompt Tuning of Vision-Language Models
在联邦场景下对 VLM 做多标签提示微调时，用 LLM 生成的条件提示与图像 patch 做最优传输来挖掘区域级语义，并用门控融合多条件预测，可缓解客户端异构数据导致的虚假标签共现过拟合；这套「条件提示 + 区域对齐」思路可迁移到其他需要细粒度多标签或开放词表的 VLM 适配任务。
CausalVAD：通过因果干预去混淆的端到端自动驾驶
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
提出稀疏因果干预模块（SCIS），可即插即用地嵌入端到端驾驶模型，通过原型字典对稀疏查询做后门调整，消除数据集偏差导致的因果混淆，提升规划安全性与鲁棒性。
CIGPose：面向全身姿态估计的因果干预图神经网络
CIGPose: Causal Intervention Graph Neural Network for Whole-Body Pose Estimation
把视觉上下文当作混淆因子、用因果干预模块替换被混淆的关键点表征，这一去混淆思路可直接迁移到其他易受上下文虚假关联影响的关键点/密集预测任务（如手部姿态、动物姿态、遮挡场景下的检测）。
打破虚假相关：用于AU检测的不确定性驱动因果Transformer
Breaking Spurious Correlations: Uncertainty-Driven Causal Transformers for AU Detection
将Transformer注意力权重参数化为高斯分布以建模不确定性，并引入因果干预模块抑制混淆偏差，可复用于其他存在标签噪声和类别不平衡的细粒度人脸分析任务。
BiomedCCPL：面向生物医学视觉语言模型的因果条件提示词学习
BiomedCCPL: Causal Conditional Prompt Learning for Biomedical Vision-Language Models
用因果前门调整约束图像条件提示词的生成，使提示词只依赖跨类共享的诊断性视觉特征，这一思路可直接迁移到任何 VLM 的 base-to-novel 泛化场景，用来抑制已见类中的虚假线索。