Tag · 8 篇

域偏移

分布自监督与表征学习3鲁棒性与安全3底层视觉与图像复原1人脸与人体理解1

VoDaSuRe: A Large-Scale Dataset Revealing Domain Shift in Volumetric Super-Resolution

该论文揭示了体数据超分辨率模型在真实低分辨率扫描上性能被高估的问题，并提供了大规模配对数据集VoDaSuRe，可用于重新评估和开发更鲁棒的SR方法，避免因训练数据下采样而导致的域偏移。

Seeing Through the Shift: Causality-Inspired Robust Generalized Category Discovery

把因果图与因果依赖风险估计引入跨域广义类别发现，用流形层面的不变性约束对齐已知/未知类，可作为处理域偏移下开放世界表征学习的通用正则手段。

Robo-SGG: Exploiting Layout-Oriented Normalization and Restitution Can Improve Robust Scene Graph Generation

针对损坏图像下的场景图生成，提出利用对域偏移鲁棒的布局信息（实例归一化+布局导向恢复+布局嵌入编码器）来增强视觉特征鲁棒性，该即插即用模块可集成到任意基线SGG模型中，为处理域偏移提供了一种可复用的思路。

Reclaiming Lost Text Layers for Source-Free Cross-Domain Few-Shot Learning

揭示了CLIP文本编码器中间层在跨域少样本学习中的潜在价值，并提出通过层级别和编码器级别的引导来重新利用这些信息，为视觉分支在域偏移下的再学习提供了新思路。

Hyperbolic Prototype Learning with Uncertainty-Aware Consistency for Continual Test-Time Segmentation

把语义分割的特征空间从欧氏空间换到 Poincaré 球做原型学习，用双曲体积指数增长换取更大的类间间隔；配合按跨视角一致性把像素分成 core/boundary 两组、分别用测地距离最小化和双曲方向一致性损失约束，是可直接迁移到其他 CTTA/域偏移分割流程的即插即用模块。

HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation

Filter-wise 最优传输对齐 + 收缩正则均值聚合，可作为跨客户端/跨站点模型参数融合的通用手段，用于视觉模型在非独立同分布数据上的域泛化；其分层聚合思路可迁移到多源视觉数据（如多医院影像、多摄像头场景）的分布式训练。

Enhancing Accuracy of Uncertainty Estimation in Appearance-based Gaze Tracking with Probabilistic Evaluation and Calibration

把不确定性估计当作输出级条件分布匹配问题，用少量校准样本做事后校准，可直接迁移到视线跟踪、头部姿态、关键点回归等回归式视觉任务在域偏移下的置信度修正。

CD-Buffer: Complementary Dual-Buffer Framework for Test-Time Adaptation in Adverse Weather Object Detection

提出以特征级域偏移度量为驱动的减法（去除域敏感通道）与加法（轻量特征精炼）双缓冲耦合机制，可即插即用地用于任意检测器在恶劣天气下的在线自适应，为处理不同严重程度分布偏移提供了按通道自适应平衡的通用思路。