Tag · 17 篇
多尺度特征融合
WalkGPT：面向行人导航的深度感知分割接地视觉语言对话
WalkGPT: Grounded Vision-Language Conversation with Depth-Aware Segmentation for Pedestrian Navigation
把分割掩码与相对深度作为 LVLM 的输出 token 级接地信号，并用多尺度查询投影器在空间层级上聚合图像 token，可复用于任何需要像素级接地与深度推理的视觉语言任务，无需用户提供点或锚框提示。
VesMamba：基于结构感知与尺度感知滤波的 Mamba 三维肺血管 CT 图像分割
VesMamba: 3D Pulmonary Vessel Segmentation from CT images via Mamba with Structural Perception and Scale-aware Filtering
将 Mamba 状态空间模型与动态空间注意力卷积结合，用于捕捉管状/树状结构的长程拓扑依赖，可迁移到视网膜血管、气道、神经纤维等细长结构分割任务；其尺度感知滤波与掩码约束解码器思路也可用于多尺度密集预测。
Spk2VidNet：一种用于从长脉冲相机流中高保真重建视频的分层循环架构
Spk2VidNet: A Hierarchical Recurrent Architecture for High-Fidelity Video Reconstruction from Long Spike-Camera Streams
针对脉冲相机低空间分辨率问题，提出分层循环网络从长脉冲流重建高分辨率图像序列，其分层扩大时序感受野、基于运动一致性的对齐模块和多尺度相似性融合模块可复用于其他时序超分或视频复原任务。
场景即词元：面向通用三维视觉语言理解的多尺度正态分布变换分词器
Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding
把高分辨率点云经多尺度 NDT 表示压缩成 LLM 可消费的整体场景 token，并用同一个解码器同时承担点/框/掩码提示编码与掩码解码，为 3D VLM 提供了一套可复用的「场景分词 + 统一提示接口」范式。
RMAE-ProGRess：推进非结构化环境中的语义分割
RMAE-ProGRess: Advancing Semantic Segmentation in Unstructured Environments
提出ProGRess解码器，通过渐进式跳跃融合（PLF）实现非连续特征图的自顶向下多尺度融合，并引入轻量级通道注意力门控（LCAR）和瓶颈特征融合（BFF），为语义分割解码器设计提供了可复用的模块化思路。
面向压缩感知的多尺度梯度引导展开架构与自适应 Mamba
Multi-Scale Gradient-Guided Unrolling Architecture with Adaptive Mamba for Compressive Sensing
把 Mamba 状态空间块嵌入 PGD 展开框架，用多尺度展开与高维梯度融合替代跨阶段同质化特征提取，为图像复原类逆问题提供兼顾全局感受野与效率的可解释网络骨架。
MambaLiteUNet：面向鲁棒皮肤病变分割的跨门控自适应特征融合
MambaLiteUNet: Cross-Gated Adaptive Feature Fusion for Robust Skin Lesion Segmentation
把 Mamba 状态空间建模嵌入 U-Net 的跳跃连接，用跨门控注意力与局部-全局特征混合模块在极低参数量下保留细粒度边界，可作为轻量分割网络在皮肤镜等专业成像域的可复用骨干设计。
MS^2Gait：面向基于 LiDAR 的步态识别的多尺度时空融合网络
MS^2Gait: A Multi-Scale Spatio-Temporal Fusion Network for LiDAR-based Gait Recognition
对做点云序列人体分析的研究者，可复用其分层空间特征提取中的四种跨尺度交互策略与基于相似度的时序增强 Transformer——后者用运动一致性动态加权帧、无需显式监督，可直接迁移到动作识别、步态/姿态时序建模等任务。
MARSS：基于模块化注意力与状态空间模型的雷达语义分割
MARSS: Radar Semantic Segmentation via Modular Attention and State Space Models
面向雷达距离-多普勒频率图这类各向异性、稀疏含噪输入，给出可复用的模块化设计：用轻量通道自注意力+深度可分离卷积编码噪声特征、用区域级注意力做多尺度融合、用状态空间模型结合轴向自注意力在解码端建模各向异性与时序一致性，可迁移到其他非相机模态的密集预测任务。
基于希尔伯特曲线的注意力实现语义分割网络的拓扑保持图像张量表示
Hilbert Curve-Based Attention Enabling Topology-Preserving Image Tensor Representation for Semantic Segmentation Network
把 Hilbert 曲线空间填充顺序引入解码器的注意力计算，用一维连续索引保持二维张量的空间邻接关系，可作为通用手段替换分割/检测解码器中的展平或窗口划分方式，以改善边界与细结构的连续性。
基于球面几何增强的全景图像边缘聚焦超分辨率
Edge-Focused Super-Resolution for Omnidirectional Images with Spherical Geometric Augmentation
针对全景图像超分辨率中的边缘退化问题，提出边缘聚焦模块与球面旋转-平移数据增强策略，可复用于其他畸变图像复原任务。
DiffusionFF：基于扩散模型的联合人脸伪造检测与细粒度伪影定位框架
DiffusionFF: A Diffusion-based Framework for Joint Face Forgery Detection and Fine-Grained Artifact Localization
将预训练伪造检测器作为编码器、扩散模型作为解码器，利用多尺度伪造特征条件生成细粒度伪影定位图，再与高层语义特征融合提升检测性能；该思路可迁移到其他需要细粒度异常定位的视觉任务。
D2Dewarp：基于双维度几何表示学习的文档图像矫正
D2Dewarp: Dual Dimensions Geometric Representation Learning Based Document Image Dewarping
提出基于水平-垂直双维度线特征的细粒度形变感知模型，并利用渲染引擎自动生成带线标注的大规模畸变数据集，可复用于其他需要几何结构先验的文档或场景图像矫正任务。
桥接 RGB 与苏木精分量：面向点监督细胞核分割的交错引导与融合框架
Bridging RGB and Hematoxylin Components: An Interleaved Guidance and Fusion Framework for Point Supervised Nuclei Segmentation
在仅有单点标注的弱监督设定下，用 RGB 与苏木精分量双表示互补融合、并以点引导注意力在分割与核预测之间双向精化，为病理图像中降低标注成本的密集预测提供了可复用的双分支互引导范式。
以双粒度对齐增强 CLIP 的视觉重编程
Boosting Visual Reprogramming for CLIP with Dual Granularity Alignment
把 CLIP 的视觉重编程从单层图文对齐扩展到「多尺度视觉粒度 + 标签层级语义粒度」的双粒度对齐，其中不确定性校准的预测融合（UPF）与原型引导的层级知识传播（HKP）可直接迁移到其他需要多尺度或多层级标签的下游适配任务。
BDNet：受生物启发的双骨干小目标检测网络
BDNet:Bio-Inspired Dual-Backbone Small Object Detection Network
针对遥感小目标颜色对比度低、边缘模糊的问题，用颜色拮抗与方向选择性两条并行骨干分别提特征再融合，这种「按退化类型分路提特征」的双骨干设计可直接迁移到其他低对比度/弱边缘场景的检测器骨干改造。
AKCMamba-YOLO：用于实时目标检测的选择性状态空间模型
AKCMamba-YOLO: Selective State Space Models For Real-Time Object Detection
将线性复杂度的选择性状态空间模型（SSM）引入YOLO架构，为实时目标检测提供替代注意力机制的全局建模方案，可复用于需要长程依赖但计算受限的检测场景。