Tag · 4 篇

损失函数设计

分布底层视觉与图像复原2图像分割1自动驾驶与遥感1

Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels

SCNP 是一种即插即用的损失函数增强策略，通过惩罚像素与其最差分类邻居的 logits 来提升分割的拓扑正确性，可方便地集成到现有分割训练流程中，适用于需要保持连通分量数量的医学或遥感等分割任务。

ReManNet: A Riemannian Manifold Network for Monocular 3D Lane Detection

把车道几何编码成 SPD 流形上的黎曼高斯描述子，再用轻量门控与视觉特征融合，为单目 2D-to-3D 提升提供不变几何-拓扑约束；3D-TLIoU 这种基于管状邻域切片重叠的曲线级损失可直接迁移到其他曲线/线状结构（车道、血管、道路边界）的检测与对齐任务。

Edit-aware RAW reconstruction

把可微 ISP 当作损失函数的渲染算子，在 sRGB 空间监督 RAW 重建，使恢复的 RAW 对渲染风格和后期编辑更鲁棒；这一「在显示域而非传感器域算损失」的思路可直接迁移到去噪、超分、低光照增强等需要下游 ISP 配合的底层视觉任务。

Beyond Strict Pairing: Arbitrarily Paired Training for High-Performance Infrared and Visible Image Fusion

把红外与可见光图像融合的训练从严格配对中解放出来，用非配对/任意配对数据即可训练，并给出 CNN/Transformer/GAN 三个轻量基线；做多模态融合或跨模态配准数据稀缺时，可直接复用其任意配对训练目标与配套损失函数。