Tag · 30 篇
数据增强
面向无人机目标检测的视觉原型条件化焦点区域生成
Visual Prototype Conditioned Focal Region Generation for UAV-Based Object Detection
用类别视觉原型作为扩散模型的条件嵌入，替代纯布局框条件，可缓解小目标边界伪影；配套的焦点区域增强与标签精炼流程可直接用于任何检测器的合成数据增广。
Video2Robo：基于 3DGS 的单视频合成数据实现可扩展机器人学习
Video2Robo: 3DGS-based Synthetic Data from One Video Enables Scalable Robot Learning
利用 3DGS 作为可编辑场景表示，从单段人类演示视频中重建场景并显式编辑物体布局、背景、光照和相机视角，生成多样化的机器人操作训练数据，为视觉研究者提供了一种将 3D 重建与数据生成结合的可复用范式。
文本印刷图像：弥合图像-文本模态鸿沟以实现大型视觉语言模型的文本中心训练
Text-Printed Image: Bridging the Image-Text Modality Gap for Text-centric Training of Large Vision-Language Models
提出将文本直接渲染为图像（TPI）来桥接模态鸿沟，为LVLM在仅有文本数据时提供低成本训练方案，可复用于数据稀缺场景下的视觉语言模型微调与数据增强。
面向视觉-语言-动作模型的延迟反馈测试时扰动调优
Test-Time Perturbation Tuning with Delayed Feedback for Vision-Language-Action Models
对做视觉-语言-动作模型的研究者，这篇给出了一个无需微调基座模型、无需额外验证器的测试时自适应流程：用基于不确定性的数据增强加动作投票抑制动作与实体间的伪相关，再用延迟反馈驱动的轻量扰动模块校正动作 logits 的过度自信，可直接迁移到机器人操作策略的部署阶段。
面向检测、分割与视觉定位的可扩展精确学习的合成物体组合
Synthetic Object Compositions for Scalable and Accurate Learning in Detection, Segmentation, and Grounding
用 3D 几何布局与相机配置增强把高质量物体片段合成为带精确掩码、框和指代表达的训练图像，可直接替代或补充 LVIS/COCO 等真实标注数据，尤其适合低数据量与细粒度属性判别场景。
Stable Spike：基于按位与运算的脉冲神经网络双重一致性优化
Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks
用按位与操作从多时间步脉冲图中解耦出稳定脉冲骨架，并以此作为一致性目标约束不稳定脉冲图，这一思路可迁移到任何需要跨时间步表征一致性的视觉模型（如视频/事件相机骨干网络）中，作为无需额外标注的表示正则手段。
SMV-EAR：将时空多视图表征学习引入高效事件相机动作识别
SMV-EAR: Bring Spatiotemporal Multi-View Representation Learning into Efficient Event-Based Action Recognition
把事件流沿 H/W 轴投影成平移不变的稠密多视图表征，并用双分支动态融合建模样本级互补性，这套 SMVRL 设计可直接迁移到任何需要从稀疏异步事件中提取时空特征的视觉任务（如事件相机上的检测、跟踪、姿态估计）。
调控而非约束：全色锐化中复杂光谱重建的自适应引导
Regulating Rather than Constraining: Adaptive Guidance for Complex Spectral Reconstruction in Pansharpening
提出一种与架构无关的正则化引导机制，通过MixShuffle数据增强和分层注意力加权损失，可迁移到其他需要处理复杂光谱混合的低层视觉任务中。
RDF-MIG：一种用于掩码图像生成的鲁棒扩散框架，以增强语义分割和变化检测
RDF-MIG: A Robust Diffusion Framework for Masked Image Generation to Augment Semantic Segmentation and Change Detection
提出一种鲁棒的扩散框架，通过生成双时相变化标注和单时相分割标注的多光谱图像-掩码对来增强下游变化检测和语义分割任务；其MCRD损失和MSE一致性校准可缓解噪声累积问题，可复用于其他需要生成高质量图像-掩码对的视觉任务。
PanDA：面向自动驾驶多模态3D全景分割的无监督域自适应
PanDA: Unsupervised Domain Adaptation for Multimodal 3D Panoptic Segmentation in Autonomous Driving
针对多模态3D全景分割的无监督域自适应框架，其非对称多模态增强和双专家伪标签精炼模块可迁移到其他多模态感知任务（如3D检测、语义分割）的域自适应中，提升传感器退化下的鲁棒性。
PRUE：一种可规模化落地的田块边界分割实用方案
PRUE: A Practical Recipe for Field Boundary Segmentation at Scale
在遥感田块边界分割任务上，系统对比了18个分割模型与地理空间基础模型（GFM），结论是U-Net语义分割骨干配合复合损失与针对性数据增强，在精度与部署指标上优于实例分割和GFM方案，为遥感密集预测的模型选型与鲁棒性训练提供了可复用的基线配方。
PAUL：不确定性引导的分区与增强用于噪声对应下的鲁棒跨视角地理定位
PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
针对跨视角地理定位中因GPS漂移导致的图像对空间错位（噪声对应）问题，提出基于数据不确定性和损失模式划分干净/噪声样本、并对高置信区域做局部增强的鲁棒训练框架，可复用于其他存在标注噪声或弱对应的视觉检索/匹配任务。
OntoAug：以本体引导重新审视生成式数据增强
OntoAug: Rethinking Generative Data Augmentation via Ontology Guidance
把前景掩码与多样化背景提示注入扩散采样过程，实现主体一致、上下文多样的可控合成数据；这套「结构化布局控制 + 提示解耦」思路可直接迁移到任何需要扩充训练集的识别任务，并可作为 WSOL 与 LVLM 推理的增强手段。
MonoSAOD：面向稀疏标注标签的单目3D目标检测
MonoSAOD: Monocular 3D Object Detection with Sparsely Annotated Label
针对稀疏标注场景，用道路感知的图像块粘贴增强保持3D几何一致性，并用原型相似度加深度不确定性过滤伪标签，可直接迁移到其他3D/2D检测器的半监督训练流程。
MatchMask：面向标签稀缺语义分割的以掩码为中心的生成式数据增强
MatchMask: Mask-Centric Generative Data Augmentation for Label-Scarce Semantic Segmentation
提出梯度探针方法分析扩散模型各层作用，并设计轻量LoRA风格适配器与层自适应交叉注意力融合，实现少样本语义图像合成，可直接用于标签稀缺下的分割数据增强。
MOON2.0：面向电商商品理解的动态模态均衡多模态表征学习
MOON2.0: Dynamic Modality-balanced Multimodal Representation Learning for E-commerce Product Understanding
模态驱动的混合专家按样本模态构成自适应路由，配合产品内图文双层对齐，可直接迁移到图文检索与商品表征学习；其图文协同增强与动态样本过滤为多模态训练数据清洗提供可复用流程。
MFEN：面向可见光-红外行人重识别的多频专家网络
MFEN: Multi-Frequency Expert Network for Visible-Infrared Person Re-ID
把频域分带调制与混合专家结合，用于抑制光照/波长差异带来的模态鸿沟；做跨模态检索或可见光-红外对齐时，可复用其多频带专家路由与随机频率增强策略。
通过潜空间跨模态对齐与翻译的 LiDAR 到 4D 雷达扩散桥
LiDAR-to-4DRadar Diffusion Bridge via Cross-Modal Alignment and Translation in Latent Space
把扩散桥（diffusion bridge）用在两个已对齐的潜空间之间做跨模态翻译，可迁移到 LiDAR→相机、深度→RGB 等「缺失模态补全」任务；其 patch-wise 对比对齐 + key-voxel-aware VAE 的组合，为高维稠密张量（雷达/体素）的生成式数据增强提供了可复用范式。
面向少样本缺陷分类的双曲缺陷特征合成
Hyperbolic Defect Feature Synthesis for Few-Shot Defect Classification
把缺陷特征合成从欧氏空间搬到双曲空间，用少量双曲缺陷原型建模潜在缺陷分布，并用层级缺陷对比损失优化合成特征；做少样本工业缺陷分类、或需要建模层次结构的数据增强时，可复用这套双曲原型+对比损失的合成管线。
合成数据用于音视频声源定位究竟能走多远？
How Far Can We Go With Synthetic Data for Audio-Visual Sound Source Localization?
对做音视频多模态定位的研究者，这篇给出了用 text-to-X 生成模型批量合成 VGGSound 克隆数据、并与真实数据混合训练的完整配方，可直接复用于缓解视觉-音频配对数据规模小、语义错位的问题。
HG-Lane：无需重新标注的恶劣天气与光照条件下高保真车道场景生成
HG-Lane: High-Fidelity Generation of Lane Scenes under Adverse Weather and Lighting Conditions without Re-annotation
无需重新标注即可在雨雪雾与夜间/黄昏条件下合成高保真车道场景图像，可直接作为车道线检测等下游任务的数据增广手段，缓解极端条件数据稀缺导致的模型失效。
面向全切片图像分类中特征稀缺问题的双层超图生成方法
Dual-Level Hypergraph Generation for Addressing Feature Scarcity in Whole-Slide Image Classification
针对全切片图像中少数类特征稀缺问题，提出超图层级的提示引导分层超图变分自编码器生成拓扑一致的超图表示，以及超节点层级的锚框扩散 mixup 增强高注意力锚节点特征，可迁移到其他存在类内/类间稀缺的病理或细粒度分类任务。
跨模态引导的视觉合成用于数据高效的多模态抑郁识别
Cross-Modal Guided Visual Synthesis for Data-Efficient Multimodal Depression Recognition
对视觉研究者而言，可复用其「用音频/文本条件生成视觉特征来扩充训练分布，并以识别器性能闭环反馈驱动生成」的思路，用于视觉样本稀缺时的多模态表征增强。
面向多实例学习全切片图像分类的对比跨袋增强
Contrastive Cross-Bag Augmentation for Multiple Instance Learning-based Whole Slide Image Classification
C2Aug 的跨袋增强与袋级/组级对比学习框架可迁移到其他弱监督密集预测任务（如组织病理分割、遥感场景分类），用于提升伪包多样性和特征判别性。
超越对比的一致性：通过上下文一致性学习增强开放词表目标检测鲁棒性
Consistency Beyond Contrast: Enhancing Open-Vocabulary Object Detection Robustness via Contextual Consistency Learning
提出上下文一致性学习框架，通过生成同一物体在不同背景下的图像并施加特征一致性损失，提升开放词表检测器对背景变化的鲁棒性，可直接用于增强现有开放词表检测模型的泛化能力。
面向长尾识别的混淆感知谱正则化器
Confusion-Aware Spectral Regularizer for Long-Tailed Recognition
把混淆矩阵的谱范数当作可微正则项来压低类间混淆，为长尾分类中「最差类精度」这一可靠性指标提供了有理论上界支撑的训练手段，可直接嵌入现有长尾训练流程。
ChimeraLoRA：多头LoRA引导的合成数据集
ChimeraLoRA: Multi-Head LoRA-Guided Synthetic Datasets
提出将LoRA分解为类共享A和图像特定B，并用狄利克雷系数混合生成兼具多样性与细节的合成数据，可直接用于少样本/长尾视觉任务的数据增强。
CVA：面向视频时序定位的上下文感知视频-文本对齐
CVA: Context-aware Video-text Alignment for Video Temporal Grounding
QCD 的「只混入语义无关片段」的替换池构造方式，可直接迁移到任何视频-文本对比学习（如视频检索、片段定位）中，用来避免 query-agnostic 混合带来的假负样本；CBD 损失在时序边界处强制语义一致性，是提升边界敏感任务的通用手段。
COPE：面向遮挡行人重识别的一致遮挡与提示词增强网络
COPE: Consistent Occlusion and Prompt Enhancement Network for Occluded Person Re-identification
针对遮挡行人重识别，CICO 在不同身份上施加相同遮挡并拉近同一遮挡区域的特征，PBF 用视觉-语言对齐生成前景热图做随机背景填充，PSS 用提示词引导的可靠性分数修正检索相似度——这套「一致遮挡 + 提示词可靠性打分」思路可直接迁移到其他存在遮挡或背景干扰的检索/匹配任务。
基于多臂老虎机的自适应数据增强：面向隐式模式识别的样本高效嵌入校准
Adaptive Data Augmentation with Multi-armed Bandit: Sample-Efficient Embedding Calibration for Implicit Pattern Recognition
在冻结的视觉/多模态嵌入模型之上训练轻量校准器，并用多臂老虎机驱动的自适应数据增强缓解少样本下的梯度漂移，可直接用于长尾识别、少样本分类等视觉下游任务的低成本适配。