Tag · 6 篇
时序融合
TGSFormer：面向具身语义场景补全的可扩展时序高斯泼溅
TGSFormer: Scalable Temporal Gaussian Splatting for Embodied Semantic Scene Completion
用持久化的高斯记忆加置信度感知的跨注意力做时序融合，替代依赖帧缓存与图像一致性的做法，可复用到任何需要在线增量重建、且场景尺度无界的具身感知或流式建图任务中。
稀疏地刻画变化：面向遥感解译的脉冲时序框架
Sparsely Timing the Change: A Spiking Temporal Framework for Remote Sensing Interpretation
把双时相辐射差转成带 time-to-first-spike 特性的稀疏脉冲序列，再用 SNN 提取动态变化特征，并通过可学习时序衰减与 ANN 语义特征融合——这套「脉冲编码+轻量适配器」思路可迁移到任何需要从稀疏时序观测中挖掘动态信息的视觉任务（如视频变化检测、事件相机处理）。
R4Det：面向高性能3D目标检测的4D雷达-相机融合
R4Det: 4D Radar-Camera Fusion for High-Performance 3D Object Detection
面向自动驾驶的多模态3D检测，其全景深度融合（绝对/相对深度互增强）与不依赖自车位姿的可变形门控时序融合模块，可直接迁移到LiDAR-相机或纯视觉BEV时序检测中，解决位姿缺失下的时序退化问题。
学习时空一致性用于三维语义场景补全
Learning Spatial-Temporal Consistency for 3D Semantic Scene Completion
把历史帧提升到 3D 场景级占用框架、在时序缓冲中按 2D 可见性与相似性聚合特征，这一思路可直接迁移到任何需要跨帧补全遮挡区域的体素/占用预测任务（如 3D 检测、占据预测）。
通过蒸馏辅助的测试时自适应引导视频语义分割模型
Bootstrapping Video Semantic Segmentation Model via Distillation-assisted Test-Time Adaptation
将图像语义分割模型通过蒸馏 SAM2 的时序知识并配合轻量时序融合模块，在测试时自适应为视频语义分割模型，为无标注视频分割提供可复用范式。
AMap：蒸馏未来先验的前瞻感知在线高精地图构建
AMap: Distilling Future Priors for Ahead-Aware Online HD Map Construction
把「未来帧教师 + 当前帧学生」的蒸馏范式引入在线建图，用多层鸟瞰图蒸馏加空间掩码和非对称查询适配，让单帧模型零推理开销获得前瞻能力；对做自动驾驶感知、时序融合和特权信息蒸馏的视觉研究者可直接复用。