Tag · 7 篇
正则化
面向视觉语言模型提示词微调的校准
Towards Calibrating Prompt Tuning of Vision- Language Models
为 CLIP 提示词微调提供了一套即插即用的校准正则项：均值-方差间隔惩罚稳定类间 logit 间隔，文本矩匹配损失约束微调后文本嵌入的一二阶矩贴近冻结 CLIP 嵌入，可直接加到现有 prompt tuning 训练目标上降低 ECE。
Tavatar：面向可动画人体化身的拓扑感知高斯属性推导
Tavatar: Topology-Aware Gaussian Attribute Derivation for Animatable Human Avatars
将高斯属性（尺度、旋转）解析地绑定到网格局部几何，而非自由学习，为基于 3DGS 的人体建模提供了一种保证拓扑一致性的参数化方案，可推广到其他需要与模板网格对齐的动态场景重建。
稳定平均流：受李雅普诺夫启发的一步流匹配
Stable Mean Flow: Lyapunov-Inspired One-Step Flow Matching
为一步流匹配生成器提供一个可即插即用的稳定性正则项，约束单步传输映射的局部非扩张性，从而抑制轨迹漂移并加速收敛；做少步/一步图像生成的研究者可直接把该正则加入训练损失以提升样本质量。
论时序粒度在脉冲神经网络鲁棒性中的作用
On the Role of Temporal Granularity in the Robustness of Spiking Neural Networks
提出时序粒度攻击（TG-Attack）和时序敏感度（TSV）来评估脉冲神经网络在单个时间步的鲁棒性，并设计时序粒度正则化（TG-Reg）提升整体鲁棒性，为SNN的对抗鲁棒性分析提供了细粒度工具。
面向状态空间模型的无样本持续学习
Exemplar-Free Continual Learning for State Space Models
为视觉骨干网络（如基于 SSM/Mamba 的分类器）提供一种无需样本回放的持续学习正则化手段：直接约束 SSM 可观测子空间的无限时域状态演化，并用 O(n²) 的 Sylvester 方程求解替代 O(n³)，可直接嵌入现有 CL 流程以缓解序列任务中的遗忘。
DCoAR：面向个性化文本到图像生成的统一自回归模型深度概念注入
DCoAR: Deep Concept Injection into Unified Autoregressive Models for Personalized Text-to-Image Generation
对做个性化/定制化生成的人，这篇给出了在完全冻结的统一自回归模型上做深层概念注入的路线：逐层多模态上下文学习 + 双重先验保持与上下文感知自正则化，可在不微调主干的前提下实现主体定制与用户风格迁移，是替代适配式微调的低参数方案。
ActivePolicy：基于全局-局部信息增益的主动高斯重建与优化策略
ActivePolicy: Active Gaussian Reconstruction and Optimization Strategy Based on Global-Local Information Gain
提出基于图论的信息增益度量（GL-Graph）和4D正则化（4D-Reg），用于主动3D高斯重建中的视角选择与过拟合抑制，可直接用于提升稀疏视角下的重建完整性和渲染质量。