Tag · 92 篇
混合专家
YOLO-Master：基于专用Transformer的MOE加速增强实时检测
YOLO-Master: MOE-Accelerated with Specialized Transformers for Enhanced Real-time Detection
将稀疏混合专家（MoE）与动态路由引入YOLO框架，实现按场景复杂度自适应分配计算资源，为实时目标检测提供可复用的高效计算范式。
遗忘哪些概念与如何拒绝？面向大型视觉语言模型持续遗忘的概念分解
Which Concepts to Forget and How to Refuse? Decomposing Concepts for Continual Unlearning in Large Vision-Language Models
把「遗忘」从整模型级细化到视觉-语言概念组合级，并用概念驱动的 MoE 路由复用拒绝专家，为 LVLM 安全对齐与顺序删除请求提供可复用框架；做多模态安全/隐私的读者可直接借用其概念调制器与 refuser 路由设计。
VidPrism：用于图像到视频迁移的异构混合专家
VidPrism: Heterogeneous Mixture of Experts for Image-to-Video Transfer
提出异构时序混合专家框架，通过内容感知多速率采样生成不同语义/运动强度的视频流，并分配给功能特化的专家，为视觉中的时序建模提供可复用的分工与融合机制。
ViBES：具备行为智能 3D 虚拟身体的对话智能体
ViBES: A Conversational Agent with Behaviorally-Intelligent 3D Virtual Body
ViBES 将语音、文本和身体动作统一为交错的多模态词元流，并用按模态硬路由的混合专家 Transformer 联合建模，为视觉研究者提供了构建可控 3D 虚拟人对话系统的可复用架构与多轮对话-动作对齐评测思路。
UniRain：基于 RAG 数据集蒸馏与多目标重加权优化的统一图像去雨
UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization
把 RAG 检索与数据集蒸馏结合，从多个公开去雨数据集中筛选高质量样本做混合训练，并用非对称 MoE 加多目标重加权优化统一处理雨条、雨滴、白天与夜间退化，可作为统一复原模型的数据筛选与专家路由范式复用。
UniMMAD：基于 MoE 驱动特征解压的统一多模态多类异常检测
UniMMAD: Unified Multi-Modal and Multi-Class Anomaly Detection via MoE-Driven Feature Decompression
把 MoE 稀疏门控用于「通用特征→模态/类别特异特征」的解压式重建，为视觉异常检测提供了一种用单一模型覆盖多模态多类、且避免共享解码路径域干扰的可复用范式；分组动态过滤与 MoE-in-MoE 的约 75% 参数压缩思路也可迁移到其他多域统一建模任务。
UniLDiff：释放扩散先验在一体化图像复原中的潜力
UniLDiff: Unlocking the Power of Diffusion Priors for All-in-One Image Restoration
把预训练扩散模型的先验直接搬进一体化图像复原：DAFF 在每个去噪步用解耦融合+自适应调制注入低质特征，DAEM 用专家路由在解码器端补纹理，这套「退化条件注入去噪链」的做法可迁移到其他条件生成式复原任务。
UETrack：统一高效的单目标跟踪框架
UETrack: A Unified and Efficient Framework for Single Object Tracking
Token-Pooling-based Mixture-of-Experts 和 Target-aware Adaptive Distillation 可复用于多模态视觉任务的高效部署，在保持精度的同时显著降低计算开销。
TopoCL：面向医学影像的拓扑对比学习
TopoCL: Topological Contrastive Learning for Medical Imaging
将持续同调得到的拓扑特征（持久图）通过自注意力与交叉注意力编码，并与视觉表征用自适应MoE融合，为医学图像自监督预训练提供了一种可插拔的拓扑感知增强与表征融合方案。
适配的盲区：量化与缓解微调驾驶模型中的遗忘
The Blind Spot of Adaptation: Quantifying and Mitigating Forgetting in Fine-tuned Driving Models
把适配从权重空间搬到提示词空间、按场景线索动态路由到不同知识专家的做法，为视觉研究者提供了一种在微调下游任务时保住预训练世界知识的可复用范式，尤其适合 VLM 迁移到驾驶等专用域的场景。
Tea-Adapter：面向高效条件生成的教师适配器
Tea-Adapter: Teacher Adapter for Efficient Conditional Generation
用小型已调好的教师扩散模型通过逆蒸馏把精确控制能力迁移进十亿参数视频 DiT，配合 Mixture of Condition Experts 在统一结构里动态路由多条件输入，为可控视频生成提供了一条免全量微调、低显存可复用的适配器路线。
TV2TV：面向交错语言与视频生成的统一框架
TV2TV: A Unified Framework for Interleaved Language and Video Generation
把视频生成拆成交错的文本推理与视频流匹配两步，用 Mixture-of-Transformers 让语言塔决定「接下来发生什么」、视频塔负责出帧，可直接借鉴到需要长程语义分支的视频生成与推理时文本干预控制。
TAS-LoRA：基于混合低秩适配专家的Transformer架构搜索
TAS-LoRA: Transformer Architecture Search with Mixture-of-LoRA Experts
将低秩适配（LoRA）作为子网专属参数引入Transformer架构搜索，配合混合专家路由，可缓解超网特征坍缩问题；该思路可迁移到视觉Transformer的轻量化搜索与参数高效微调场景。
TAG-MoE：面向统一生成式混合专家的任务感知门控
TAG-MoE: Task-Aware Gating for Unified Generative Mixture-of-Experts
把任务语义（范围、类型、保留程度）注入 MoE 门控网络，用预测对齐正则化让路由决策与高层任务意图对齐，可直接迁移到任何需要多任务共享参数的扩散 Transformer 中，缓解局部编辑与主体驱动生成之间的任务干扰。
面向持续学习的谱混合专家
Spectral Mixture-of-Experts for Continual Learning
把专家参数约束到互不相交的频域子空间以获得先验正交更新，并用离线专家重要性记忆约束路由漂移，这套「频域正交 + 双路由」思路可直接移植到视觉大模型的持续微调与多任务适配器合并中。
稀疏谱 LoRA：面向医学视觉语言模型的路由专家
Sparse Spectral LoRA: Routed Experts for Medical VLMs
把预训练权重按 SVD 分段初始化 MoE 专家，并配一个与全秩全量微调对齐的缩放规则，为视觉语言模型在异构医学数据上做参数高效适配提供了可复用的低秩专家路由方案，可直接迁移到其他多数据集 VLM 微调场景。
MoE-VLM 中软模态引导的专家特化
Soft Modality-Guided Expert Specialization in MoE-VLMs
对做多模态大模型的人来说，这篇给出了一个可复用的路由改造思路：用随层变化的软模态分数（注意力或高斯统计得到）驱动专家分配，并加互信息正则化让专家按模态分工，同时按专家并行部署做分箱以降低通信；可直接迁移到任意 MoE-VLM 的专家路由设计中。
SketchAssist：面向语义编辑与精确局部重绘的实用助手
SketchAssist: A Practical Assistant for Semantic Edits and Precise Local Redrawing
将 DiT 与任务引导的混合专家（T-MoE）结合到低秩适配层中，为草图编辑提供统一框架，可复用于其他需要同时处理语义修改与局部重绘的可控生成任务。
SigLino：面向凝聚式视觉基础模型的高效多教师蒸馏
SigLino: Efficient Multi-Teacher Distillation for Agglomerative Vision Foundation Models
把 SigLIP2 与 DINOv3 两个教师的知识蒸馏进 Dense/MoE 学生，并给出非对称关系知识蒸馏损失、词元均衡批处理与层次聚类数据采样三条可复用配方，可直接用于构建早期融合 Grounding-VLM 的视觉主干。
SemLT3D：语义引导的专家蒸馏用于纯视觉长尾三维目标检测
SemLT3D: Semantic-Guided Expert Distillation for Camera-only Long-Tailed 3D Object Detection
针对纯视觉三维目标检测中的长尾分布问题，提出语言引导的混合专家路由与CLIP语义投影蒸馏，可复用于其他长尾三维感知任务以增强稀有类表征。
SegMoTE：面向医学图像分割的 token 级混合专家
SegMoTE: Token-Level Mixture of Experts for Medical Image Segmentation
把 SAM 类通用分割基础模型迁移到医学影像时，可用 token 级混合专家加少量可学习参数实现模态/解剖自适应，并用渐进式提示词 token 化实现全自动分割，为低标注成本下的基础模型领域适配提供可复用范式。
STCast：面向全球与区域天气预报的自适应边界对齐
STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting
Spatial-Aligned Attention 用注意力对齐全局与区域空间分布并据此自适应细化区域边界，这一「注意力导出对齐模式→动态边界」的思路可迁移到遥感/气象等大场景中的区域裁剪与感兴趣区域自适应划分；TMoE 按离散高斯分布路由不同月份变量的做法，也为时序视觉模型中的条件专家路由提供参考。
SEATrack：简单、高效且自适应的多模态跟踪器
SEATrack: Simple, Efficient, and Adaptive Multimodal Tracker
AMG-LoRA 将 LoRA 与自适应互引导结合，用于对齐双流跟踪器中的跨模态注意力图；HMoE 用分层混合专家实现高效的全局关系建模，这两者都是可复用的 PEFT 与融合设计，可直接迁移到其他多模态视觉任务。
SAIDO：基于场景感知与重要性引导动态优化的持续学习式AI生成图像泛化检测
SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning
用 VLLM 做场景感知并动态分配专家模块，配合重要性引导的梯度投影来缓解持续学习中的灾难性遗忘，可直接迁移到任何需要跨域泛化的伪造检测或分布漂移下的分类任务。
RegionFuse：面向红外与可见光图像融合的区域自适应像素分布学习
RegionFuse: Region-Adaptive Pixel Distribution Learning for Infrared and Visible Image Fusion
将混合专家（MoE）与区域级注意力结合，按局部像素分布动态生成融合权重，这一「区域自适应权重生成」思路可直接迁移到多曝光融合、多模态特征融合、动态卷积等需要空间自适应加权的视觉任务。
ReMoE：面向对抗鲁棒视觉Transformer的区域混合专家
ReMoE: Region-Mixture Experts for Adversarially-Robust Vision Transformers
把 ViT 的 FFN 换成区域感知的多粒度专家层，并用注意力引导的 patch-to-region / region-to-patch 路由按空间位置激活专家，为对抗鲁棒性提供区域级归纳偏置；做 ViT 对抗防御或想把 MoE 用作结构先验的工作可直接复用该即插即用设计。
RAID：检索增强的异常检测
RAID: Retrieval-Augmented Anomaly Detection
把 RAG 的「检索样本直接参与生成」思路搬到异常图生成上：用分层向量库检索类/语义/实例级正常模板，再用匹配代价体与引导式 MoE 抑制匹配噪声，可作为工业缺陷检测与少样本异常定位的可复用范式。
RAG-TP：基于检索增强生成的车辆轨迹预测通用框架
RAG-TP: A General Framework for Vehicle Trajectory Prediction via Retrieval-Augmented Generation
把轨迹预测从依赖在线感知先验改为从结构化知识库检索历史经验，并用检索驱动的 MoE 加交叉注意力做动态融合；对做自动驾驶预测、以及想把 RAG 思路引入视觉时序任务的人，这是一个可复用的「离线知识库 + 推理时检索」范式。
Quant Experts：面向大型视觉语言模型量化的 token 感知自适应误差重建与混合专家
Quant Experts: Token-aware Adaptive Error Reconstruction with Mixture of Experts for Large Vision-Language Models Quantization
对需要在有限显存下部署 VLM 的视觉研究者，这篇论文给出了一个可直接套用的 PTQ 误差补偿范式：按 token 与模态区分重要通道，用共享低秩适配器加路由低秩适配器（MoE）分别补偿全局与局部量化误差，可迁移到任意 VLM 的量化部署流程中。
PromptMoE：利用混合专家改进提示的分割细化框架
PromptMoE: A Segmentation Refinement Framework Leveraging Mixture of Experts for Improved Prompting
把 MoE 与动态专家选择引入提示词生成环节，用图像+粗掩码预测专家得分图并自适应放置点提示词，可作为即插即用的分割细化模块，替换 CascadePSP/SegRefiner 类固定提示规则，对医学、质检等边界敏感场景的掩码后处理有直接复用价值。
面向未对齐 RGBT 跟踪的渐进式多线索对齐
Progressive Multi-cue Alignment for Unaligned RGBT Tracking
把跨模态对齐参数（中心偏移、尺度变换、全局精修）拆成渐进三阶段，并用难度感知路由器按对齐复杂度选择专家，这套「渐进解耦 + 动态选专家」的思路可直接迁移到其他存在空间错位的多模态/多传感器融合任务（如可见光-深度、可见光-事件相机跟踪）。
ProPhy：面向动态世界模拟的渐进式物理对齐
ProPhy: Progressive Physical Alignment for Dynamic World Simulation
将视觉语言模型的物理推理能力通过渐进式对齐迁移到视频生成模型中，并利用混合物理专家机制实现细粒度物理条件控制，为物理一致的视频生成提供了可复用的技术路径。
分阶段 DMD：基于子区间内分数匹配的少步分布匹配蒸馏
Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals
把 SNR 区间切分并逐段做分布匹配与分数匹配蒸馏，配合 MoE 提升少步生成器容量，可直接用于把大规模文生图/文生视频扩散模型压缩成少步采样器，同时缓解随机梯度截断带来的多样性下降与运动动态变慢问题。
OneSparse：视觉模型中稀疏激活层的统一框架
OneSparse: A Unified Framework for Sparse Activation Layers in Vision Models
提出统一的稀疏激活层抽象（OneSparse）和Nexus层，将MoE与记忆模块结合，为视觉模型提供可插拔的高效模块，可直接用于替换CNN/Transformer中的FFN或卷积层以提升性能-效率前沿。
OneOcc：基于单个全景相机的腿足机器人语义占用预测
OneOcc: Semantic Occupancy Prediction for Legged Robots with a Single Panoramic Camera
针对腿足/人形机器人平台，提出仅用单个全景相机进行360°语义占用预测的框架，其双投影融合、双网格体素化和步态位移补偿模块可被复用于其他存在剧烈抖动的移动平台的全景3D感知任务。
OneCAT：面向统一理解与生成的纯解码器自回归模型
OneCAT: Decoder-Only Auto-Regressive Model for Unified Understanding and Generation
用模态专属 MoE 加统一自回归目标，在纯 decoder-only Transformer 内同时做理解、生成与编辑，推理时不再依赖 ViT 和视觉分词器，对高分辨率输入输出尤其省算力；scale-aware adapter 把多尺度视觉自回归塞进 LLM，给做统一多模态生成的人一条低延迟、可原生支持动态分辨率的替代路线。
论词元的困境：面向大型视觉语言模型持续学习的漂移感知词元分配动态混合专家
On Token's Dilemma: Dynamic MoE with Drift-Aware Token Assignment for Continual Learning of Large Vision Language Models
对做 LVLM 持续指令微调的人，这篇给出了 token 级诊断视角：用路由分数分布区分歧义/旧任务词元，并对它们施加定向正则，避免被新专家吸走；这套「漂移感知词元分配」可直接插到任何增量扩专家的 MoE-LVLM 上。
OmniSonic：面向视频与文本的通用整体音频生成
OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
TriAttn-DiT 用三路交叉注意力分别处理屏内环境声、屏外环境声与语音条件，并以 MoE 门控自适应加权，这种「多条件分支 + 门控融合」的结构可直接迁移到视频到音频、视频到音乐等多模态条件生成任务中；UniHAGen-Bench 也提供了评估视频条件音频生成的评测协议。
基于可学习贝塞尔流的非线性颜色迁移
Nonlinear Color Transfer via Learnable Bezier Flows
用贝塞尔曲线参数化替代流模型中的线性传输路径，可缓解颜色迁移中的轨迹错位与伪影；该非线性路径参数化思路可迁移到其他基于流的图像到图像翻译与风格化任务。
NESTOR：面向大规模偏微分方程预训练的嵌套混合专家神经算子
NESTOR: A Nested MOE-based Neural Operator for Large-Scale PDE Pre-Training
嵌套 MoE 神经算子（图像级 MoE 捕捉全局依赖 + token 级 Sub-MoE 捕捉局部依赖）为视觉中的算子学习与大规模预训练提供了可复用的稀疏专家路由结构，可迁移到神经场、物理仿真等连续场建模任务。
面向酶动力学参数的多模态蛋白质语言模型：从底物识别到构象适配
Multimodal Protein Language Models for Enzyme Kinetic Parameters: From Substrate Recognition to Conformational Adaptation
把「先识别底物、再适配构象」的两阶段条件注入做成可插拔适配器（MRCA + 几何感知 MoE），并用 RKHS 上的分布对齐约束微调不破坏预训练先验——这套「冻结主干 + 分阶段跨模态注入 + 分布正则」的范式可直接迁移到视觉-语言或图像-结构条件生成任务中。
Motus：统一的潜动作世界模型
Motus: A Unified Latent Action World Model
把光流当作像素级「delta action」来学习潜动作，并用 UniDiffuser 式调度器在同一个 MoT 主干里切换世界模型、VLA、逆动力学与视频生成模式，为视觉研究者提供了「用视频生成先验做机器人动作预训练」的可复用范式。
建模跨视觉协同的统一大视觉模型
Modeling Cross-vision Synergy for Unified Large Vision Model
PolyV 的稀疏混合专家架构与动态模态路由器为视觉多模态统一模型提供了可复用的设计范式，其协同感知训练策略（模态特定预训练+知识蒸馏+对象/关系级对齐）可直接用于提升视觉模型在跨模态推理任务上的表现。
MoRE：三维视觉几何重建遇上混合专家
MoRE: 3D Visual Geometry Reconstruction Meets Mixture-of-Experts
用 MoE 动态路由把深度、法线等几何任务分派给专家，并配一个基于置信度的深度细化模块，可作为构建可扩展稠密几何基础模型、在多任务间共享骨干网络时的架构与损失设计参考。
MoECLIP：面向零样本异常检测的图像块专用专家
MoECLIP: Patch-Specialized Experts for Zero-shot Anomaly Detection
把 MoE 路由下沉到图像块级别、每个图像块动态选择专属 LoRA 专家，是给 CLIP 类视觉语言模型做任务特化的可复用微调范式；FOFS 正交特征分离与 simplex ETF 损失抑制专家冗余的思路，可直接迁移到其他需要多专家分工的密集预测任务。
MoEActok：面向视觉-语言-动作模型的基于混合专家的动作分词器
MoEActok: A MoE-based Action Tokenizer for Vision-Language-Action Models
对做视觉-语言-动作模型的研究者，这篇提供了用聚类驱动的 MoE 量化器把连续动作分块离散化成技能感知 token 的方案，可直接替换 VLA 中单一动作分词器，缓解多技能轨迹上的优化折中，并给出仿真与真机零样本迁移的评测设定。
MoE-GRPO：在视觉语言模型中通过强化学习优化混合专家
MoE-GRPO: Optimizing Mixture-of-Experts via Reinforcement Learning in Vision-Language Models
把 MoE 视觉语言模型的专家路由从确定性 top-K 改成用 GRPO 学习的随机策略，并加入模态感知的路由引导；做多模态大模型推理或训练的人可以直接复用这套路由优化思路来缓解专家过拟合、提升专家利用率。
基于混合专家的特征解耦用于开放词表场景图生成
Mixture-of-Experts based Feature Decoupling for Open Vocabulary Scene Graph Generation
MoE-FD 通过门控网络自适应解耦物体与关系特征，并用迭代交叉注意力建模语义交互，可直接用于开放词表场景图生成中提升新类别判别力与图文对齐精度。
混合风格专家用于多样图像风格化
Mixture of Style Experts for Diverse Image Stylization
将混合专家（MoE）架构引入扩散风格化，通过相似度感知门控动态路由风格到专门专家，可复用于其他需要多风格控制的生成任务，提升语义和材质细节保持能力。
状态混合：面向多模态生成的路由式 token 级动态
Mixture of States: Routing Token-Level Dynamics for Multimodal Generation
把跨模态融合从固定结构改为 token 级、随去噪时间步变化的可学习稀疏路由，可直接迁移到任何多模态扩散骨干（如 DiT）中替换固定的 cross-attention 融合层，在几乎不增加参数与算力的情况下提升文生图/编辑质量。
面向测试时自适应分割的原型混合专家
Mixture of Prototypes for Test-time Adaptive Segmentation
把类别原型聚类成多个域专家并用门控网络按实例-专家相关性加权，配合最小化预测熵、最大化专家选择熵的门控优化，可直接迁移到任何需要测试时自适应的分割或密集预测模型上。
MetricHMSR：从单目图像恢复度量尺度的人体网格与场景
MetricHMSR: Metric Human Mesh and Scene Recovery from Monocular Images
把相机光线（内参+边界框）编码进网络，并用 Human MoE 将图像特征与光线特征路由到不同专家，从而在单一框架里同时回归人体局部姿态与全局度量 3D 位置；对做单目人体重建、人体-场景联合重建、以及需要把 2D 检测框升级为度量 3D 定位的工作可直接复用。
MUSE：利用精确且多样的语义进行少样本全切片图像分类
MUSE: Harnessing Precise and Diverse Semantics for Few-Shot Whole Slide Image Classification
对做视觉研究的人，这篇论文提供了一个可复用的思路：把 LLM 生成的类级文本先验，通过基于 MoE 的样本级视觉-语义交互细化为逐样本先验，再用检索增强的多视图文本做随机语义监督，从而在少样本下缓解过拟合并提升视觉-语义对齐的精度与多样性；该「先细化再增广」的语义监督流程可迁移到其他少样本视觉-语言任务。
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。
MDCS-MoAME：面向癌症生存预测的多方向复合扫描与注意力及 Mamba 混合专家
MDCS-MoAME: Multi-directional Composite Scanning with Mixture of Attention and Mamba Experts for Cancer Survival Prediction
把 Mamba 的多方向复合扫描策略用在千兆像素全切片图像上，为处理超长序列的病理图像提供了一种可复用的序列化与建模思路；注意力与 Mamba 混合专家动态路由也可迁移到其他多模态视觉任务。
M4-SAM：面向 RGB-D 视频显著性目标检测的多模态混合专家与记忆增强 SAM
M4-SAM: Multi-Modal Mixture-of-Experts with Memory-Augmented SAM for RGB-D Video Salient Object Detection
把 SAM2 的线性 LoRA 换成带卷积专家的模态感知 MoE-LoRA，并用伪掩码引导记忆库实现无提示初始化，这套 PEFT + 记忆引导思路可直接迁移到其他需要多模态适配的 SAM2 下游分割任务。
爱屋及乌：重新思考标签在视觉上下文学习提示词检索中的作用
Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning
为视觉上下文学习中的提示词检索引入标签一致性约束，并设计图像-标签联合表示与查询自适应混合专家路由，可直接用于分割、检测等下游任务的提示词选择。
局部精确精修：一种用于增强基础模型对抗光谱漂移泛化能力的双门控混合专家框架
Local Precise Refinement: A Dual-Gated Mixture-of-Experts for Enhancing Foundation Model Generalization against Spectral Shifts
把 MoE 的双门控路由用在基础模型特征的空间自适应精修上，并引入由 RGB 波段估计的深度特征作为结构先验，通过交叉注意力融合——这套「模态独立路由 + 结构引导融合」的微调范式可迁移到其他存在域偏移的密集预测任务。
Life-IQA：通过 GCN 增强的层间交互与基于 MoE 的特征解耦提升盲图像质量评价
Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling
用 GCN 增强的跨层交叉注意力替代普通 Transformer 解码器做质量特征解码，并用 MoE 按失真类型分专家解耦特征，这套「层间交互 + 专家解耦」的解码思路可迁移到其他需要融合骨干网络浅层与深层特征的回归/预测任务。
学会看与做：面向机器人操作的任务感知虚拟视角探索
Learning to See and Act: Task-Aware Virtual View Exploration for Robotic Manipulation
把「选视角」本身建模为可学习策略，并在重建的场景表示上按所选虚拟相机重渲染观测，这为视觉研究者提供了一条绕开固定相机与遮挡的通用思路：用可微/可重渲染的场景表示做主动感知，而不是被动接受输入图像。
LLaMo：以连续自回归 token 扩展预训练语言模型实现统一的动作理解与生成
LLaMo: Scaling Pretrained Language Models for Unified Motion Understanding and Generation with Continuous Autoregressive Tokens
把人体动作编码进因果连续潜空间、用轻量 flow-matching 头在 decoder-only 骨干上保留下一 token 预测，从而绕开离散量化的抖动并实现 30FPS 流式生成——这套「连续 token + MoT 隔离模态」的做法可直接迁移到视频/动作序列的视觉-语言统一建模。
LESA：面向扩散模型加速的可学习阶段感知预测器
LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration
把扩散采样中的特征缓存从「简单复用/免训练外推」升级为「按噪声阶段分专家、用 KAN 学习时序特征映射」的可训练预测器，可直接套用到 DiT 类图像/视频生成模型的推理加速上，在 FLUX、Qwen-Image、HunyuanVideo 上验证了 5–6 倍加速且质量几乎不掉。
面向弱监督视频异常检测的混合记忆专家联合学习通用与多样模式
Joint Learning of General and Diverse Patterns with Mixture of Memory Experts for Weakly-Supervised Video Anomaly Detection
提出混合记忆专家框架，每个专家有内部记忆做细粒度特化、共享外部记忆聚合通用知识，并用大语言模型构建异常原型引导专家路由，为视频异常检测中同时建模泛化性与多样性提供了可复用的路由与记忆机制。
JUMP-Hand：学习逐关节不确定性以门控多视角专家混合模型进行多视角3D手部重建
JUMP-Hand: Learning Joint-wise Uncertainty to Gate Mixture of View Experts for Multi-View 3D Hand Reconstruction
将逐关节不确定性作为显式门控信号，用于多视角特征融合与三角化初始化，可迁移到其他多视角三维重建任务（如人体姿态、物体位姿）中处理遮挡与噪声。
HBridge：面向统一多模态理解与生成的异构专家 H 形桥接
HBridge: H-Shape Bridging of Heterogeneous Experts for Unified Multimodal Understanding and Generation
HBridge 的非对称 H 形桥接结构只在中层共享注意力、浅层与深层解耦，为视觉研究者提供了一种可复用的异构专家融合范式：在保留 LLM 与扩散模型各自预训练先验的同时降低跨模态注意力的共享开销，可直接迁移到需要同时做视觉理解与图像生成的统一模型中。
GeoCoT：面向可靠遥感推理的流形视角方法
GeoCoT: Towards Reliable Remote Sensing Reasoning with Manifold Perspective
提出基于局部流形映射的稀疏专家路由机制，可复用于视觉语言模型的多任务适配，降低高维视觉token冗余；同时引入RSV-GRPO强化结构化推理训练，为遥感视觉语言模型提供可借鉴的优化策略。
GeCo-SRT：面向跨任务仿真到现实迁移的几何感知持续适应
GeCo-SRT: Geometry-aware Continual Adaptation for Cross-Task Sim-to-Real Transfer
把局部几何特征当作域不变、任务不变的迁移基底，并用几何感知的混合专家加优先经验回放来累积跨任务仿真到现实的经验，这套「几何先验+专家路由+经验回放」的组合可直接迁移到视觉策略的持续域适应与机器人操作策略学习中。
FoundIR-v2：为图像复原基础模型优化预训练数据配比
FoundIR-v2: Optimizing Pre-Training Data Mixtures for Image Restoration Foundation Model
把「不同复原任务的数据配比」当作可优化的变量，用数据混合律做动态调度，并用 MoE 调度器为每个任务分配任务自适应的扩散先验；做 all-in-one 复原或多任务联合训练时，可直接借鉴这套数据均衡调度与专家路由思路。
ForceVLA2：释放面向接触丰富操作的力觉感知混合力位控制
ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation
把力信号作为提示注入 VLM 专家、并用跨尺度 MoE 与实时力做闭环融合，为视觉-语言-动作模型引入力觉通道提供了可复用的架构范式；其多视角图像+力信号的数据集也可用于研究接触丰富场景下的多模态表征。
少样本混合增量学习：数据稀缺与任务不确定下的持续学习
Few-Shot Hybrid Incremental Learning:Continually Learning under Data Scarcity and Task Uncertainty
CME-MoE 的条件专家复用与元扩展机制，为视觉模型在少样本、任务不确定的持续数据流中平衡稳定性与可塑性提供了可复用的架构级方案；SEPC 按需扩展原型分类器的思路可直接迁移到视觉分类器的域偏移决策边界建模。
FSLoRA：通过频域-空间低秩适配器协调检测与重识别实现单阶段行人搜索
FSLoRA: Harmonizing Detection and Re-Identification via Freq-Spatial Low-Rank Adapter for One-Stage Person Search
把 LoRA 与混合专家结合成骨干网络级的即插即用适配器，并在频域上做任务相关分量的选择性增强，为单阶段检测+重识别这类多任务特征纠缠问题提供了可复用的解耦手段。
FAPE-IR：面向一体化图像复原的频率感知规划与执行框架
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
将冻结的多模态大语言模型作为规划器生成频率感知的复原计划，并驱动基于LoRA的混合专家扩散执行器，为统一图像复原提供了可解释的语义规划与频率专家动态选择相结合的新范式。
EventGait：面向事件流的鲁棒步态识别
EventGait: Towards Robust Gait Recognition with Event Streams
把事件相机引入步态识别，用脉冲专家混合（MoSE）建模微秒级动态、用跨模态结构对齐（CroSA）借助大视觉基础模型蒸馏稠密形状表征，为低光照/高动态场景下的人体运动识别提供了可复用的双流事件表征方案。
EventDrive：面向视觉-语言驾驶智能的事件相机
EventDrive: Event Cameras for Vision-Language Driving Intelligence
将事件相机异步流与RGB帧通过多尺度事件金字塔和模态路由混合专家融合，为视觉语言模型提供高时序精度和运动感知，可借鉴到需要低延迟、高动态范围的多模态推理任务中。
擦除数千个概念：面向文本到图像扩散模型的可扩展且实用的概念擦除
Erasing Thousands of Concepts: Towards Scalable and Practical Concept Erasure for Text-to-Image Diffusion Models
提出基于t分布混合模型和最优传输的概念擦除框架，可精确定位并擦除文本嵌入中的目标概念，同时保持其他概念生成质量，为扩散模型的安全可控生成提供可扩展方案。
通过聚类感知上采样增强混合专家模型的特化能力
Enhancing Mixture-of-Experts Specialization via Cluster-Aware Upcycling
对需要在视觉-语言预训练中把稠密 CLIP 骨干升级为 MoE 的研究者，本文给出一种可复用的初始化方案：用输入激活的语义聚类 + 截断 SVD 初始化各专家、用聚类质心初始化路由器，并配合专家集成自蒸馏稳定路由，可直接替换稀疏上采样以提升零样本/少样本迁移。
ERMoE：用于稳定路由与可解释专家特化的特征基重参数化混合专家模型
ERMoE: Eigen-Reparameterized Mixture-of-Experts for Stable Routing and Interpretable Specialization
用专家表示空间的正交特征基余弦相似度替代可学习门控 logits 做路由，可作为一种免辅助负载均衡损失的 MoE 路由方案，直接迁移到视觉 Transformer 的稀疏扩容与多模态检索骨干中。
DuetMerging：协同动态与静态策略以缓解模型合并中的任务干扰
DuetMerging: Synergizing Dynamic and Static Strategies for Mitigating Task Interference in Model Merging
对需要把多个视觉专家模型（如不同域/任务的检测、分割模型）合并成单一多任务网络的研究者，提供了一套可复用的合并流程：先用 Tucker 分解在共享核心张量上构建统一专家池，再用任务特定神经元激活模式生成掩码保留残差关键信息，可直接替换 TIES/DARE 等任务向量合并步骤。
Dual-Estimator：解耦全局与局部语义漂移以补偿类增量学习中的漂移
Dual-Estimator: Decoupling Global and Local Semantic Shift for Drift Compensation in Class-Incremental Learning
对做类增量视觉分类的人，这篇给出了一个可直接插拔的漂移补偿模块：用混合专家估计器建模任务内非均匀语义分布、用低秩估计器捕捉任务间非均匀漂移，且以解析解在少数 epoch 内更新，可挂到现有 exemplar-free 方法上缓解旧类表征失活。
DriveMoE：面向端到端自动驾驶视觉-语言-动作模型的混合专家方法
DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving
DriveMoE 将 MoE 引入端到端自动驾驶的 VLA 框架，其视觉 MoE 通过路由器自适应选择相关相机视角，动作 MoE 通过路由器激活驾驶行为专家，这种按需激活专家的思路可复用于多视角感知与多模态动作生成任务，缓解模式平均问题。
Dr.Occ：面向自动驾驶的深度与区域引导环视相机三维占用预测
Dr.Occ: Depth- and Region-Guided 3D Occupancy from Surround-View Cameras for Autonomous Driving
用 MoGe-2 的稠密深度先验监督 2D-to-3D 视角变换，可缓解纯视觉 BEV/占用方法中体素特征与几何错位的问题；区域引导的 MoE 专家分配则为处理空间类别不平衡提供了可复用的思路。
你会即兴吗？通过音频控制的富有表现力的人形机器人运动
Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control
把音频当作隐式风格信号、跳过显式动作重建直接生成可执行的人形运动，这种「内容+风格」解耦的音频到运动扩散策略可迁移到视觉侧的音频驱动人体动作生成与动作重定向任务，避免级联误差与高延迟。
Depth Any Endoscopy：面向单目内窥镜自监督可泛化深度估计
Depth Any Endoscopy: Towards Self-Supervised Generalizable Depth Estimation in Monocular Endoscopy
把视觉基础模型通过双层 MoE（内部 LoRA/Adapter、外部域专家）适配到内窥镜深度估计，并用可学习梯度协调平衡深度与位姿网络优化，可直接迁移到其他跨域自监督单目深度任务。
面向高效跨模态迁移的解耦可复用适配
Decoupled and Reusable Adaptation for Efficient Cross-Modal Transfer
把跨模态迁移拆成「一次性任务无关的模态知识迁移（自监督 + 结构重建得到可复用 LoRA）」与「轻量任务知识注入（Task-Prompted MoE 融合）」两段，视觉研究者可把 Stage 1 的模态 LoRA 当作可插拔资产，在深度/事件/热成像等非 RGB 输入上复用同一套 RGB 基础模型，避免每个下游任务重训重存。
DFD-HR：通过层级路由学习实现可泛化的深度伪造检测
DFD-HR: Generalizable Deepfake Detection via Hierarchical Routing Learning
把 PEFT 从「少调参数」推进到「调对参数」：层级的自适应早退剪枝加词元级 Spearman 排序筛选，可直接迁移到任何基于 CLIP 的伪造/异常检测或细粒度分类任务中，作为提升跨域泛化的通用微调策略。
CoVFT：面向多模态大模型的上下文感知视觉微调
CoVFT: Context-aware Visual Fine-tuning for Multimodal Large Language Models
对做 MLLM 视觉侧适配的人，这篇给出了一个可复用的思路：把多模态上下文显式抽成 context vector 并送入 MoE 来分解视觉编码器在不同上下文下的冲突梯度，从而让视觉微调稳定超过冻结基线；其配置对齐的基准也提示视觉微调实验必须控制训练配置变量。
CoLoGen：面向统一图像生成的概念—定位二元性渐进学习
CoLoGen: Progressive Learning of Concept-Localization Duality for Unified Image Generation
把「语义理解」与「空间定位」两类异质表征显式解耦，再用混合专家式路由（PRW）按阶段融合，为统一条件生成中多任务表征冲突提供了一种可复用的架构思路，可直接迁移到编辑、可控生成与个性化生成的统一模型设计。
CARE-Edit：面向上下文图像编辑的条件感知专家路由
CARE-Edit: Condition-Aware Routing of Experts for Contextual Image Editing
用轻量潜变量注意力路由器按多模态条件与扩散时间步把 token 稀疏路由到 Text/Mask/Reference/Base 四个专家，可直接迁移到任何多条件 ControlNet 式编辑器中以缓解条件冲突与颜色渗漏。
超越外观：基于几何结构的伪装目标检测
Beyond Appearance: Camouflaged Object Detection via Geometric Structure
把单目深度估计模型通过稀疏混合专家适配器迁移到伪装目标检测，并用几何-语义融合模块把深度几何线索注入分割特征，为「深度先验跨任务迁移」提供了一个可复用的适配与融合范式。
AtomicVLA：释放机器人中原子技能学习的潜力
AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots
对做视觉-语言-动作模型的人，这篇给出一种把长程操作拆成原子技能、用技能引导的混合专家（SG-MoE）加路由编码器动态分配专家的做法，可直接借鉴到需要持续学习新技能的机器人策略中，替代单一动作解码器。
ALLNet：面向退化图像的多任务密集预测
ALLNet: Multi-task Dense Prediction for Degraded Images
把 MoE 动态路由用于退化特征增强，并与任务特定特征做双向协同精炼，为在恶劣成像条件下做多任务密集预测（深度、语义分割等）提供了可复用的「复原-任务联合」框架。