Tag · 4 篇

特征蒸馏

分布 3D 视觉与重建2自监督与表征学习1生成模型与扩散1

Generalizable Knowledge Distillation from Vision Foundation Models for Semantic Segmentation

把表征学习与任务学习解耦：先做选择性特征蒸馏得到域无关表征并冻结，再做任务适配，可作为一种通用的「先蒸馏表征、后微调任务」范式，用于任何需要从 VFM 迁移到小模型且要求分布偏移下泛化的视觉任务。

Deep Feature Deformation Weights

把深度视觉特征的邻近性直接当作网格变形权重，并用重心特征蒸馏让蒸馏复杂度与网格分辨率解耦——这套思路可迁移到任何需要从2D渲染信号反推3D表面稠密属性的任务（如表面属性场、可变形重建、实时蒙皮权重预测）。

Best Segmentation Buddies for Image-Shape Correspondence

提出将2D视觉模型特征蒸馏到3D形状表面，并通过最佳分割伙伴匹配建立图像分割与3D语义部件对应的方法，可复用于跨模态检索、三维部件分割和姿态迁移等任务。

AudioAvatar: Personalized Audio-driven Whole-body Talking Avatars

用3D高斯粒子变形场替代参数化姿态瓶颈，实现音频到全身高保真动画；特征级蒸馏从视频扩散模型迁移同步先验，可复用于其他音频驱动生成任务。