Tag · 5 篇
跨注意力
VisualAD：基于视觉 Transformer 的无语言零样本异常检测
VisualAD: Language-Free Zero-Shot Anomaly Detection via Vision Transformer
去掉文本分支、只用冻结 ViT 骨干加两个可学习 token 来编码正常/异常语义，为视觉研究者提供了一个可复用的纯视觉零样本判别范式，可直接替换 CLIP 文本提示词方案并适配 DINOv2 等骨干。
VLM4RSDet：协同优化与视觉语言模型增强遥感目标检测
VLM4RSDet: Collaborative Optimization with Vision-Language Model for Enhancing Remote Sensing Object Detection
提出一种协同训练框架，利用视觉语言模型的先验知识增强闭集遥感目标检测器，推理时仅保留标准检测架构，避免额外开销；其全局-局部交叉注意力模块和可学习分层预测策略可迁移到其他检测任务中。
独特人生，共享世界：从单人生视频中学习
Unique Lives, Shared World: Learning from Single-Life Videos
提出仅用单个人第一人称视频进行自监督训练视觉编码器的范式，并设计跨注意力指标量化不同模型内部表征的功能对齐，为利用无标注个人视频学习通用几何表征提供了新思路。
HumanNOVA：从单张图像生成照片级真实、通用且快速的3D人体化身模型
HumanNOVA: Photorealistic, Universal and Rapid 3D Human Avatar Modeling from a Single Image
提出一种前馈式、以词元为条件的单图人体化身建模框架，利用跨注意力将图像与SMPL词元融合为三平面表示，无需测试时优化即可在1秒内生成逼真3D人体，为快速3D重建与可控生成提供可复用范式。
面向多对比度MRI任意尺度超分辨率的解剖引导自适应各向异性高斯泼溅
Adaptive Anisotropic Gaussian Splatting for Multi-contrast MRI Arbitrary-Scale Super-Resolution with Anatomy Guidance
把各向异性2D高斯核参数化引入MRI任意尺度超分辨率，用可学习的高斯中心与协方差替代INR的连续映射，绕开频谱偏置导致的高频解剖边界丢失；其中基于梯度稀疏注意力的高斯参数化器与双域跨注意力模块可迁移到其他需要高频细节恢复的医学图像复原任务。