Tag · 10 篇
轻量化网络
UCMNet：面向屏下摄像头图像复原的不确定性感知上下文记忆网络
UCMNet: Uncertainty-Aware Context Memory Network for Under-Display Camera Image Restoration
用不确定性图作为空间先验来引导记忆库检索区域自适应上下文，这一「不确定性驱动 + 记忆检索」范式可迁移到其他空间非均匀退化复原任务（如散焦去模糊、镜头污渍、混合退化去噪），且以更少参数达到最优，对轻量化复原网络设计有直接参考价值。
面向高级视觉感知的任务感知图像信号处理器
Task-Aware Image Signal Processor for Advanced Visual Perception
把 ISP 从「还原好看图像」改成「为预训练视觉模型生成任务友好表征」，用少量多尺度调制算子替代稠密卷积，可直接插在 RAW 输入的下游检测/分割模型前，兼顾精度与延迟。
检索即复原：基于检索式退化库的高效一体化图像复原
Retrieve-to-Restore: Efficient All-in-One Image Restoration with a Retrieval-Based Degradation Bank
把退化知识外置成一个可检索的先验库，用退化匹配在推理时调制骨干网络特征，为多退化统一复原提供了一条解耦「退化适应」与「重建能力」的轻量思路，可直接迁移到去噪、去雨、去雾等多任务联合训练场景。
PMRNet：面向医学图像分割的物理信息多尺度细化网络
PMRNet: Physics-informed Multi-scale Refinement Network for Medical Image Segmentation
用熵驱动的扩散机制以线性复杂度逼近全局感受野，并用重正化群式下采样保留信息，这套「伪全局感受野 + 边界感知解码」的组合可直接迁移到其他需要低算力密集预测的视觉任务。
用于语义场景补全的多模态频率分解网络
Multi-modal Frequency Decomposition Network for Semantic Scene Completion
针对 RGB-D 语义场景补全中的多模态对齐问题，提出频率分解与全局到局部的对齐范式，可复用于其他多模态融合任务（如深度补全、3D 检测）的特征对齐与细节保留。
LiteSense：以 RGB 提升轻量 ToF 实现高分辨率度量深度估计
LiteSense: Lifting Lightweight ToF with RGB for High-Resolution Metric Depth Estimation
用 ToF 的 zone-wise 直方图（CNH）经交叉注意力注入 U-Net 特征，为轻量 RGB-D 网络提供显式度量先验，可作为低成本传感器下高分辨率度量深度估计的可复用融合范式。
Lite Any Stereo：高效零样本立体匹配
Lite Any Stereo: Efficient Zero-Shot Stereo Matching
提供了一套可复用的轻量骨干网络与混合代价聚合设计，并用百万级数据的三阶段训练策略弥合仿真到真实的差距，使超轻量立体匹配模型具备零样本泛化能力，可直接用于实时深度估计与部署受限场景。
LightRR：一种用于单图像去反射的轻量级网络
LightRR: A Lightweight Network for Single Image Reflection Removal
把 DWT 频域分解与 Mamba 状态空间建模结合成非对称频域模块，在低分辨率子带上做长程依赖建模，为轻量化复原网络提供了可复用的频域-序列混合骨干设计；同时用知识蒸馏把大预训练编码器的表征迁移到小模型，是低算力部署场景下值得借鉴的训练范式。
GeoSANE：从模型而非数据中学习地理空间表征
GeoSANE: Learning Geospatial Representations from Models, Not Data
把「预训练一个模型」换成「从已有模型权重生成新模型权重」，为视觉研究者提供了一条不依赖海量数据、直接复用多个基础模型互补知识的迁移路径，尤其适合遥感等标注稀缺、模态多样的场景下快速产出可微调骨干。
超越严格配对：面向高性能红外与可见光图像融合的任意配对训练
Beyond Strict Pairing: Arbitrarily Paired Training for High-Performance Infrared and Visible Image Fusion
把红外与可见光图像融合的训练从严格配对中解放出来，用非配对/任意配对数据即可训练，并给出 CNN/Transformer/GAN 三个轻量基线；做多模态融合或跨模态配准数据稀缺时，可直接复用其任意配对训练目标与配套损失函数。