SMIA:一种用于跨域少样本分割的状态 - 消息交互适配器
该论文提出了 State-Message Interaction Adapter (SMIA),旨在将自然图像预训练编码器(如 DINOv3)适配到医疗或工业领域。
推荐理由:提出 SMIA 适配器,在冻结 DINOv3 参数下实现跨域少样本分割,支持免支持集推理。
该论文提出了 State-Message Interaction Adapter (SMIA),旨在将自然图像预训练编码器(如 DINOv3)适配到医疗或工业领域。
推荐理由:提出 SMIA 适配器,在冻结 DINOv3 参数下实现跨域少样本分割,支持免支持集推理。
针对少样本设置下预训练视觉语言模型(如 CLIP)难以捕捉细粒度诊断信息的问题,本文提出一种描述引导的两阶段 CLIP 适配方法。该方法利用症状和对比描述丰富类语义,指导聚合与类别相关的局部图像块证据以校准全局匹配。
推荐理由:提出描述引导的 CLIP 两阶段适配方法,通过症状与对比描述增强语义并校准局部证据,在少样本植物病害识别中实现最高平均准确率。
针对仅凭少量正常参考图像进行逻辑异常检测的任务,现有基于大视觉语言模型的方法存在文本检查与单一原始图像的感知错位问题。本文提出 CASCADE 框架,通过引入约束特定的视觉支架来改善验证准确率;其进阶版 CASCADE++ 进一步在物体层面适配这些支架。
推荐理由:该工作提出无需训练的 CASCADE 框架,通过约束特定的视觉支架解决大模型在逻辑异常检测中的感知与推理错位问题。
该研究将基于 YOLO26n 检测与提示分割的黄瓜长度测量流水线部署于 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4,并与 RTX 3050 Ti 工作站对比。
推荐理由:原文给出了 RGB-D 黄瓜尺寸测量在 Jetson Orin Nano 与 Raspberry Pi 4 上的精度、吞吐与能耗实测数据,为低算力边缘部署提供选型依据。
针对仅拥有正常样本的单类工业异常检测场景,该方法将冻结视觉 Transformer 的深度视为离散状态转移序列,利用层间余弦相似度定位 DINOv2 ViT-L 等模型中的四个关键故障线。
推荐理由:提出基于冻结 ViT 层间故障结构的单类异常检测器,在 MVTec-AD 等基准上实现 99.75 AUROC。
该研究评估了 Qwen2.5-VL-7B 和 InternVL3.5-8B 在建筑场景中被撞击危险检测任务中的表现,发现尽管模型能识别物体并编码空间关系,但高达 100% 的远距离场景被误判为危险。实验表明工人存在与否对决策的影响远超空间距离,且注意力干预无法消除这种共现偏差。通过让模型基于自身编码的空间表征进行条件化决策,可将特异性从 0.36 提升至 0.58,优于阈值重校准方法。
推荐理由:研究发现 VLM 误报源于决策层对共现先验的过度依赖,通过条件化空间表征可将特异性从 0.36 提升至 0.58。
针对制造环境中收集大量缺陷图像困难的痛点,本文提出基于 Jev 和 Clef-Flash 两种结构化决策模型的框架,仅需每类两张参考图即可实现图像分类与检测。研究通过智能体自动优化引导文本描述,并将缺陷概率校准以提高可靠性。
推荐理由:提出基于 Jev 和 Clef-Flash 的少样本缺陷检测框架,仅需每类两张参考图即可超越 CLIP,并提供校准方法与开源代码。
该研究提出了 Cross-Encoder Anchor Refinement (CEAR) 方法,旨在将异常判别从辅助训练域迁移到未见类别并定位细微缺陷。该方法在构建原型前连接同一图像的两种视觉编码路径:利用预训练的工业产品识别卷积编码器建立图像特定记忆,通过交叉注意力让空间锚点查询该记忆并进行残差细化;随后用图像条件化的正常和异常查询门控锚点聚合以构建原型进行评分。
推荐理由:提出跨编码器锚点细化方法,在工业与医疗数据集上实现零样本异常检测性能领先。
论文提出 Flownomaly 方法,将少样本工业异常检测建模为冻结 DINOv2 特征空间中的正态对应恢复任务。通过流匹配学习速度场,在直线路径上利用单次最优场评估即可得到干净正常 token 的后验均值,无需轨迹积分。
推荐理由:该工作将少样本工业异常检测重构为冻结特征空间中的正态对应恢复,在单步流匹配下实现无需轨迹积分的后验均值计算。
论文提出了 OV-PEAR 框架,用于解决未知工业物体的 6D 位姿、尺度及操作就绪 3D 模型构建问题。该框架通过三阶段流程实现物体分割、外观感知视图检索与显式尺度搜索,并将多视角 RGB-D 证据反投影至物体规范坐标系以验证体素占用率,从而抑制幻觉并生成可信模型。
推荐理由:针对未知工业物体,提出基于多视角观测验证的位姿尺度估计与重建框架,在真实机器人装配任务中实现高成功率。
论文提出了 DINO-FIL,这是一个基于 Transformer 的框架,旨在进行像素级的生成式图像伪造定位。该方法利用预训练的 DINOv3 ViT-H+/16 编码器的多层表示,结合轻量级融合解码器,以捕捉语义结构和细粒度纹理不一致性。
推荐理由:提出基于 DINOv3 的多层特征融合框架,在跨数据集设置下实现了对生成式图像伪造的高精度像素级定位。
论文 CORE 针对工业异常检测中缺陷样本稀缺的问题,提出一种无需训练且成本高效的提示优化框架,统一支持零样本与单样本异常合成。该方法通过异常上下文定位模块将稀疏用户输入转化为缺陷感知生成上下文,并解耦正常区域保持与异常特异性变化;同时利用自监督对比反思机制自主优化提示词。
推荐理由:该工作提出无需训练的提示优化框架,统一零样本与单样本异常合成,在 MVTec-AD 和 VisA 数据集上验证了下游检测性能提升。
OpenCV Live 播客介绍由 Intrinsic 和夏威夷大学作者提出的 3D-Object Perception Transformer(3PT),该架构将检测、分割和 6DoF 位姿估计统一为两个仅用 RGB 的多视图 Transformer。
推荐理由:OpenCV Live 播客介绍 3PT 架构及其在 BOP 2025 竞赛中的表现,并分享从基准测试到工业部署的工程经验。