Privacy-Preserving Image Features via Adversarial Affine Subspace Embeddings
ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软）
许多计算机视觉系统需要用户将图像特征上传到云端进行处理和存储。可以利用这些特征来恢复关于场景或对象的敏感信息，例如，通过重建原始图像的外观。为了解决这个隐私问题，我们提出了一个新的隐私保护功能表示。我们工作的核心思想是通过将每个特征描述符嵌入到包含原始特征以及对抗特征样本的仿射子空间中来删除约束。基于子空间到子空间距离的概念来实现隐私保护表示上的特征匹配。我们的实验证明了我们的方法的有效性和它的视觉定位和映射以及人脸认证的应用程序的高度实际意义。与原始功能相比，我们的方法使对手更难恢复私人信息。
2021-03-30 cs.CV
Affine Subspace Models and Clustering for Patch-Based Image Denoising
Computer Engineering Purdue University West Lafayette, IN；Computer Engineering University of Massachusetts Amherst, MA
本文提出基于仿射子空间模型的图像去噪方法，通过改进聚类模型提升去噪效果。
2025-12-08 cs.CV eess.IV
Symmetry-free SDP Relaxations for Affine Subspace Clustering
Heidelberg University（海德堡大学）
我们考虑聚类问题，其目标是确定一个最佳分区的一个给定的点集在欧几里得空间的仿射子空间的集合。虽然有大量关于这类问题的算法的文献，但这种方法容易受到初始化不佳的影响，并陷入糟糕的局部最优解。我们缓解这些问题，通过引入一个半定松弛的基础上Lasserre的矩量法。虽然类似的方法是已知的经典欧几里德聚类问题，推广到我们更一般的子空间的情况是不简单的，由于目标函数的高度对称性，削弱了任何凸松弛。因此，我们引入了一个新的机制，对称性破缺的基础上覆盖的可行域与多面体。此外，我们介绍和分析了一个确定性舍入启发式。
2016-07-25 cs.CV cs.DM math.OC
Affine Non-negative Collaborative Representation Based Pattern Classification
Jiangnan University（江南大学）；University of Surrey（萨里大学）
在过去的十年中，基于表示的分类方法在模式识别中受到了相当大的关注。特别是，最近提出的基于非负表示的分类（NRC）方法已被报道在广泛的分类任务中取得了可喜的成果。然而，NRC有两个主要缺点。首先，在NRC的公式中没有正则化项，这可能导致不稳定的解决方案和错误分类。第二，NRC忽略了一个事实，即数据通常位于多个仿射子空间的并集中，而不是实际应用中的线性子空间。针对上述问题，本文提出了一种用于模式分类的仿射非负协同表示（ANCR）模型。更具体地说，ANCR对编码向量施加正则化项。此外，ANCR引入了仿射约束，以更好地表示来自仿射子空间的数据。在多个基准数据集上的实验结果表明了该方法的优点。ANCR的源代码可在https://github.com/yinhefeng/ANCR上公开获取。
2020-07-10 cs.CV
Low-Dimensional High-Leverage Subspace Optimization: Beyond Full-Parameter Coupled Training for Neural Network Quantization
本研究针对神经网络量化中全参数耦合训练的缺陷，提出NAP方法，通过针对性优化归一化仿射参数子空间，在PTQ和QAT场景下提升低比特量化性能，在ImageNet等数据集上验证了其有效性。
2026-08-05 cs.CV
Registration beyond Points: General Affine Subspace Alignment via Geodesic Distance on Grassmann Manifold
Seoul National University（首尔国立大学）；Inha University（inha大学）；University of Michigan（密歇根大学）
本文提出以 Grassmann 流形测地距离构建关于刚体变换的显式可优化代价，实现任意仿射子空间配准，并结合 BnB 取得全局最优与更优视觉任务表现。
2025-07-25 cs.CV
Uncalibrated Non-Rigid Factorisation by Independent Subspace Analysis
IT University of Copenhagen（哥本哈根信息技术大学）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
我们提出了一个通用的，事先免费的方法，未校准的非刚性结构从运动问题的建模和分析的非刚性物体，如人脸。词语“一般”是指通过假设（1）非刚性形状由刚性3D基础形状的线性组合生成，（2）非刚性形状本质上是仿射的，即，它们可以被建模为与平均刚性形状的偏差，（3）并且基本形状在统计上是独立的。与大多数现有的作品相比，没有先验信息被假定为结构和运动，除了假设的基础形状是统计独立的。通过独立子空间分析（ISA）恢复独立的三维形状基。同样，与大多数以前的方法相比，没有校准信息假设仿射相机;重建解决了全局仿射模糊度，使我们的方法简单但有效。在实验中，我们评估的方法与几个标准的数据集，包括一个真实的人脸表情数据集的7200面与二维点对应和未知的三维结构和运动，我们得到了可喜的结果。
2018-11-22 cs.CV
Unsupervised Domain Adaptation with Progressive Adaptation of Subspaces
Nanjing University of Aeronautics & Astronautics（南京航空航天大学）
无监督领域自适应（UDA）是一种基于领域移位的知识转移算法，通过对已有标记的源领域进行知识转移，实现对未标记目标领域的分类。现有的大多数UDA方法试图通过减少域差异来减轻迁移带来的不利影响。然而，由于目标域中缺少标签，这样的方法容易遭受臭名昭著的模式坍塌问题。自然，缓解这个问题的有效方法之一是可靠地估计目标域的伪标签，这本身就很难。为了克服这一点，我们提出了一种新的UDA方法命名为渐进适应子空间的方法（PAS），我们利用这样的直觉，似乎更合理，逐步获得可靠的伪标签。具体而言，我们通过自适应地锚定/选择和利用具有可靠伪标签的目标样本，逐步稳步地改进共享子空间作为知识传递的桥梁。随后，细化的子空间又可以提供目标域的更可靠的伪标签，使得模式坍塌得到高度缓解。我们的全面评估表明，PAS不仅是有效的共同的UDA，但也优于国家的艺术更具有挑战性的部分领域自适应（PDA）的情况下，源标签集包含的目标之一。
2020-09-01 cs.CV cs.LG stat.ML
Efficient Solvers for Sparse Subspace Clustering
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出基于近端梯度框架的稀疏子空间聚类高效求解算法，统一支持 $\ell_1$ 和 $\ell_0$ 正则化及仿射约束，其中 $\ell_1$ 求解仅需 $O(n^2)$ 计算量，$\ell_0$ 方法首次支持仿射约束且保持低内存，实验显示其对参数和噪声更鲁棒。
2020-02-20 cs.CV
SandwichQuant: Which Parameters Matter Before and After Quantization?
School of Information Science and Technology, Beijing University of Technology（北京工业大学信息科学与技术学院）
本研究提出SandwichQuant框架，发现归一化仿射参数子空间是量化校正的关键，该两阶段框架在视觉与大语言模型的低比特量化中均实现了性能提升。
2026-08-26 cs.CV
STAGE: Subspace-Targeted Affine Generative Erasure for Text-to-3D Models
Jagiellonian University（雅盖隆大学）；IDEAS Research Institute（IDEAS研究所）
STAGE提出无需训练的闭式框架，针对原生文本到3D模型，按概念类型在结构或外观阶段进行子空间定向仿射擦除，在TRELLIS上综合得分66.7，优于基线53.2。
2026-10-02 cs.CV
Learning Latent Subspaces in Variational Autoencoders
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
变分自编码器（VAE）是广泛使用的深度生成模型，能够学习数据的无监督潜在表示。这种表示通常难以解释或控制。我们考虑的问题，无监督学习的功能相关的特定标签的数据集。我们提出了一个基于VAE的生成模型，我们表明它能够提取与数据中的二进制标签相关的特征，并将其结构化在一个易于解释的潜在子空间中。我们的模型，条件子空间VAE（CSVAE），使用互信息最小化，学习一个低维的潜在子空间与每个标签，可以很容易地检查和独立操作。我们展示了多伦多脸和CelebA数据集上的属性操作任务的学习表示的实用性。
2018-12-14 cs.CV cs.LG stat.ML
Hybrid Linear Modeling via Local Best-fit Flats
我们提出了一个简单而快速的几何方法建模数据的仿射子空间的联盟。该方法通过形成局部最佳拟合仿射子空间的集合开始，即，近似局部邻域中的数据的子空间。局部邻域的正确大小由Jones的$β_2$数自动确定（我们证明在某些几何条件下，我们的方法找到了最佳的局部邻域）。通过贪婪选择过程或谱方法进一步处理子空间的集合以生成最终模型。我们讨论了基于跟踪的运动分割和聚类的人脸在不同光照条件下的应用。我们给出了大量的实验证据，证明了这些问题的最先进的准确性和速度的建议算法，也对合成混合线性数据以及MNIST手写数字数据，我们演示了如何使用我们的算法快速确定仿射子空间的数量。
2012-05-01 cs.CV stat.ML
Object Tracking via Non-Euclidean Geometry: A Grassmann Approach
NICTA（澳大利亚国家信息与通信技术研究院）；University of Queensland（昆士兰大学）；Queensland University of Technology（昆士兰科技大学）
鲁棒的视觉跟踪系统需要能够处理视频流中的遮挡、姿态和照明变化的对象外观模型。这在仅使用单个图像训练模型时可能难以实现。在本文中，我们首先提出了一种跟踪方法的基础上仿射子空间（从几个图像构造），能够适应上述变化。我们不仅使用仿射子空间来表示对象，而且还使用仿射子空间来表示对象可能占据的候选区域。此外，我们提出了一种新的方法来测量仿射子空间到子空间的距离，通过使用非欧几何的格拉斯曼流形。跟踪问题，然后被认为是一个推理任务中的马尔可夫链蒙特卡罗框架通过粒子滤波。对具有挑战性的视频序列的定量评估表明，该方法获得了相当好的性能比最近的几个国家的最先进的方法，如跟踪学习检测和MILtrack。
2014-03-03 cs.CV math.MG stat.ML
