FACE: Few-shot Adapter with Cross-view Fusion for Cross-subject EEG Emotion Recognition
South China University of Technology（华南理工大学）；Pazhou Lab（琶洲实验室）
针对跨被试脑电情绪识别中被试差异大和过拟合问题，提出少样本适配器与跨视角融合方法FACE，通过动态多视角融合和元学习增强适配器，在三个基准上取得领先泛化性能。
2025-03-24 cs.AI cs.CV eess.IV
BiomedAP: A Vision-Informed Dual-Anchor Framework with Gated Cross-Modal Fusion for Robust Medical Vision-Language Adaptation
Wenzhou University（温州大学）；Wenzhou Business College（温州商务学院）
BiomedAP通过门控跨模态融合和双锚约束机制，提升医学视觉-语言模型在提示变化下的鲁棒性，实验显示其在多个基准上均优于基线方法。
2026-05-15 cs.AI cs.CV
Semantic-aligned Fusion Transformer for One-shot Object Detection
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research Asia（微软亚洲研究院）
单次目标检测的目的是仅根据一个给定实例来检测新的目标。在数据极度稀缺的情况下，目前的方法探索各种特征融合以获得可直接转移的元知识。然而，他们的表现往往不能令人满意。在本文中，我们把这归因于不适当的相关方法，不一致的查询支持语义忽略空间结构和规模的变化。经过分析，我们利用注意力机制，并提出了一个简单而有效的架构命名为语义对齐的融合Transformer（SaFT）来解决这些问题。具体来说，我们配备了一个垂直融合模块（VFM）的跨尺度语义增强和水平融合模块（HFM）的跨样本特征融合的SaFT。总之，它们将每个特征点的视野从支持扩展到查询的整个增强特征金字塔，促进语义对齐的关联。在多个基准上的大量实验证明了我们框架的优越性。在不对新类进行微调的情况下，它为单阶段基线带来了显着的性能提升，将最先进的结果提升到更高的水平。
2022-03-20 cs.CV
ACD-CLIP: Decoupling Representation and Dynamic Fusion for Zero-Shot Anomaly Detection
Central South University（中南大学）；Hunan Vocational College of Science and Technology（湖南科技职业学院）
ACD-CLIP通过联合优化特征表征与跨模态融合，解决预训练视觉语言模型在零样本异常检测中的适应性不足问题，提出参数高效卷积低秩适应器和动态融合网关提升检测精度与鲁棒性。
2026-03-27 cs.AI cs.CV cs.LG
Learning Spatial Fusion for Single-Shot Object Detection
Beihang University（北京航空航天大学）
金字塔特征表示是解决目标检测中尺度变化挑战的常用方法。然而，不同特征尺度的不一致性是基于特征金字塔的单次检测器的主要限制。在这项工作中，我们提出了一种新的和数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。该算法学习了对冲突信息进行空间过滤以抑制不一致性的方法，从而提高了特征的尺度不变性，并引入了几乎免费的推理开销。通过ASFF策略和YOLOv 3的坚实基线，我们在MS COCO数据集上实现了最佳的速度-准确性权衡，在60 FPS下报告了38.1%的AP，在45 FPS下报告了42.4%的AP，在29 FPS下报告了43.9%的AP。代码可在https://github.com/ruinmessi/ASFF上获得
2019-11-25 cs.CV
MASTAF: A Model-Agnostic Spatio-Temporal Attention Fusion Network for Few-shot Video Classification
University of California Davis（加州大学戴维斯分校）
我们提出了MASTAF，一个模型无关的时空注意力融合网络的Few-Shot视频分类。MASTAF从一般视频空间和时间表示中获取输入，例如，使用2D CNN、3D CNN和视频Transformer。然后，为了充分利用这种表示，我们使用自我和交叉注意模型来突出关键的时空区域，以增加类间的变化，减少类内的变化。最后，MASTAF应用轻量级融合网络和最近邻分类器对每个查询视频进行分类。我们证明，MASTAF提高了三个Few-Shot视频分类基准（UCF 101，HMDB 51和Something-Something-V2）的最先进性能，例如，对于五路单镜头视频分类，分别高达91.6%，69.5%和60.7%。
2022-10-16 cs.CV cs.LG
Depth Guided Adaptive Meta-Fusion Network for Few-shot Video Recognition
Fudan University（复旦大学）；University of Oxford（牛津大学）
人类可以很容易地识别动作，只有几个例子，而现有的视频识别模型仍然严重依赖于大规模的标记数据输入。这一观察激发了越来越多的兴趣，在Few-Shot视频动作识别，其目的是学习新的动作，只有很少的标记样本。在本文中，我们提出了一个深度引导的自适应元融合网络的Few-Shot视频识别，这是被称为AMeFu-Net。具体来说，我们从三个方面解决了Few-Shot识别问题：首先，通过引入深度信息作为场景的载体，为模型带来额外的视觉信息，从而缓解了这一数据极度匮乏的问题;其次，我们将原始RGB剪辑的表示与通过我们的时间增强增强机制采样的多个非严格对应的深度剪辑相融合，第三，提出了一种新的深度引导自适应实例归一化（DGAdaIN）融合模块，有效地融合了两个流模态。此外，为了更好地模仿Few-Shot识别过程，我们的模型是在元学习的方式进行训练。在多个动作识别基准上的实验证明了该模型的有效性。
2020-10-20 cs.CV
Separated Inter/Intra-Modal Fusion Prompts for Compositional Zero-Shot Learning
Hanyang University（汉阳大学）
针对组合零样本学习难以准确识别细微语义差异及状态与对象组合的问题，提出利用多样化提示学习结合跨模态/模态内融合合成器来提升属性识别性能的高效方法。
2025-01-22 cs.AI cs.CV cs.LG
Fusion-based Few-Shot Morphing Attack Detection and Fingerprinting
State University of New York at Buffalo（纽约州立大学布法罗分校）
由于人脸生物识别技术在现实世界中的广泛应用，人脸识别系统对变形攻击的脆弱性已经构成了严重的安全威胁。现有的变形攻击检测（MAD）方法大多需要大量的训练数据，并且只在少数预定义的攻击模型上进行了测试。缺乏良好的泛化性能，特别是考虑到人们对开发新的变形攻击的兴趣越来越大，这是现有MAD研究的一个关键限制。为了解决这个问题，我们建议在本文中将MAD从监督学习扩展到少样本学习和从二进制检测到多类指纹。我们的技术贡献包括：1）我们提出了一种基于融合的少样本学习（FSL）方法来学习区分特征，这些特征可以从预定义的呈现攻击推广到不可见的变形攻击类型; 2）基于PRNU模型和Noiseprint网络的融合的FSL从二进制MAD扩展到多类变形攻击指纹识别（MAF）。3)我们收集了一个大规模的数据库，其中包含五个人脸数据集和八个不同的变形算法，基准建议的Few-Shot MAF（FS-MAF）方法。大量的实验结果表明，我们的融合为基础的FS-MAF的出色性能。代码和数据将在https://github.com/nz0001na/mad maf上公开。
2022-10-27 cs.CV
Seismic Shot Gather Noise Localization Using a Multi-Scale Feature-Fusion-Based Neural Network
Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；Leopoldo Américo Miguez de Mello Research and Development Center (Cenpes), Petrobras（巴西石油公司莱奥波尔多·亚美利哥·米格斯·德梅洛研发中心（Cenpes））
基于深度学习的模型（诸如卷积神经网络）已经推进了计算机视觉的各个部分。然而，该技术很少应用于地震炮集噪声定位问题。本文研究了基于多尺度特征融合的地震炮集噪声定位网络的有效性。在此，我们描述以下内容：（1）基于6，500个地震图构建地震噪声定位的真实世界数据集;（2）使用与特征金字塔网络相结合的MobileNet作为骨干的基于多尺度特征融合的检测器;以及（3）用于箱分类/回归的Single Shot多箱检测器。此外，我们建议使用焦点损失函数，提高检测器的预测精度。在我们的经验评估中，所提出的检测器实现了78.67%的AP@0.5。
2020-05-07 cs.CV cs.LG
SPARC: Score Prompting and Adaptive Fusion for Zero-Shot Multi-Label Recognition in Vision-Language Models
Boston University（波士顿大学）；Meta AI (FAIR)（元人工智能研究院（FAIR））
提出SPARC方法，将视觉-语言模型视为黑盒，利用大语言模型生成复合提示并分析分数偏差，通过去偏和分数融合算法提升零样本多标签识别性能，在mAP上优于需训练数据的方法。
2025-02-24 cs.CV
Hybrid Fusion: One-Minute Efficient Training for Zero-Shot Cross-Domain Image Fusion
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
本文提出一种混合融合框架，通过可学习的U-Net生成动态指导图，结合经典固定拉普拉斯金字塔融合内核，实现高效全分辨率训练，实现零样本跨域图像融合的高效与高性能。
2026-02-24 cs.CV
EqGAN: Feature Equalization Fusion for Few-shot Image Generation
针对少样本图像生成缺乏精细结构与纹理的问题，提出EqGAN，通过双分支解耦融合结构与纹理并进行多尺度特征均衡化，显著提升了图像生成质量、多样性及下游分类准确率。
2023-07-27 cs.CV
An Image Fusion Scheme for Single-Shot High Dynamic Range Imaging with Spatially Varying Exposures
Tokyo Metropolitan University（东京都立大学）
针对单次高动态范围空间变曝光成像，提出了一种新的多曝光图像融合方法。SVE单次激发成像不仅可以从单次激发图像中产生没有颜色饱和度区域的图像，而且可以避免产生的图像中的重影伪影。然而，曝光次数通常限于两次，而且难以在拍摄之前决定最佳曝光值。该方案首先对输入的多曝光图像进行场景分割，然后根据场景个数和曝光值与像素值的关系调整输入图像的亮度。所提出的方法与亮度调整，使我们能够改善上述两个问题。在本文中，我们专注于双ISO成像作为一个单次拍摄成像。在实验中，该方案被证明是有效的单次拍摄高动态范围成像与SVE，与传统的MEF计划与曝光补偿相比。
2019-08-22 cs.CV eess.IV
Will Multi-modal Data Improves Few-shot Learning?
大多数少样本学习模型只利用一种数据模态。我们想定性和定量地研究，如果我们添加额外的模态（即图像的文本描述），模型会改善多少，以及它如何影响学习过程。为了实现这一目标，我们提出了四种类型的融合方法来结合图像特征和文本特征。为了验证改进的有效性，我们使用两个经典的少样本学习模型- ProtoNet和MAML，使用ConvNet和ResNet 12等图像特征提取器测试融合方法。基于注意力的融合方法效果最好，与基线结果相比，分类精度提高了30%左右。
2021-07-25 cs.CV
Multi-view Vision-Prompt Fusion Network: Can 2D Pre-trained Model Boost 3D Point Cloud Data-scarce Learning?
Fudan University（复旦大学）；Centre for Frontier AI Research (CFAR), A*STAR（新加坡科技研究局前沿人工智能研究中心）；Shanghai AI Laboratory（上海人工智能实验室）；Tencent PCG（腾讯平台与内容事业群）
提出多视图视觉提示融合网络（MvNet），通过将3D点云编码为多视图图像特征并融合为2D提示，利用2D预训练模型先验知识缓解3D数据依赖，在3D少样本点云分类任务上达到SOTA。
2023-08-04 cs.AI cs.CV
Rethinking the Metric in Few-shot Learning: From an Adaptive Multi-Distance Perspective
Tencent Youtu Lab（腾讯优图实验室）；CATL（宁德时代）；East China Normal University（华东师范大学）
少样本学习问题的重点是在给定一些标记图像的情况下识别不可见的类。在最近的工作中，更多的关注细粒度的特征嵌入，忽略了不同的距离度量之间的关系。在本文中，第一次，我们调查了不同的距离度量的贡献，并提出了一种自适应融合方案，带来显着的改善，在Few-Shot分类。我们从一个天真的基线的置信总和，并证明了利用不同的距离度量的互补性的必要性。通过发现它们之间的竞争问题，在基线的基础上，我们提出了一个自适应模糊模块（AMM）解耦度量融合为度量预测融合和度量损失融合。前者鼓励相互补充，而后者通过多任务协作学习来促进度量竞争。在AMM的基础上，设计了一个Few-Shot分类框架AMTNet，包括AMM和全局自适应损失（GAL），联合优化Few-Shot任务和辅助自监督任务，使嵌入特征更加鲁棒。在实验中，所提出的AMM实现了2%的性能比天真的度量融合模块，我们的AMTNet优于国家的最先进的多个基准数据集。
2022-11-02 cs.CV
Bridging the Semantic Chasm: Synergistic Conceptual Anchoring for Generalized Few-Shot and Zero-Shot OOD Perception
Boston University（波士顿大学）；Suffolk University（苏富比大学）；Kyung Hee University, South Korea（韩国庆熙大学）
SynerNet通过协同神经代理网络框架，解决视觉语言模型在分布外概念感知中的跨模态对齐退化问题，提升少样本和零样本场景下的精度。
2026-01-30 cs.AI cs.CV
VDLF-Net: Variational Feature Fusion for Adaptive and Few-Shot Visual Learning
Department of Statistics, Shanghai Jiao Tong University（上海交通大学统计系）
VDLF-Net通过在多尺度CNN主干上添加紧凑的变分自编码器，结合潜在向量和softmax门控实现自适应和少样本视觉学习，实验显示其在CIFAR-100和Mini-ImageNet上优于多种基线模型。
2026-04-26 cs.CV
FSSD: Feature Fusion Single Shot Multibox Detector
Beihang University（北京航空航天大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出 FSSD，通过在 SSD 中引入轻量级多尺度特征融合模块生成新特征金字塔，在 Pascal VOC 和 COCO 上以极小的速度代价显著提升检测精度，同时兼顾速度与精度。
2024-02-23 cs.CV
VTFusion: A Vision-Text Multimodal Fusion Network for Few-Shot Anomaly Detection
National Center of Technology Innovation for Intelligent Design and Numerical Control（国家智能设计与数控技术创新中心）；Huazhong University of Science and Technology（华中科技大学）
VTFusion通过自适应特征提取和多模态融合模块，提升少样本异常检测性能，实现96.8%的AUROC。
2026-01-23 cs.CV
Multi-view Distillation based on Multi-modal Fusion for Few-shot Action Recognition(CLIP-$\mathrm{M^2}$DF)
Xi’an Jiaotong University（西安交通大学）
针对少样本动作识别中类别重叠分布和离群点问题，提出基于多模态融合的多视图蒸馏方法CLIP-M2DF，通过概率提示选择、多视图融合和相互蒸馏提升模型鲁棒性。
2024-01-16 cs.CV
A Few-Shot Learning Approach for Accelerated MRI via Fusion of Data-Driven and Subject-Driven Priors
Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center (UMRAM)（国家磁共振研究中心（UMRAM））；Neuroscience Program, Aysel Sabuncu Brain Research Center, Bilkent University（比尔肯特大学艾塞尔·萨本居脑研究中心神经科学项目）
深度神经网络（DNN）最近在加速MRI重建中发现了新的用途。DNN通常从由欠采样和完全采样采集对组成的大型数据集中学习数据驱动的先验知识。然而，获取如此大的数据集可能不切实际。为了减轻这一限制，我们提出了一种用于加速MRI的少样本学习方法，该方法将通过物理信号模型获得的受试者驱动的先验与从一些训练样本获得的数据驱动的先验合并。来自纽约大学fastMRI数据集的脑MR图像的演示表明，所提出的方法只需要几个样本就可以胜过传统的并行成像和DNN算法。
2021-03-13 cs.CV eess.IV
Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）
本文提出HOP3D框架，通过分层正交原型和熵基少样本正则化，实现通用少样本3D点云分割中新型类适应与基类性能的平衡。
2026-03-20 cs.AI cs.CV
Multi-Source Fusion and Automatic Predictor Selection for Zero-Shot Video Object Segmentation
Dalian University of Technology（大连理工大学）；Pengcheng Lab（鹏城实验室）
位置和外观是视频对象分割的关键线索。诸如RGB、深度、光流和静态显著性的许多源可以提供关于对象的有用信息。然而，现有方法仅利用RGB或RGB和光流。本文提出了一种新的多源融合网络用于zero-shot视频对象分割。借助内感受性空间注意模块（ISAM），突出了每个源的空间重要性。此外，我们设计了一个功能净化模块（FPM）过滤源间不兼容的功能。通过ISAM和FPM，有效地融合了多源特征。此外，我们提出了一个自动预测器选择网络（APS），以选择更好的预测的静态显着性预测器或运动对象预测器，以防止过度依赖于失败的结果所造成的低质量的光流地图。在三个具有挑战性的公共基准（即DAVIS $_{16}$，Youtube-Objects和FBMS）上进行的大量实验表明，所提出的模型在最先进的基础上实现了令人信服的性能。源代码将在\textcolor{red}{\url{https://github.com/Xiaoqi-Zhao-DLUT/Multi-Source-APS-ZVOS}}上公开。
2021-08-11 cs.CV
A Unified approach for Conventional Zero-shot, Generalized Zero-shot and Few-shot Learning
零样本学习中流行的技术不能很好地推广到其他相关的问题场景。在这里，我们提出了一个统一的方法为传统的zero-shot，广义zero-shot和少样本学习问题。我们的方法是基于一个新的类自适应主方向（CAPD）的概念，允许多个嵌入到一个语义空间的图像特征。给定一个图像，我们的方法为每个可见类生成一个主方向。然后，它学习如何组合这些方向以获得每个未见过类的主方向，使得测试图像的CAPD与真实类的语义嵌入对齐，并且与其他类相反。这允许从可见类到不可见类的有效和类自适应信息传输。此外，我们提出了一个自动的过程中，选择最有用的看到的类为每个看不见的类，以实现鲁棒性零样本学习。我们的方法可以更新看不见的CAPD，利用很少的看不见的图像在少样本学习的情况下工作。此外，我们的方法可以通过估计可见-不可见的多样性来推广可见的CAPD，这显著提高了广义零样本学习的性能。我们的广泛的评估表明，所提出的方法一贯取得优异的性能在zero-shot，广义zero-shot和少数/一次性学习问题。
2017-10-26 cs.CV
Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion
United Imaging Intelligence（联影智能）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出轻量级多代理融合的少样本3D分割框架MSFSeg，通过学习跨患者解剖相关性，利用少量标注切片实现未见3D对象的准确分割。
2024-08-26 cs.CV
Rethinking Few-Shot Image Fusion: Granular Ball Priors Enable General-Purpose Deep Fusion
本文提出粒度球先验方法，通过自适应损失函数实现少样本图像融合，提升融合质量和模型效率。
2026-03-11 cs.CV cs.GR cs.LG
GVDepth: Zero-Shot Monocular Depth Estimation for Ground Vehicles based on Probabilistic Cue Fusion
University of Zagreb Faculty of Electrical Engineering and Computing（Zagreb大学电子工程与计算学院）
针对地面车辆单目深度估计泛化难的问题，提出规范表示解耦相机参数，并设计概率融合架构结合尺寸与位置线索，在五个自动驾驶数据集上实现零样本准确度量深度估计。
2025-09-25 cs.AI cs.CV cs.RO
Zero-Shot Object Re-Identification in Egocentric Kitchen Videos via Multi-Stage SAM3 Feature Fusion
University of Waterloo（滑铁卢大学）
针对自我中心厨房视频中物体重识别的挑战，提出一种基于SAM3分割的多阶段零样本方法，通过融合SAM3、DINOv2和CLIP特征并引入掩码形状IoU和k-倒数重排序，将mAP从45.3%提升至52.8%。
2026-05-25 cs.CV
CoGeoAD: Hierarchical Color-Geometric Fusion with Multi-View Attention for Zero-Shot 3D Anomaly Detection
State Key Laboratory of Opto-Electronic Information Acquisition；Protection Technology, Anhui University, Hefei, China；School of Artificial Intelligence, Anhui University, Hefei, China；College of Intelligence Science；Technology, National University of Defense Technology, Changsha, China；School of Mathematics \& Physics, Anhui Jianzhu University, Hefei, China
提出CoGeoAD框架，通过像素对齐的多视图图像融合颜色与几何特征，利用数据驱动的多视角注意力和多阶段颜色-几何融合模块，在MVTec3D-AD和Eyecandies基准上实现零样本3D异常检测的最新性能。
2026-06-25 cs.CV
CF-Font: Content Fusion for Few-shot Font Generation
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
针对少样本字体生成中内容特征提取非最优的问题，提出含内容融合模块、迭代风格向量精炼策略和投影字符损失的CF-Font方法，在300种字体的数据集上性能显著优于现有SOTA方法。
2024-04-15 cs.CV
Spatial frequency information fusion network for few-shot learning
School of Electronic Information and Artificial Intelligence, Shaanxi University of Science and Technology（电子信息与人工智能学院，陕西科技大学）；Society of Entrepreneurs and Ecology (SEE) Foundation（创业者与生态协会（SEE）基金会）；Key Laboratory of Southwest China Wildlife Resources Conservation (Ministry of Education)（西南中国野生动物资源保护重点实验室（教育部））；China West Normal University（西南大学）
针对少样本学习中忽略频域信息导致分类性能受限的问题，本文提出SFIFNet，通过融合频域与空间域信息增强特征表示，实验验证了其有效性。
2025-06-23 cs.CV
Model Selection for Generalized Zero-shot Learning
The Australian National University（澳大利亚国立大学）；Data61/CSIRO（Data61/联邦科学与工业研究组织）
在广义零样本学习问题中，来自未知类的数据点在训练过程中不可用。广义零样本学习的主要挑战是不平衡的数据分布，这使得分类器很难区分给定的测试样本是否来自可见或不可见的类。然而，使用生成对抗网络（GAN）来生成辅助数据点的语义嵌入看不见的类，解决了上述问题。目前的方法结合辅助数据点和原始训练数据来训练广义零样本学习模型，并获得最先进的结果。受这些模型的启发，我们建议通过模型选择机制来提供生成的数据。具体来说，我们利用两个来源的数据点（观察和辅助）训练一些分类器，以识别哪些测试数据点来自可见的，哪些来自不可见的类。通过这种方式，广义零样本学习可以被划分为两个不相交的分类任务，从而减少不平衡数据分布的负面影响。我们对四个公开可用的广义零样本学习数据集的评估表明，我们的模型获得了最先进的结果。
2018-11-08 cs.CV
Rethinking Auxiliary Modalities in Multimodal Zero-shot Anomaly Detection: From Semantic Fusion to Conditional Modulation
本研究针对现有多模态零样本异常检测方法的缺陷，提出即插即用的辅助条件增强框架，通过全局到局部的条件调制实现选择性多模态增强，在MVTec 3D-AD等数据集上提升了现有RGB零样本异常检测器的性能并达到最优。
2026-08-17 cs.CV
Video Affective Effects Prediction with Multi-modal Fusion and Shot-Long Temporal Context
Alibaba Group（阿里巴巴集团）；South China University of Technology（华南理工大学）
使用机器学习预测视频的情感影响是一项具有挑战性的任务，考虑到各种形式，视频的复杂时间上下文以及情感状态的时间依赖性。特征提取、多模态融合和时间背景融合是预测情感影响中的效价和唤醒值的关键阶段，但尚未成功开发。在本文中，我们提出了一个全面的框架与新颖的设计的模态结构和多模态融合策略。我们分别为效价和唤醒任务选择最合适的模态，并使用大型通用数据集上特定于模态的预训练深度模型提取每个模态特征。两个时间尺度的结构，一个用于帧内剪辑和其他的帧间剪辑，提出了捕捉视频内容和情感状态的时间依赖性。为了结合多种模态的互补信息，提出了一种有效且高效的基于剩余的渐进训练策略。每个模态被逐步组合到多模态模型中，负责完成特征的缺失部分。通过上述所有这些改进，我们提出的预测框架在LIRIS-ACCEDE数据集上实现了更好的性能，与最先进的预测框架相比，具有更大的优势。
2019-09-01 cs.CV cs.LG
Parallel Residual Bi-Fusion Feature Pyramid Network for Accurate Single-Shot Object Detection
National Yang Ming Chiao Tung University（国立阳明交通大学）；University at Albany, SUNY（纽约州立大学奥尔巴尼分校）
本文提出PRB-FPN网络，通过引入并行双向融合结构、CORE模块及残差设计Re-CORE，解决了特征金字塔定位不准及难同时检测大小目标的问题，在UAVDT17和MS COCO数据集上实现了高精度单阶段目标检测。
2023-05-18 cs.CV
Zero-Shot Subject-Centric Generation for Creative Application Using Entropy Fusion
Link-To；Macau University of Science and Technology（澳门科技大学）；Huazhong University of Science and Technology（华中科技大学）
针对文本到图像生成中主体混入无关元素的问题，提出基于熵加权融合 FLUX 交叉注意力特征的零样本主体中心生成框架，并结合 LLM 智能体优化提示与提取主元素。
2025-03-12 cs.AI cs.CV eess.IV
Generative Model-Based Fusion for Improved Few-Shot Semantic Segmentation of Infrared Images
University of Minnesota（明尼苏达大学）
针对红外图像小样本语义分割存在的数据稀缺、对比度有限及现有方法依赖配对可见光图像的问题，提出结合生成式辅助数据合成、红外数据增强及新型融合集成模块的方案，在多个红外数据集上超越了当前最优水平。
2024-12-06 cs.AI cs.CV cs.LG
Refine Then Fusion: Training-Free 3D Point Cloud Adaptation with Priority Refinement and Multi-Modal Knowledge Fusion
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对少样本三维点云识别中多模态特征冗余与模态可靠性差异问题，提出无训练框架RTF，通过优先级通道精炼和可靠性感知融合实现自适应多模态聚合，在五个基准上达到最先进性能。
2026-09-21 cs.CV
MMMamba: A Versatile Cross-Modal In Context Fusion Framework for Pan-Sharpening and Zero-Shot Image Enhancement
MMMamba通过跨模态在上下文融合框架实现全色锐化和零样本图像增强，结合Mamba架构和多模态交错扫描机制，提升跨模态交互能力与计算效率。
2025-12-17 cs.CV
Zero-Shot Video Restoration and Enhancement with Assistance of Video Diffusion Models
School of Electrical and Information Engineering, Tianjin University（电子信息工程学院，天津大学）；Computer Vision and Pattern Recognition Laboratory, School of Engineering Science, Lappeenranta-Lahti University of Technology LUT（计算机视觉与模式识别实验室，工程科学学院，拉佩兰塔-拉赫蒂技术大学LUT）
本文提出一种无训练的框架，利用视频扩散模型提升零样本视频修复与增强的时序一致性，通过潜在融合与后处理策略增强效果。
2026-01-29 cs.CV
HiFi-Portrait: Zero-shot Identity-preserved Portrait Generation with High-fidelity Multi-face Fusion
Nanjing University（南京大学）；Dalian University of Technology（大连理工大学）；Nanjing University of Information Science and Technology（南京信息科技大学）
HiFi-Portrait通过高保真多脸融合技术实现零样本身份保留肖像生成，提升了面部相似性和可控性，同时兼容SDXL工作。
2025-12-16 cs.CV
Leveraging Large-Scale Pretrained Spatial-Spectral Priors for General Zero-Shot Pansharpening
本文提出利用大规模模拟数据预训练空间-光谱先验，提升遥感图像融合在不同传感器和条件下的泛化能力。
2025-12-02 cs.CV
Generalized Adaptation for Few-Shot Learning
许多少样本学习的研究工作分为两个阶段：预训练基础模型和适应新模型。在本文中，我们提出了使用封闭形式的基础学习器，它限制了适应阶段与预训练的基础模型，以获得更好的广义新模型。通过理论分析证明了该方法的合理性，并对如何训练一个通用性好的基本模型提供了指导。然后，我们在四个基准上进行实验，并在所有情况下实现最先进的性能。值得注意的是，我们在5次miniImageNet上实现了87.75%的准确率，比现有方法高出约10%。
2020-06-02 cs.CV
CaRaFFusion: Improving 2D Semantic Segmentation with Camera-Radar Point Cloud Fusion and Zero-Shot Image Inpainting
Huawei Sun ⋆ 1,2（华为（深圳）技术有限公司）；Bora Kunter Sahin ⋆ 1,3（华为（深圳）技术有限公司）；Georg Stettinger 1（华为（深圳）技术有限公司）；Maximilian Bernhard 3（慕尼黑工业大学）；Matthias Schubert 3（慕尼黑工业大学）；Robert Wille 2（华为（深圳）技术有限公司）
本文提出CaRaFFusion框架，通过将扩散模型与相机-雷达融合结合，利用雷达点生成并降噪伪掩码以修复图像，从而在恶劣天气下提升二维语义分割性能。
2025-05-06 cs.CV
Malicious Image Analysis via Vision-Language Segmentation Fusion: Detection, Element, and Location in One-shot
Shanghai Jiao Tong University（上海交通大学）；Microsoft Corporation（微软公司）
本文提出一种零样本方法，通过视觉-语言分割融合实现恶意图像的检测、元素识别与定位，提升细粒度审核的准确性和鲁棒性。
2025-12-04 cs.CV
Learn from Anywhere: Rethinking Generalized Zero-Shot Learning with Limited Supervision
IIT Hyderabad（印度理工学院海得拉巴分校）
大多数零样本学习和少样本学习方法的一个共同问题是它们遭受对所看到的类的偏见，从而导致次优性能。现有的努力旨在在训练期间利用来自看不见的类（即，转导zero-shot）的未标记图像来实现泛化。然而，这限制了它们在实际场景中的使用，从目标看不见的类的数据是不可用的或不可行的收集。在这项工作中，我们提出了一个实用的设置归纳零和少样本学习，其中未标记的图像从其他的数据类，不属于可见或不可见的类别，可以用来提高泛化在任何镜头学习。我们利用基于专家产品的配方，并引入了一个新的AUD模块，使我们能够使用来自数据外类别的未标记样本，这些样本通常很容易获得，实际上不需要注释成本。此外，我们还证明了我们的模型的适用性，以解决一个更实际和具有挑战性的，广义Zero-shot在有限的监督设置下，即使基地看到类没有足够的注释样本。
2021-07-14 cs.AI cs.CV cs.LG
InFusion: Inject and Attention Fusion for Multi Concept Zero-Shot Text-based Video Editing
Glance AI（Glance人工智能公司）
本文提出InFusion框架，利用预训练图像扩散模型实现零样本文本驱动视频编辑，通过U-Net特征差异注入、注意力融合与掩码提取支持多概念像素级控制，无需训练即可生成时间一致的编辑视频。
2023-08-10 cs.CV
Generalized Few-Shot Semantic Segmentation in Remote Sensing: Challenge and Benchmark
RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心）；the University of Tokyo（东京大学）；Ontario Tech University（安大略理工大学）；University of British Columbia（不列颠哥伦比亚大学）
针对遥感领域小样本分割需兼顾新类适应与基类性能的需求，首次提出遥感广义小样本语义分割基准，发布扩充后的OpenEarthMap数据集并给出挑战赛两阶段基准结果。
2024-09-17 cs.CV
Generalized and Incremental Few-Shot Learning by Explicit Learning and Calibration without Forgetting
MPI for Informatics（马克斯·普朗克信息学研究所）；Goethe University Frankfurt（法兰克福大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
广义和增量少样本学习都必须应对三个主要挑战：从每个类的少数样本中学习新类，防止基类的灾难性遗忘，以及跨新类和基类的分类器校准。在这项工作中，我们提出了一个三阶段的框架，允许明确和有效地解决这些挑战。当第一阶段学习具有许多样本的基类时，第二阶段学习用于来自少数样本的新类的校准分类器，同时还防止灾难性遗忘。在最后阶段，在所有类别中实现校准。我们在四个具有挑战性的图像和视频Few-Shot分类基准数据集上评估了所提出的框架，并获得了广义和增量少样本学习的最新结果。
2021-08-18 cs.CV
Generalized Hadamard-Product Fusion Operators for Visual Question Answering
School of Engineering, University of Guelph（圭尔夫大学工程学院）；Vector Institute for Artificial Intelligence（向量人工智能研究所）；Canadian Institute for Advanced Research（加拿大高级研究学院(注：原机构名常译为加拿大高级研究所，此处按原文准确翻译)）
我们提出了一个广义类的多模态融合算子的视觉问答（VQA）的任务。我们确定现有的多模态融合运营商的基础上的Hadamard产品的推广，并表明，这种广义的融合运营商的具体非平凡的实例表现出优越的性能，在开放式精度的VQA任务。特别是，我们引入了非线性集成，特征门控和融合后神经网络层作为融合算子组件，最终在VQA 2.0测试开发集上的$1.1\%$的绝对百分比改进超过基线融合算子，使用相同的特征作为输入。我们使用我们的研究结果作为证据，我们的广义类融合算子可能会导致发现更优越的任务特定的运营商时，作为一个搜索空间的架构搜索融合运营商。
2018-04-06 cs.CV cs.LG stat.ML
MDSSD: Multi-scale Deconvolutional Single Shot Detector for Small Objects
Zhengzhou University（郑州大学）
对于大多数基于多尺度特征图的目标检测器，浅层具有丰富的精细空间信息，因此主要负责小目标检测。然而，由于浅层特征图缺乏语义信息，小目标检测的性能仍不令人满意。本文设计了一种多尺度解卷积Single Shot检测器（MDSSD），特别适用于小目标的目标检测。在MDSSD中，同时对不同尺度的多个高级特征图进行上采样，以提高空间分辨率。然后，我们通过Fusion Block实现了低层特征映射的跳过连接。融合后的特征图称为融合模块，具有较强的小样本特征表示能力。值得注意的是，Fusion Block中使用的这些高级特征图保留了强语义信息和小实例的一些细节，而不是最顶层，其中小对象的细节表示可能会被删除。所提出的框架实现了77.6%的mAP小目标检测上具有挑战性的数据集TT 100 K与512 × 512输入，优于其他检测器具有较大的利润。此外，它还可以在PASCAL VOC 2007测试和MS COCO test-dev 2015上实现一般目标检测的最新结果，特别是在小对象类别上实现2到5点的改进。
2020-02-25 cs.CV
Generalized Zero- and Few-Shot Learning via Aligned Variational Autoencoders
Bosch Center for AI（博世人工智能中心）；UC Berkeley（加州大学伯克利分校）；University of Toronto（多伦多大学）；University of Amsterdam（阿姆斯特丹大学）
广义零样本学习中的许多方法依赖于图像特征空间和类嵌入空间之间的跨模态映射。由于标记的图像是昂贵的，一个方向是通过生成图像或图像特征来增强数据集。然而，前者错过了细粒度的细节，而后者需要学习与类嵌入相关的映射。在这项工作中，我们采取功能生成更进一步，并提出了一个模型，其中共享的图像特征和类嵌入的潜在空间是学习特定模态对齐变分自编码器。这为我们留下了关于图像和潜在特征中的类别的所需判别信息，我们在此基础上训练softmax分类器。我们的方法的关键是，我们对齐从图像和边信息中学习到的分布，以构建包含与不可见类相关的基本多模态信息的潜在特征。我们在几个基准数据集，即CUB，SUN，AWA1和AWA2上评估了我们学习到的潜在特征，并在广义zero-shot和少样本学习上建立了一个新的最新技术水平。此外，我们在ImageNet上使用各种zero-shot分裂的结果表明，我们的潜在特征在大规模设置中泛化良好。
2019-04-05 cs.AI cs.CV cs.LG
