SaaF: Scene-Specific Ambiguity-Aware 3D Language Fields towards Interactive Real-World Object Retrieval
Kyushu Institute of Technology（九州工业大学）；RIKEN（理化学研究所）；Research Center for Neuromorphic AI Hardware（神经形态人工智能硬件研究中心）
研究针对现实世界场景中交互式对象检索问题，提出SaaF方法。通过引入度量学习策略构建统一特征空间，增强实例辨别性与模糊感知能力，提升了检索准确性，还能稳健处理查询模糊性。
2026-07-21 cs.CV
Normal-NeRF: Ambiguity-Robust Normal Estimation for Highly Reflective Scenes
针对高反射场景中镜面表面形状歧义导致的重建难题，本文提出 Normal-NeRF，通过透射率梯度法线估计和双激活密度模块，结合反射感知外观模型，实现复杂几何与强镜面场景的鲁棒重建和高保真渲染。
2025-01-16 cs.CV
Scene Image is Non-Mutually Exclusive - A Fuzzy Qualitative Scene Understanding
University of Malaya（马来亚大学）
模糊性或不确定性是许多现实世界决策过程中普遍存在的因素。在这种情况下，当同样的问题被提出给不同的主体时，决定的变化是一种常态。心理学和形而上学的研究已经证明，人的决策是主观的。它受经验、年龄、背景等多种因素的影响，场景理解就是属于这一范畴的计算机视觉问题之一。传统的方法通过假设场景图像是互斥的来放松这个问题，因此，专注于开发不同的方法来执行二进制分类任务。在本文中，我们证明了场景图像是不互斥的，并提出了模糊定性等级分类器（FQRC）来解决上述问题。建议的BURCRC提供了一个排名的解释，而不是二元决策。使用大量和具有挑战性的公共场景数据集进行定性和定量评估，表明我们所提出的方法在建模非互斥场景图像方面的有效性。
2014-10-14 cs.AI cs.CV cs.IR
A Probabilistic Segment Anything Model for Ambiguity-Aware Medical Image Segmentation
Department of Computer Science University of Kentucky（计算机科学系 哥伦比亚大学）
针对医学图像分割中标注模糊性问题，提出概率SAM模型，通过潜在变量和变分训练生成多样分割，在LIDC-IDRI数据集上优于基线。
2025-09-06 cs.CV
BUOL: A Bottom-Up Framework with Occupancy-aware Lifting for Panoptic 3D Scene Reconstruction From A Single Image
South China University of Technology（华南理工大学）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出BUOL框架，通过自底向上的确定性语义提升和占用感知填充，解决单图像全景三维重建中的实例通道与体素重建歧义，在3D-Front和Matterport3D上显著超越现有方法。
2024-01-16 cs.CV
SporeAgent: Reinforced Scene-level Plausibility for Object Pose Refinement
TU Wien（维也纳工业大学）；University of Technology Sydney（悉尼科技大学）
观测噪声、不准确的分割以及由于对称性和遮挡引起的模糊性导致不准确的对象姿态估计。虽然基于深度和RGB的姿态细化方法提高了所得到的姿态估计的准确性，但由于它们考虑了视觉对准，因此它们在观察中容易产生歧义。我们建议利用我们经常观察静态，刚性场景的事实。因此，其中的对象需要处于物理上合理的姿态下。我们表明，考虑可扩展性减少了模糊性，因此，可以更准确地预测在杂乱的环境中构成。为此，我们扩展了最近的RL为基础的注册方法对迭代细化的对象构成。LINEMOD和YCB-VIDEO数据集上的实验证明了我们基于深度的细化方法的最新性能。
2022-01-01 cs.CV
Unveiling the Ambiguity in Neural Inverse Rendering: A Parameter Compensation Analysis
KU Leuven（KU Leuven（荷语鲁汶大学））；Ford Motor Company（福特汽车公司）
本文通过解耦神经微面场并引入扰动，分析神经逆渲染中场景属性间的补偿机制，揭示其固有模糊性，并强调几何、材质与光照先验的引导作用。
2024-04-19 cs.CV
Reducing Semantic Ambiguity In Domain Adaptive Semantic Segmentation Via Probabilistic Prototypical Pixel Contrast
School of Artificial Intelligence, Hebei University of Technology（河北工业大学人工智能学院）
针对域自适应语义分割中确定性嵌入存在语义歧义的问题，提出概率原型像素对比框架，通过高斯分布建模像素嵌入、推导原型、高效计算分布相似度及动态选歧义块，显著提升自适应性能与泛化能力。
2024-09-27 cs.CV
From Implicit Ambiguity to Explicit Solidity: Diagnosing Interior Geometric Degradation in Neural Radiance Fields for Dense 3D Scene Understanding
Norwegian Institute of Bioeconomy Research (NIBIO)（挪威生物经济研究所）
本研究提出显式几何方法以解决NeRF在密集自遮挡场景中的内部几何退化问题，实现95.8%的实例恢复率。
2026-02-12 cs.CV
studentSplat: Your Student Model Learns Single-view 3D Gaussian Splatting
The Pennsylvania State University（宾夕法尼亚州立大学）；Amazon（亚马逊公司）
studentSplat通过教师-学生架构和外推网络，实现单视图3D场景重建，达到最先进的单视图重建质量并具备自监督深度估计能力。
2026-01-16 cs.CV
Online Learning of a Probabilistic and Adaptive Scene Representation
Peking University（北京大学）；PKU-SenseTime Machine Vision Joint Lab（北京大学-商汤科技机器视觉联合实验室）
实时构建和维护一致的场景模型是在线空间感知、解释和行动的核心任务。在本文中，我们表示的场景与贝叶斯非参数混合模型，无缝地描述每个点的占用状态与连续的概率密度函数。而不是按照传统的数据融合范例，我们解决的问题，在线学习的过程中如何从场景几何生成连续的点云数据。一个增量和并行推理进行实时更新的参数空间。我们的实验表明，所提出的表示达到国家的最先进的精度与有前途的效率。一致的概率公式确保生成模型，是适应不同的传感器特性，模型的复杂性可以动态调整的飞行根据不同的数据规模。
2021-03-31 cs.CV
Diffusion Probabilistic Models for Scene-Scale 3D Categorical Data
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
在本文中，我们学习了一个扩散模型来生成场景尺度的3D数据。具体来说，我们的模型工艺品由多个对象组成的3D场景，而最近的扩散研究集中在一个单一的对象。为了实现我们的目标，我们用离散的类标签表示场景，即，分类分布，将多个对象分配到语义类别中。因此，我们扩展离散扩散模型来学习场景尺度的分类分布。此外，我们验证了一个潜空间扩散模型，可以减少训练和部署的计算成本。据我们所知，我们的工作是第一个应用离散和潜在扩散的三维分类数据的场景规模。我们进一步建议通过使用我们的扩散模型学习条件分布来执行语义场景完成（SSC），其中条件是稀疏点云中的部分观察。在实验中，我们的经验表明，我们的扩散模型不仅产生合理的场景，但也执行场景完成任务比判别模型。我们的代码和模型可在https://github.com/zoomin-lee/scene-scale-diffusion上获得
2023-01-02 cs.CV
Computational Models for Multiview Dense Depth Maps of Dynamic Scene
University of California, Berkeley（加州大学伯克利分校）
本文综述了动态场景深度图生成及其计算模型的研究进展。本文主要介绍了深度感知中的齐次模糊度模型、深度处理中的分辨率模型和深度优化中的一致性模型。最后对深度图生成的未来工作进行了总结。
2015-12-15 cs.CV
Probabilistic Implicit Scene Completion
Seoul National University（首尔国立大学）
我们提出了一个概率形状完成方法扩展到连续几何的大规模三维场景。3D场景的真实世界扫描遭受大量丢失的数据，这些数据与未分割的对象混杂在一起。形状补全问题本质上是不适定的，高质量的结果需要考虑多种可能结果的可扩展解决方案。我们采用生成元胞自动机，学习多模态分布，并将公式转换为处理大规模连续几何。局部连续形状被增量地生成为稀疏体素嵌入，其包含每个被占用单元的潜在代码。我们正式推导出我们的稀疏体素嵌入的训练目标最大化完整形状分布的变分下界，因此我们的渐进生成构成了一个有效的生成模型。实验表明，我们的模型成功地生成了各种可信的场景，忠实于输入，特别是当输入遭受大量的丢失数据。我们还证明，我们的方法优于确定性模型，即使在不太模糊的情况下，有少量的丢失数据，这推断概率公式是高质量的几何完成输入扫描表现出任何程度的完整性至关重要。
2022-04-04 cs.CV
LESV: Language Embedded Sparse Voxel Fusion for Open-Vocabulary 3D Scene Understanding
Huawei Noah's Ark Lab（华为诺亚方舟实验室）；CAOR, Mines Paris-PSL, France（法国巴黎高科矿业学院CAOR实验室）
本文提出LESV框架，通过稀疏体素 rasterization 解决3D场景理解中空间和语义模糊问题，利用AM-RADIO实现密集对齐，提升细粒度查询性能。
2026-07-10 cs.CV
Learn Your Scales: Towards Scale-Consistent Generative Novel View Synthesis
York University（约克大学）；Vector Institute for AI（Vector人工智能研究院）；Samsung AI Centre Toronto（三星多伦多人工智能中心）；Google DeepMind（谷歌DeepMind）
针对单目多视角数据的尺度模糊问题，该研究分析其对生成式新视角合成（GNVS）的影响，提出尺度不一致性衡量指标与端到端联合估计框架，在降低尺度不一致性的同时提升了生成图像质量。
2025-03-19 cs.CV
Is segmentation uncertainty useful?
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）
概率图像分割编码不同的预测置信度和分割问题中固有的模糊性。虽然不同的概率分割模型的目的是捕捉不同方面的分割不确定性和模糊性，这些建模的差异很少讨论的不确定性的应用程序的上下文中。我们考虑分割不确定性的两个常见用例，即分割质量评估和主动学习。我们认为四个既定的策略概率分割，讨论他们的建模能力，并调查他们在这两个任务的表现。我们发现，对于所有的模型和两个任务，返回的不确定性与分割误差呈正相关，但并没有证明是有用的主动学习。
2021-03-30 cs.CV
Underspecification in Scene Description-to-Depiction Tasks
Google Research（谷歌研究院）
关于隐含性，模糊性和欠规范的问题是至关重要的理解任务的有效性和多模态图像+文本系统的伦理问题，但迄今为止很少受到关注。这份立场文件绘制了一个概念框架，以解决这一差距，重点是系统生成的图像描绘场景的场景描述。在这样做的时候，我们解释了文本和图像如何以不同的方式传达意义。我们概述了一系列关于文本和视觉模糊性的核心挑战，以及可能被模糊和未充分指定的元素放大的风险。我们提出并讨论了解决这些挑战的策略，包括生成视觉上模糊的图像，并生成一组不同的图像。
2022-10-11 cs.CL cs.CV
One Scene, Two Depths: Probing Geometric Ambiguity in Monocular Foundation Models
University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）；Vanderbilt University（范德比大学）
本文提出稀疏双层序数基准MD-3k，用于测量单目深度基础模型的深度层偏好和多层空间关系准确性，发现不同模型对同一分层几何结构有不同解析，且拉普拉斯视觉提示可改变冻结模型的输出层。
2026-06-28 cs.AI cs.CV
PacGDC: Label-Efficient Generalizable Depth Completion with Projection Ambiguity and Consistency
Xi’an Jiaotong University（西安交通大学）；Nanyang Technological University（南洋理工大学）；Zhejiang University of Technology（浙江工业大学）
本文提出PacGDC，一种标签高效的可泛化深度补全技术，通过利用2D到3D投影的模糊性与一致性，结合多个深度基础模型、插值重定位策略及无标签图像合成多样化伪几何数据，在零样本和少样本设置下实现了卓越的跨基准泛化能力。
2025-07-10 cs.CV
Not Only Look But Observe: Variational Observation Model of Scene-Level 3D Multi-Object Understanding for Probabilistic SLAM
Automation and Systems Research Institute, Seoul National University（首尔国立大学自动化与系统研究所）
我们提出了NOLBO，变分观测模型估计三维多目标从二维Single Shot。以往的概率实例级理解主要考虑的是单目标图像，而不是多目标的Single Shot，对象与整个场景之间的关系没有得到关注。每个观察的客观性也很难加入他们的模型。因此，我们提出了一种方法来近似贝叶斯观察模型的场景级三维多目标理解。通过利用变分自动编码器（VAE），我们从整个场景中估计潜变量，这些潜变量遵循易处理的分布，同时暗示3D完整的形状和姿态。为了进行面向对象的数据关联和概率同时定位与地图构建（SLAM），我们的观测模型可以很容易地通过用潜在变量替换面向对象的特征来进行概率推理。
2020-02-04 cs.CV cs.RO
Talk-to-Resolve: Combining scene understanding and spatial dialogue to resolve granular task ambiguity for a collocated robot
TCS Research（塔塔咨询服务公司研究院）
配置机器人的效用在很大程度上取决于与人类的简单直观的交互机制。如果机器人接受自然语言的任务指令，首先，它必须通过解码指令来理解用户的意图。然而，在执行任务时，由于观察到的场景的变化，机器人可能面临不可预见的情况，因此需要进一步的用户干预。在这篇文章中，我们提出了一个系统，称为谈话解决（TTR），使机器人发起一个连贯的对话交流与教师通过观察现场视觉解决僵局。通过对话，它要么找到一个线索，按照原计划前进，要么找到一个可接受的替代原计划的方案，要么找到一个肯定，完全放弃任务。为了实现可能的僵局，我们利用观察到的场景的密集字幕和给定的指令联合计算机器人的下一个动作。我们评估我们的系统的基础上的数据集的初始指令和情景场景对。我们的系统可以识别僵局，并以82%的准确率通过适当的对话交流解决它们。此外，一项用户研究表明，与最先进的系统（平均3.08）相比，我们系统中的问题更自然（平均4.02，1到5分）。
2022-06-22 cs.AI cs.CV cs.RO
3D Neural Embedding Likelihood: Probabilistic Inverse Graphics for Robust 6D Pose Estimation
Google DeepMind（谷歌DeepMind）；MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
本文提出3D Neural Embedding Likelihood (3DNEL)概率逆图形学框架，通过结合RGB神经嵌入与深度信息进行6D位姿估计，在保持高性能的同时显著提升了严重遮挡等挑战场景下的鲁棒性。
2023-09-06 cs.CV
DP-DeGauss: Dynamic Probabilistic Gaussian Decomposition for Egocentric 4D Scene Reconstruction
Institute of Image Communication and Network Engineering, Shanghai Jiao Tong University（上海交通大学图像通信与网络工程研究所）；Nvidia（英伟达）
本文提出DP-DeGauss方法，通过动态概率高斯分解实现眼动4D场景重建，解决动态第一视角场景重建中的复杂运动、遮挡和手-物体交互问题，实现背景、手部和物体的解耦。
2026-04-09 cs.CV
MOS: Modeling Object-Scene Associations in Generalized Category Discovery
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；Chongqing University（重庆大学）
针对GCD中场景信息被忽视及对象-场景歧义问题，提出MOS框架，通过基于MLP的场景感知模块建模对象与场景关联，在细粒度数据集上较SOTA平均提升4%准确率。
2025-03-18 cs.CV
Reducing Shape-Radiance Ambiguity in Radiance Fields with a Closed-Form Color Estimation Method
University of Chinese Academy of Sciences（中国科学院大学）；Alibaba Group（阿里巴巴集团）
针对NeRF的形状-辐射模糊性问题，提出一种基于密度场闭式估计颜色场的方法，以光度损失引导正则化，更自适应地提升密度场质量。
2023-12-20 cs.CV
GP-4DGS: Probabilistic 4D Gaussian Splatting from Monocular Video via Variational Gaussian Processes
IPAI, Seoul National University（首尔大学IPAI）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出GP-4DGS框架，结合高斯过程与4D高斯点溅射，实现动态场景的概率建模。通过引入不确定性量化、运动估计和时间外推，提升重建质量与预测可靠性。
2026-07-09 cs.CV
Breaking Down Monocular Ambiguity: Exploiting Temporal Evolution for 3D Lane Detection
SKL-IOTSC, CIS, University of Macau（智能物联网系统研究中心（SKL-IOTSC）、计算机信息科学系（CIS）、澳门大学）
针对单帧输入固有歧义导致3D车道检测几何预测不准和完整性差的问题，提出GTA-Net，通过TGEM模块从连续帧恢复深度信息构建3D场景，并利用TIQG模块合成伪未来视角生成查询以增强车道完整性，取得了新的SoTA。
2025-11-05 cs.CV
Alpha Invariance: On Inverse Scaling Between Distance and Volume Density in Neural Radiance Fields
University of Chicago（芝加哥大学）；TTI-Chicago（芝加哥科技学院）；Purdue University（普渡大学）
该研究发现神经辐射场存在alpha不变性（场景尺度与体密度成反比），提出对数空间参数化和无离散化初始化两种策略以维持该特性，实验证明其比现有启发式方法更鲁棒。
2024-04-17 cs.CV
GPT4SGG: Synthesizing Scene Graphs from Holistic and Region-specific Narratives
The Hong Kong Polytechnic University（香港理工大学）；Centre for Artificial Intelligence and Robotics, HKISI, CAS（中国科学院香港智能科学与技术研究院人工智能与机器人中心）；NLPR, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）
提出GPT4SGG框架，通过分而治之策略结合区域特定叙述和整体叙述，利用大语言模型进行关系推理合成场景图，有效解决描述数据训练SGG模型时的歧义和长尾偏差问题。
2024-06-02 cs.CV
Probabilistic Debiasing of Scene Graphs
Rensselaer Polytechnic Institute（伦斯勒理工学院）
由于关系及其父对象对的长尾性质，最先进的（SOTA）模型生成的场景图的质量受到损害。场景图的训练由多数对的多数关系主导，因此，在训练收敛后，少数对中的关系的对象条件分布不被保留。因此，有偏模型在关系的边缘分布中的更频繁的关系上表现良好，如“on”和“wearing”，而在不太频繁的关系上表现不佳，如“eating”或“hanging from”。在这项工作中，我们提出了虚拟证据纳入内三元组贝叶斯网络（BN），以保持对象条件分布的关系标签，并消除由边缘概率的关系所产生的偏见。少数类中的关系数量不足，这在学习三元组内贝叶斯网络中构成了一个重要问题。我们解决这一不足的嵌入为基础的增强的三元组，我们借用样本的少数三元组类从它的邻居三元组的语义空间。我们在两个不同的数据集上进行实验，并在关系的平均召回率方面取得了显着的改善。与场景图模型的SOTA去偏置技术相比，我们还实现了召回率和平均召回率性能之间的更好平衡。
2023-03-14 cs.CV
MM-3DScene: 3D Scene Understanding by Customizing Masked Modeling with Informative-Preserved Reconstruction and Self-Distilled Consistency
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
针对掩码建模应用于3D场景时存在歧义的问题，提出结合信息保留重建与自蒸馏一致性的MM-3DScene框架，在多个下游视觉任务上取得显著性能提升。
2023-06-09 cs.CV
A Probabilistic Framework for Visual Localization in Ambiguous Scenes
KTH Royal Institute of Technology（KTH皇家理工学院）；Univrses AB（Univrses公司）
视觉定位允许自主机器人在失去其姿势时通过将其当前观察与过去的观察相匹配来重新定位。然而，模糊的场景对这样的系统提出了挑战，因为重复的结构可以从许多不同的、同样可能的相机姿势中观察到，这意味着产生单个最佳姿势假设是不够的。在这项工作中，我们提出了一个概率框架，对于一个给定的图像预测其相机姿态的任意形状的后验分布。我们这样做，通过一个新的配方相机姿态回归使用变分推理，它允许从预测的分布采样。我们的方法优于现有的方法定位在模糊的场景。代码和数据将在https://github.com/efreidun/vapor上发布。
2023-01-05 cs.CV cs.RO
NDC-Scene: Boost Monocular 3D Semantic Scene Completion in Normalized Device Coordinates Space
University of Washington（华盛顿大学）；The University of Sydney（悉尼大学）；Shanghai AI Laboratory（上海人工智能实验室）；CUHK-SenseTime Joint Laboratory（香港中文大学-商汤科技联合实验室）；CPII under InnoHK（InnoHK下属CPII机构）
提出NDC-Scene网络，通过将2D特征图扩展至归一化设备坐标空间并采用深度自适应双解码器，解决单目3D语义场景补全中的特征模糊、位姿模糊和计算不平衡问题，在SemanticKITTI和NYUv2上超越现有方法。
2023-10-11 cs.CV
A Probabilistic Rotation Representation for Symmetric Shapes With an Efficiently Computable Bingham Loss Function
The University of Tokyo（东京大学）；Woven Planet Holdings, Inc.（丰田纺织控股公司）
针对四元数难以表示旋转歧义和 Bingham NLL 损失计算复杂的问题，本文提出快速易实现的 Bingham NLL 损失，并通过推理网络从点云捕捉物体对称性。
2023-05-30 cs.CV
GLOW: Global Illumination-Aware Inverse Rendering of Indoor Scenes Captured with Dynamic Co-Located Light & Camera
University of Maryland（马里兰大学）；University of North Carolina（北卡罗来纳大学）
GLOW通过整合神经隐式表面表示和动态辐射缓存，有效处理动态共定位光相机下的全局光照问题，提升材料反射率估计性能。
2026-09-24 cs.CV
PSDF Fusion: Probabilistic Signed Distance Function for On-the-fly 3D Data Fusion and Scene Reconstruction
Peking University（北京大学）；Shanghai Jiao Tong University（上海交通大学）
我们提出了一种新的三维空间表示的数据融合和场景重建。提出了概率符号距离函数（ProbabilitySignedDistanceFunction，PSDF）来描述三维空间中的不确定性。它是由一个联合分布描述SDF值和它的内点概率，反映输入数据质量和表面的几何形状。设计了一种包括体素、面元和网格的混合数据结构，以充分利用各种流行的3D表示的优点。通过PSDF连接，这些组件在一致的框架中合理地协作。给定顺序深度测量，PSDF可以用较少的特设参数贝叶斯更新来递增地改进。在PSDF和高效的3D数据表示的支持下，可以实时提取高质量的表面，并使用几何信息为可靠的数据融合做出贡献。实验表明，该系统重建的场景具有更高的模型质量和更低的冗余，运行速度比现有的在线网格生成系统。
2018-07-29 cs.CV cs.RO
3DP3: 3D Scene Perception via Probabilistic Programming
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
我们提出了3DP 3，逆图形的框架，使用推理的对象，场景和图像的结构化生成模型。3DP 3使用（i）体素模型来表示对象的3D形状，（ii）分层场景图来将场景分解为对象和它们之间的接触，以及（iii）基于实时图形的深度图像似然性。给定观察到的RGB-D图像，3DP 3的推理算法使用快速自下而上的姿势建议、场景图结构的新颖对合MCMC更新以及可选的神经对象检测器和姿势估计器来推断潜在的潜在3D场景，包括对象姿势和这些姿势的简约联合参数化。我们表明，3DP 3使场景理解，是知道的3D形状，遮挡和接触结构。我们的研究结果表明，3DP 3在从真实图像中估计6DoF对象姿态时比深度学习基线更准确，并且对具有新视点、接触和部分可观察性的具有挑战性的场景表现出更好的泛化能力。
2021-10-30 cs.AI cs.CV
RA-SGG: Retrieval-Augmented Scene Graph Generation Framework via Multi-Prototype Learning
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Korea University（高丽大学）
针对场景图生成中谓词长尾分布和语义歧义导致的偏置预测问题，提出检索增强的多原型学习框架RA-SGG，通过多标签分类和内存库检索增强关系，在VG和GQA上分别提升3.6%和5.9%的F@K性能。
2024-12-17 cs.CV
Table-Top Scene Analysis Using Knowledge-Supervised MCMC
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）
在本文中，我们提出了一种概率方法来生成抽象的场景图的桌面场景从6D物体姿态估计。我们明确地利用特定于任务的上下文知识编码为马尔可夫逻辑网络中的描述性规则。我们的方法来生成场景图是概率的：对象姿态的不确定性是由嵌入在数据驱动的MCMC过程中的概率传感器模型来解决的。我们应用马尔可夫逻辑推理隐藏的对象的原因，并检测错误的估计对象构成。我们的方法的有效性证明和评估在现实世界中的实验。
2020-02-19 cs.CV cs.RO
White Matter Hyperintensities Segmentation Using Probabilistic TransUNet
Faculty of Computer Science, University of Indonesia（印度尼西亚大学计算机科学学院）；RIKEN Center for Brain Science（理化学研究所脑科学中心）
本研究提出概率TransUNet方法，结合概率模型与Transformer架构，解决白质高信号分割中的高模糊性与小目标检测难题，通过k折交叉验证和跨数据集实验验证了其优越性能。
2023-05-06 cs.CV eess.IV
Probabilistic Concept Bottleneck Models
Seoul National University（首尔国立大学）
针对CBM确定性概念预测无法处理概念歧义的问题，本文提出ProbCBM，用概率概念嵌入建模并传递概念不确定性，从而提升类别预测解释的可靠性。
2023-06-02 cs.AI cs.CV cs.LG
Uncertainty-based Cross-Modal Retrieval with Probabilistic Representations
Samsung AI Centre Toronto（多伦多三星人工智能中心）；York University（约克大学）；University of Toronto（多伦多大学）
概率嵌入已被证明对于捕获多义词含义以及图像匹配中的歧义是有用的。在本文中，我们研究了概率嵌入在跨模态设置（即，文本和图像），并提出了一种简单的方法，取代标准的矢量点嵌入在现有的图像-文本匹配模型与概率分布，参数学习。我们的指导假设是，概率嵌入中编码的不确定性捕获了输入实例中的跨模态模糊性，并且通过捕获这种不确定性，概率模型可以在下游任务中表现得更好，例如图像到文本或文本到图像检索。通过对标准和新基准的广泛实验，我们在跨模态检索中展示了概率表示的一致优势，并验证了我们的嵌入捕获不确定性的能力。
2022-04-20 cs.CL cs.CV cs.IR
Probabilistic Search for Object Segmentation and Recognition
搜索基于模型的场景解释的问题进行了分析概率框架内。对象模型被制定为生成模型的范围数据的场景。一个新的统计准则，截断对象概率，被引入到推断的对象假设的最佳序列进行评估，其匹配的数据。截断概率部分由对象的先验知识确定，部分从数据中学习。对序列质量和立体数据的目标分割与识别进行了实验研究。本文从概率的角度恢复了对象识别的经典概念（分组，几何哈希，对齐），并深入了解了对象假设的最佳排序。此外，它引入了点关系密度，截断概率的一个关键组成部分，作为局部表面形状的统计模型。
2002-08-05 cs.CV
Multi-Object Classification and Unsupervised Scene Understanding Using Deep Learning Features and Latent Tree Probabilistic Models
University of California, Irvine（加州大学欧文分校）
深度学习已经在ImageNet等数据集上显示出最先进的分类性能，这些数据集在每个图像中包含一个对象。然而，多目标分类更具挑战性。我们提出了一个统一的框架，利用多种机器学习方法的优势，即深度学习，概率模型和内核方法，以获得最先进的性能在Microsoft COCO上，由非图标图像。我们通过条件潜在树概率模型（CLTM）将上下文信息纳入自然图像中，其中对象同现以从预训练的Imagenet CNN中提取的fc 7特征为条件作为输入。我们学习的CLTM树结构使用条件成对概率的对象同现，通过内核方法估计，我们学习它的节点和边缘的潜力，通过训练一个新的3层神经网络，它需要FC 7功能作为输入。对象分类是通过对学习条件树模型的推理进行的，我们在MS-COCO上获得了显着的精度-召回率和F-措施，特别是对于困难的对象类别。此外，CLTM中的潜变量捕获场景信息：具有潜在节点的顶部激活的图像具有共同的主题，例如草原或食物场景等。此外，我们表明，仅对推断的潜在节点进行简单的k均值聚类显着提高了MIT-Indoor数据集上的场景分类性能，而无需任何重新训练，并且在训练期间不使用场景标签。因此，我们提出了一个统一的框架，多目标分类和无监督场景理解。
2015-05-02 cs.CV cs.LG
A Probabilistic Hard Attention Model For Sequentially Observed Scenes
McGill University（麦吉尔大学）
视觉硬注意模型主动选择并观察图像中的子区域序列以进行预测。大多数硬注意模型通过首先分析完整的图像来确定值得注意的区域。然而，可能的情况是，整个图像最初不可用，而是通过一系列部分观察逐渐感测。在本文中，我们设计了一个有效的硬注意力模型分类这样的顺序观察的场景。所提出的模型从未完全观察到图像。为了选择部分可观测的信息区域，该模型使用贝叶斯最优实验设计。该方法首先在已观测区域的基础上综合未观测区域的特征。然后，它使用预测的功能来估计所达到的预期信息增益（EIG），应参加各个区域。最后，该模型关注的实际内容的位置上，上述EIG是最大的。该模型使用a）一个递归特征聚合器来维持一个递归状态，b）一个线性分类器来预测类标签，c）一个部分变分自编码器来预测未观察区域的特征。我们在Partial VAE中使用归一化流来处理特征合成问题中的多模态。我们使用可微目标训练我们的模型，并在五个数据集上对其进行测试。我们的模型比基线模型的准确度高2-10%，当两者都只看到几个一瞥时。
2021-11-15 cs.CV
Collision-Aware and Observation-Aligned Object-Centric Scene Reconstruction from Point Cloud
Zhejiang University（浙江大学）
提出COOL框架，利用实例与背景点云条件化生成，结合碰撞损失与联合优化，实现碰撞感知、观测对齐的面向对象场景重建。
2026-09-30 cs.CV
Bridging Stereo Geometry and BEV Representation with Reliable Mutual Interaction for Semantic Scene Completion
Shanghai Jiao Tong University（上海交通大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院（东方理工大学））；Tokyo Institute of Technology（东京工业大学）；PhiGent Robotics（PhiGent机器人公司）；Chinese Academy of Sciences（中国科学院）
本文提出BRGScene框架，通过互交互集成块桥接立体几何与BEV表示，在SemanticKITTI上实现了优于现有相机方法的语义场景补全性能。
2024-05-06 cs.CV
Schrödinger's Cat: Probabilistic Representation and Prediction of Potential Scene Kinematics
研究如何从部分观测预测场景演变，提出GARFIELD概率模型，能学习潜在表示实现轨迹联合采样和运动分布访问，实验显示其在运动规划性能、采样速度及密度估计上优势显著。
2026-07-29 cs.CV cs.LG
Probabilistic Radiomics: Ambiguous Diagnosis with Controllable Shape Analysis
Shanghai Jiao Tong University（上海交通大学）；Shanghai Institute for Advanced Communication and Data Science（上海先进通信与数据科学研究院）
放射组学分析近年来取得了巨大的成功。然而，传统的放射组学分析遭受不充分表达的手工制作的特征。最近，新兴的深度学习技术，例如，卷积神经网络（CNN）主导了计算机辅助诊断（CADx）的最新研究。不幸的是，作为黑盒预测器，我们认为CNN是“诊断”体素（或像素），而不是病变;换句话说，来自训练的CNN的视觉显著性不一定集中在病变上。另一方面，临床应用中的分类存在固有的模糊性：放射科医生可能会对具有挑战性的病例做出不同的诊断。为此，我们提出了一个可控的和可解释的{ \em概率放射组学}框架，通过结合放射组学分析和概率深度学习。在我们的框架中，三维CNN特征提取病变区域，然后编码到病变表示，通过一个可控的非局部形状分析模块（NSAM）的基础上自我注意。受变分自动编码器（VAE）的启发，模糊度先验网络用于近似人类专家的模糊度分布。通过结合模糊先验样本和病变表示获得最终诊断，整个网络称为$DenseSharp^{+}$是端到端可训练的。最后将该方法应用于LIDC-IDRI数据库上的肺结节诊断，验证了其有效性。
2019-10-20 cs.CV cs.LG eess.IV
Probabilistic Future Prediction for Video Scene Understanding
Wayve；University of Cambridge（剑桥大学）
我们提出了一种新的深度学习架构，用于从视频中进行概率未来预测。我们预测未来的语义，几何形状和复杂的现实世界的城市场景的运动，并使用这种表示来控制自动驾驶汽车。这项工作是第一个联合预测自我运动，静态场景，并以概率的方式，这使得采样一致，高度可能的未来从一个紧凑的潜在空间的动态代理的运动。我们的模型使用时空卷积模块从RGB视频中学习表示。除了作为学习的驾驶策略的输入之外，学习的表示还可以被显式地解码为未来的语义分割、深度和光流。为了模拟未来的随机性，我们引入了一种条件变分方法，该方法可以最大限度地减少当前分布（给定我们所看到的情况下可能发生的事情）和未来分布（我们所观察到的实际发生的事情）之间的差异。在推理过程中，通过从当前分布中采样来生成不同的未来。
2020-07-17 cs.CV cs.LG cs.RO
Towards Ambiguity-Free Spatial Foundation Model: Rethinking and Decoupling Depth Ambiguity
University of Michigan（密歇根大学）；Carnegie Mellon University（卡内基梅隆大学）；New York University（纽约大学）
本文针对空间理解中的深度歧义问题，提出无需训练的拉普拉斯视觉提示（LVP）技术，并构建MD-3k基准，实现零样本多层深度估计，提升了视觉生成、空间推理和视频深度推断的鲁棒性。
2025-03-08 cs.AI cs.CV cs.LG
PRISM3D: Probabilistic Refinement and Robust Initialization for Physically Consistent Scene Modeling under Extreme Motion Blur
Computational Imaging Lab, Dept. of Electrical Engineering, IIT Madras（印度理工学院马德拉斯分校电气工程系计算成像实验室）
研究从极端运动模糊图像进行盲3D场景重建问题，提出PRISM3D框架，用鲁棒初始化策略结合概率物理方法，还介绍多模态扩展PRISM3D-E及基准，实验表明其达新的最优性能。
2026-07-07 cs.CV
Scene Graph Conditioning in Latent Diffusion
Universität Ulm（乌尔姆大学）
针对扩散模型文本控制不足，提出基于场景图与ControlNet及门控自注意力的条件生成方法，显著提升图像生成质量。
2023-10-16 cs.CV
