GATE: Reliability-Gated Gaussian Evidence Fusion for Training-Free Test-Time Adaptation of Vision-Language Models
Clemson University（克莱姆森大学）
本研究提出无训练的两阶段直推式TTA框架GATE，通过可靠性门控融合文本与图像高斯证据，在多数据集及模型上显著提升视觉语言模型的零样本测试时自适应性能。
2026-09-01 cs.CV
FFM-CP: Cross-Backbone Fusion of Vision-Language Foundation Models for Few-Shot Computational Pathology
Giessen University（吉森大学）；University Medicine Gottingen（哥廷根大学医学中心）；Technical University of Denmark（丹麦技术大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Max Planck Institute for Biology of Ageing（马克斯·普朗克衰老生物学研究所）；National Taiwan University（国立台湾大学）；VNU University of Medicine and Pharmacy（越南国立大学医学与药学大学）；University of Medicine and Pharmacy, Hue University（顺化大学医学与药学大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；University of Stuttgart（斯图加特大学）
针对病理学基础模型单一表现不佳且标注稀缺的问题，提出FFM-CP框架，通过Procrustes对齐多模型表示并利用统一图跨骨干融合，在6个数据集上多数比较中优于最强单模型。
2026-10-06 cs.CV cs.LG
Q2E: Query-to-Event Decomposition for Zero-Shot Multilingual Text-to-Video Retrieval
Department of Computer Science and Electrical Engineering University of Maryland Baltimore County（计算机科学与电气工程系马里兰大学巴尔的摩县）
针对零样本多语言文本-视频检索任务，提出Q2E查询到事件分解方法，借助大模型知识分解简化查询，结合基于熵的多模态融合，在多数据集上超越现有最优基线，还验证了音频信息的增益作用，已开源相关代码与数据。
2025-11-13 cs.CL cs.CV
AMU-Tuning: Effective Logit Bias for CLIP-based Few-shot Learning
Tianjin University（天津大学）；College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）
该研究从logit偏置视角分析基于CLIP的少样本学习方法，拆解关键组件并提出AMU-Tuning方法，通过辅助特征、多分支训练和不确定性融合学习有效logit偏置，在多个基准上取得同类最优性能。
2024-04-13 cs.CL cs.CV cs.LG
Malicious Path Manipulations via Exploitation of Representation Vulnerabilities of Vision-Language Navigation Systems
Florida State University（佛罗里达州立大学）
本研究揭示视觉语言导航系统的表征漏洞，通过对抗性修改少量图像实现恶意路径操纵，并提出基于高斯噪声敏感度的高效检测方法。
2024-07-10 cs.AI cs.CV cs.LG
GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Department of Robotics, University of Michigan（密歇根大学机器人系）
本文提出GCP框架，通过空间-时间感知恶意代理检测提升协作感知安全性，采用置信度加权空间一致性损失和联合空间-时间Benjamini-Hochberg检验，有效应对恶意代理攻击，实验显示在BAC攻击下AP@0.5提升34.69%。
2026-04-26 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation
Department of Language Science and Technology, The Hong Kong Polytechnic University（香港理工大学语言科学与技术系）；School of Artificial Intelligence, Chongqing University of Technology（重庆理工大学人工智能学院）；Affiliated Lianyungang Hospital of Xuzhou Medical University（徐州医科大学附属连云港医院）；College of Mechatronics and Control Engineering, Shenzhen University（深圳大学机电与控制工程学院）
研究针对少样本脑肿瘤分割挑战，提出基于混合曼巴的RUFNet框架，结合支持掩码细化与不确定性感知后融合，采用线性复杂度骨干等方法，在BraTS 2020数据集上表现出色。
2026-07-07 cs.AI cs.CV
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
Few-Shot Batch Incremental Road Object Detection via Detector Fusion
PES University（PES大学）；Intel Corporation（英特尔公司）
增量少样本学习已经成为深度学习中一个新的具有挑战性的领域，其目标是使用很少的新类数据样本来训练深度学习模型，而不使用旧类数据。在这项工作中，我们解决了批量增量Few-Shot道路目标检测使用的数据从印度驾驶数据集（IDD）的问题。我们的方法DualFusion以一种允许我们学习用非常有限的数据检测稀有对象的方式结合了对象检测器，所有这些都不会严重降低检测器在丰富类上的性能。在IDD OpenSet增量Few-Shot检测任务中，我们在基类上实现了40.0的mAP50得分，总体mAP50得分为38.8，这两个得分都是迄今为止最高的。在COCO批量增量Few-Shot检测任务中，我们实现了9.9的新颖AP得分，超过了最先进的新颖类性能超过6.6倍。
2021-08-18 cs.AI cs.CV
Guided and Variance-Corrected Fusion with One-shot Style Alignment for Large-Content Image Generation
University of Idaho（爱达荷大学）；Idaho National Laboratory（爱达荷国家实验室）
针对小型扩散模型生成大尺寸图像时的伪影问题，提出引导式融合（GF）、方差校正融合（VCF）及单样本风格对齐（SA）方法，显著提升生成质量，可作为即插即用模块增强其他融合方法。
2025-02-10 cs.AI cs.CV
Generative Editing in the Joint Vision-Language Space for Zero-Shot Composed Image Retrieval
Renmin University of China（中国人民大学）；Alibaba Group（阿里巴巴集团）
Fusion-Diff通过联合视觉-语言空间中的生成编辑策略，实现了高效的零样本复合图像检索，提升了多模态对齐的性能和可解释性。
2025-12-01 cs.CV
Enhanced Multimodal Content Moderation of Children's Videos using Audiovisual Fusion
University of Central Florida（中佛罗里达大学）
针对儿童视频中视觉无害但音频有害的问题，提出融合音频模态与提示学习、冻结 CLIP 主干的视听多模态审核方法，并在 MOB 数据集的监督和少样本设置下验证。
2024-05-09 cs.CV
Multi-Knowledge Fusion for New Feature Generation in Generalized Zero-Shot Learning
National Pilot School of Software, Yunnan University（云南大学国家软件学院）
现有的零样本学习（Zero-Shot Learning，简称ZRL）方法存在语义不足和领域转移等问题，无法取得令人满意的效果。为了缓解这些问题，我们提出了一种新的生成式语义学习方法，从多知识中学习更多的广义特征，并在语义到视觉嵌入中不断生成新的语义。在我们的方法中，建议的多知识融合网络（MKFNet）采取不同的语义特征从多个知识作为输入，这使得更多的相关语义特征被训练语义到视觉嵌入，并最终产生更广义的视觉特征，通过自适应融合视觉特征从不同的知识领域。新特征生成器（New Feature Generator，NFG）采用自适应遗传策略，一方面丰富了语义信息，另一方面极大地提高了MKFNet生成的视觉特征与不可见视觉特征的交集。从经验上讲，我们表明，我们的方法可以实现显着更好的性能相比，现有的国家的最先进的方法在大量的基准测试的几个CNOL任务，包括传统的CNOL，广义CNOL和zero-shot检索。
2021-02-23 cs.AI cs.CV
Training-free Zero-shot Composed Image Retrieval via Weighted Modality Fusion and Similarity
National Sun Yat-sen University（国立中山大学）
本文提出免训练的零样本组合图像检索方法WeiMoCIR，通过加权平均融合图像与文本模态构建查询表示，并利用多模态大语言模型生成图像描述辅助相似度计算，在FashionIQ和CIRR数据集上验证了有效性。
2024-11-07 cs.CV
Support-Query Prototype Fusion Network for Few-shot Medical Image Segmentation
Huaqiao University（华侨大学）；Key Laboratory of Computer Vision and Machine Learning of Fujian Provincial Universities（福建省高校计算机视觉与机器学习重点实验室）
针对少样本医学图像分割中现有原型方法重支持集、轻查询集导致类内差异大的问题，提出支持-查询原型融合网络SQPFNet，通过融合双原型实现精细化分割，在两个公开数据集上达到SOTA性能。
2024-05-13 cs.CV
Prototypical Few-Shot Medical Image Semantic Segmentation with Background Fusion
Chinese Academy of Medical Sciences（中国医学科学院）；Peking Union Medical College（北京友谊医院）；School of Health Sciences（健康科学学院）
研究针对医学图像少样本语义分割，提出背景融合原型（Bro）方法。通过特征相似性校准减少噪声，分层通道对抗注意力将背景融合到原型，基于通道组注意力机制实现从粗到细融合，可与现有模型集成，有效提升分割性能。
2026-07-13 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
Stream3Dv2: Geometric-Semantic Fusion Enhanced Streaming Zero-Shot 3D Scene Understanding
Singapore University of Technology and Design（新加坡科技设计大学）
针对现有开放词汇零样本3D场景理解模型难以处理流式RGB-D输入、易受2D分割掩码噪声影响的问题，提出无训练框架Stream3Dv2，通过几何-语义融合等策略提升性能，在相关任务上优于基准，可与LLM智能体集成用于开放世界具身智能。
2026-08-24 cs.CV
On the Effectiveness of Vision Transformers for Zero-shot Face Anti-Spoofing
Idiap Research Institute（Idiap研究所）
人脸识别系统对呈现攻击的脆弱性限制了其在安全关键场景中的应用。检测此类恶意尝试的自动方法对于安全使用面部识别技术至关重要。虽然已经提出了各种方法来检测这种攻击，但大多数方法都过拟合训练集，并且无法推广到看不见的攻击和环境。在这项工作中，我们使用迁移学习的视觉Transformer模型的zero-shot反欺骗任务。通过在公开数据集上的实验证明了该方法的有效性。所提出的方法在HQ-WMCA和SiW-M数据集中的zero-shot协议中的性能大大优于最先进的方法。此外，该模型在跨数据库性能方面也有很大的提高。
2021-06-02 cs.CV
Prototype Refinement Network for Few-Shot Segmentation
AInnovation Technology Co., Ltd.（创新奇智科技有限公司）
Few-Shot分割目标是在提供很少注释图像的情况下分割新类别。它比传统的语义分割任务更具挑战性，分割具有丰富注释图像的已知类。在本文中，我们提出了一个原型细化网络（PRNet）来解决Few-Shot分割的挑战。它首先学习从已知类的支持和查询图像中双向提取原型。此外，提取新类的代表性原型，我们使用适应和融合的原型细化。自适应步骤使模型学习新的概念，这是直接通过再训练实现的。首先提出了原型融合的概念，将支持原型和查询原型融合，融合了支持原型和查询原型的知识。它在原型精化中是有效的，而无需引入额外的可学习参数。通过这种方式，原型在低数据状态下变得更具歧视性。在PASAL- $5^i$和COCO- $20^i$上的实验证明了该方法的优越性.特别是在COCO- $20^i$上，PRNet在1次激发设置下的性能明显优于现有方法13.1%。
2020-05-09 cs.CV
Multi-Semantic Fusion Model for Generalized Zero-Shot Skeleton-Based Action Recognition
Beijing University of Posts and Telecommunications（北京邮电大学）；CASIA（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出多语义融合模型，通过引入动作描述和运动描述等辅助语义信息，并结合变分自编码器实现骨架与语义特征跨模态对齐，以提升广义零样本骨架动作识别的泛化性能。
2023-09-18 cs.CV
Phase-Aware Spatial-Frequency Fusion for Few-Shot Fine-Grained Image Classification
针对小样本细粒度图像分类任务，研究人员提出幅相集成（API）模块与PSF-Net网络，通过融合相位信息提升特征质量，在五个公开数据集上实现优于现有SOTA的性能。
2026-09-10 cs.AI cs.CV
Zero-Shot Monocular Motion Segmentation in the Wild by Combining Deep Learning with Geometric Motion Model Fusion
University of Waterloo（滑铁卢大学）
本文提出一种零样本单目运动分割方法，通过在物体候选区域上融合多种几何运动模型并结合深度学习优势，在多个基准上取得与监督方法相当甚至更优的结果。
2024-05-02 cs.AI cs.CV
