ECCV2026 目标检测论文解读论文笔记异常检测少样本学习多模态对抗鲁棒对齐/RLHF

🎯 目标检测¶

🎞️ ECCV2026 · 81 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (1) · 📷 CVPR2026 (99) · 🔬 ICLR2026 (30) · 🧪 ICML2026 (7) · 🤖 AAAI2026 (29) · 🧠 NeurIPS2025 (27)

🔥 高频主题： 目标检测 ×26 · 异常检测 ×15 · 少样本学习 ×13 · 多模态 ×5 · 对抗鲁棒 ×4

RT-DETRv4: Painlessly Furthering Real-Time Object Detection with Vision Foundation Models: RT-DETRv4 在训练时用冻结视觉基础模型监督 AIFI 的深层特征，并按该模块的梯度占比自适应调整监督强度，使 L 型在保持 8.07 ms 推理延迟的同时将 COCO AP 从 DEIM-L 的 54.7 提升至 55.4。
M4-SAR: A Multi-Resolution, Multi-Polarization, Multi-Scene, Multi-Source Dataset and Benchmark for optical-SAR Object Detection: 本文提出 M4-SAR——首个大规模光学-SAR 配对旋转目标检测数据集（112,174 对图像、981,862 实例、6 类），配套统一评测工具 MSRODet 和端到端融合检测框架 E2E-OSDet（FAM + CMIM + AFM），融合后 mAP 比最优单源提升 5.1%，复杂环境下增益尤为显著。
Low-latency Event-based Object Detection with Spatially-Sparse Linear Attention: SSLA 把线性注意力的全局状态拆成几何路由的局部子状态，以并行训练、逐事件递归推理支持低延迟检测，SSLA-L 在 Gen1 上达到 0.375 mAP，单事件计算量为 0.724 MFLOPS，实测单核处理延迟为 7.20 微秒。
VLOD-TTA: Test-Time Adaptation of Vision-Language Object Detectors: 针对 YOLO-World、Grounding DINO 这类视觉语言目标检测器在测试时遇到分布偏移就掉点的问题，VLOD-TTA 用「IoU 加权熵最小化」把自适应聚焦到空间上密集重叠的候选框簇，再用「图像条件下的提示选择」挑出与当前图片最匹配的文本提示，只更新极少量 adapter 参数，就能在艺术风格、恶劣驾驶、低光、常见退化等多种偏移下稳定超过已有 TTA 基线和上一代专用方法，且开销远低。
DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images: DroneFINE 在冻结的 GroundingDINO 上只用 1.54M 可训练参数（全量微调 27.5M 的 5.6%），用「前景感知的动态多路卷积适配器 HyperAdapter + 基于背景词表的门控查询重排 SemanticGate」两个域感知模块，把无人机图像检测拉到 VisDrone 38.4 mAP / 61.2 mAP50、UAVDT 26.5 mAP / 43.6 mAP50，与全量微调持平甚至在 UAVDT 上反超，并保持了对 COCO 的泛化。
RGBT-GroundBench: Visual Grounding Beyond RGB in Complex Real-World Scenarios: 本文构建了首个面向复杂真实场景的大规模 RGB-Thermal 视觉定位基准 RGBT-GroundBench（21,535 对 RGB-TIR 图像、38,760 条指代实例、场景/环境/物体三级标注），配套给出支持 RGB-only、TIR-only、RGB+TIR 的统一评测协议并评测 11 个 VG 模型，同时提出参考基线 RGBT-VGNet，在三个子数据集上取得最高 [email protected]。
What is the Right Embedding Space for Contrastive Learning in Referring Expression Counting?: 论文把指代计数（REC）里的对比学习从"图像-文本嵌入空间"整体搬到"纯图像嵌入空间"，用二分匹配在现场划出正负样本、把负样本池从个位数扩到上百个图内视觉 token，并只让正类 token 充当锚点；这套即插即用的 C-REX 在三种检测式 REC 架构上一致涨点，REC-8K 上 MAE 最多降 28%、RMSE 最多降 24.5%，还能迁移到类别无关计数。
DetPO: In-Context Learning with Multi-Modal LLMs for Few-Shot Object Detection: DetPO 把少量标注图像转化为可反复验证的文本类别定义，用误检收紧概念、用漏检拓宽概念，在冻结多模态大语言模型的前提下提升少样本检测，并通过可选的逐框 VQA 重评分进一步改善检测排序。
MOCHA: Multi-modal Objects-aware Cross-arcHitecture Alignment: MOCHA 让冻结的 LLaVa 教师按「检测框 + 类名」这个组合产出对象级多模态嵌入，用一个通道注意力翻译模块把 YOLO 学生的多尺度区域特征映射到该嵌入空间，再用「逐点对齐 + 关系几何保持」的双目标损失监督，使 3.2M 参数的轻量检测器在四个个性化检测基准上比 YOLOv8n 基线平均高 10.1 个点，推理仅增加 3 ms/图。
Rethinking IRSTD: Single-Point Supervision Guided Encoder-only Framework is Enough for Infrared Small Target Detection: SPIRE 把红外小目标检测从轮廓分割改为中心响应回归，用单点生成局部结构化监督、用轻量纯编码器预测热图，再直接提取目标中心，在 SIRST-UAVB 上以约 0.29M 参数取得 97.05% F1。
CountEx: Fine-Grained Counting via Exemplars and Exclusion: CountEx 将“数什么、不要数什么”共同编码成检测查询，通过保留共享特征并抑制负类独有模式来消除细粒度歧义，在 CoCount 的新类别与已知类别测试中分别达到 26.61 和 12.72 MAE。
Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization: DSBCO 把图像分类上的循环自训练（Cycle Self-Training, CST）拆成分类与回归两条循环流、并搭在 Mean Teacher 之上，用「特征维岭回归解显式投影 + 源域投影验证」替代不稳定的样本核矩阵求逆，再对回归偏移做标准化，在 Cityscapes→Foggy Cityscapes 上把 FCOS 自训练基线从 41.2 mAP 提到 64.7 mAP。
IMMoE: Incomplete Multi-View Anomaly Detection via Mixture of View Experts Fusion: IMMoE 用局部特征丢弃缓解遮挡模式过拟合，再以视图专家融合引导正常特征重建，在产品区域遮挡 50% 的 RIMAD 上取得 84.7 I-AUROC / 33.1 P-AP，但这不是对真实遮挡下隐藏缺陷可恢复性的完整证明。
IoUCert: Robustness Verification for Anchor-based Object Detectors: IoUCert 把「单目标检测的 IoU 不低于阈值」写成一个可验证的性质：先用坐标变换把框解码的非线性映射从松弛链里摘出去，再证明 IoU 的极值只可能落在有限个临界点上，从而用最多 169 个候选点解析地给出最优 IoU 上下界，配合 LeakyReLU 的最优线性松弛，首次在 SSD、YOLOv2、YOLOv3 这类真实 anchor-based 检测器上完成形式化鲁棒性验证。
PKINet-v2: Towards Powerful and Efficient Poly-Kernel Remote Sensing Object Detection: PKINet-v2 用异构卷积核兼顾遥感目标的形状与尺度，再将训练时的多分支聚合等价合并以加速部署，在单尺度 DOTA-v1.0 上以 80.46% mAP 和 54.60 FPS 超过 PKINet-v1-S 的 78.39% 与 14.05 FPS。
REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling: REAL-OW 是第一个严格"无回放"（不保存任何历史样本）的开放世界目标检测框架：它把通用知识与任务专属知识分别放进主干里的 General Adapters 和解码器里逐任务新增的 Specific Adapters，再用学习/固化交替的双阶段目标性建模（DSOM）与按分布离散度校准的 CG-NLL 距离稳住已知-未知边界，在 M-OWODB / S-OWODB 上以 2.0M 可训练参数反超所有依赖 exemplar replay 的方法。
Rethinking Prototype-based Similarity Learning for Few-Shot Object Detection: 针对原型相似度学习在小样本目标检测中的两个根本瓶颈——类间相似度margin塌缩导致类别混淆、相似度嵌入缺乏空间几何线索导致定位不准——本文提出文本锚定语义掩码（TSMa）利用文本特征抑制风格驱动的虚假相似度以扩大类间margin，同时提出阶段对齐分层自回归回归（SHARe）按ViT深度逆序注入多层级视觉特征实现渐进式边界框精修，在COCO上以+10.1 nAP大幅刷新SOTA。
Robust Onion: Peeling Open Vocab Object Detectors Under Noise: Robust Onion 用可控合成退化（湍流、运动模糊、像素化）把开放词汇检测器逐层「剥洋葱」，以跨噪声严重度的特征重叠度定位失效层，发现鲁棒性几乎完全由视觉骨干的架构与深度决定（浅层最先崩，增强器与语言侧贡献极小），并据此把结论编译成仅 2.41M 参数的可插拔模块 NN & TK0，在 BDD-100K 等真实驾驶数据集上以 96× 更少的可训练参数取得与端到端微调相当的鲁棒性。
RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild: RT-DocLayout 在 RT-DETR 上把版面元素的分类、边框回归、像素级掩码和阅读顺序预测统一进同一个查询解码器，用 33M 参数在 OmniDocBench v1.5 与 Real5-OmniDocBench 上取得最好的整文档解析准确率（94.50 / 92.05 Overall），同时在 A100 上以 batch size 32 达到 132.1 FPS。
SupGRPO: Enhancing GRPO with Matching-based Online SFT for Text Spotting: 本文让 GRPO 与一层「只作用于坐标 token 的匹配式在线 SFT」联合微调多模态大模型：SFT 补上 GRPO 缺失的 token 级定位监督，匹配机制则消掉标准 SFT 强加给独立文本实例的顺序先验，在 Total-Text、ICDAR 2015、CTW1500 与自建艺术字数据集 ATS 上同时提升检测与识别。
The Label Imitation Game: Turing Test Network for Zero-Shot Pseudo-Label Pruning: 把「伪标签剪枝」形式化成一场图灵测试式的对抗审讯，训练一个只在图像分类数据上学过、却能零样本迁移去审判目标检测伪标签的轻量「裁判网络」（TTN），靠数据集级语义上下文识别并剔除基础模型的系统性幻觉，让最差类别的 F1 提升 28%（微调后 44%）。
Adaptive Spectrum-Aware Feature Disentangled Network for Small Object Detection: SFDNet将特征在频谱域显式解耦为低/中/高三频分量，分别为每个频谱设计专属的Mamba扫描策略进行上下文建模后自适应融合，同时构造类别级原型通过对比蒸馏压缩同类目标特征分布，在AI-TOD和SODA-D/SODA-A上大幅超越此前SOTA。
CMDS-AD: Cross-Modal Dual-Stream Decoupling for Few-Shot Anomaly Detection: 提出 CMDS-AD，一个面向少样本多模态异常检测的跨模态双流解耦框架；通过将扩散法线估计器重新用作非线性低通滤波器来构建纯低频的辅助估计流，锚定全局结构模板，让保留耦合高低频分量的真实流更精确地捕获局部微缺陷，配合坐标感知分层特征映射器与乘性异常评分机制，在 MVTec 3D-AD 和 EyeCandies 上 1-shot 设置下分别取得 5.7% 和 7.7% 的 I-AUROC 绝对提升。
Deformable Triangle Splatting: Flexible Primitives for Real-Time Radiance Field Rendering: 针对传统高斯与固定三角形图元难以紧凑拟合非凸凹陷几何并导致过度细分（over-tessellation）的瓶颈，本文提出可变形三角形泼溅（DETRIS），通过在三维平面三角形每条边引入基于重心坐标系法向位移的控制点、卷绕数内外判定与多项式平滑距离场，实现了高效且严格视点无关的非凸图元实时辐射场渲染。
Denoising-Enhanced Coarse-to-Fine Infrared Small Target Detection with Attention Prior-Guided Knowledge Distillation: 提出 ECFNet 粗到细红外小目标检测框架：粗阶段用 RBCN 将全图稠密预测降为网格二分类 + 引入去噪辅助训练（DAT）迫使网络学目标-背景上下文，细阶段用轻量检测器 + 交叉注意力先验蒸馏（APKD）让学生关注关键目标区域，在三个红外数据集上以 31.7G FLOPs 达到 SOTA。
Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift: 本文提出 DistScan，首次揭示后门注入会系统性扭曲目标检测器在干净输入下的 NMS 前预测类别分布，通过度量该经验分布与训练集类别先验的 JS 散度实现无须触发器先验、无须模型权重、无须二次训练的黑盒后门检测。
Diagnosing Aerial-View Object Detectors with Foundational Image Generative Models: 本文提出了一种基于前沿图像生成大模型（Imagen 3）的航拍目标检测合成诊断框架，通过显式属性分类树、文本引导生成、逆分布图像编辑与人机协同标注构建出受控测试基准，精准定位检测器在特定场景（如城市和工业区）中的系统性失效模式，并以极小规模的针对性真实数据补全实现高达 13.4% 的 AP50 提升。
DualCount: Structurally Consistent Density and Point Modeling for Zero-Shot Object Counting: 针对零样本目标计数中密度回归因缺乏实例级结构约束而导致的背景泄漏与质量弥散问题，DualCount 提出双解码器架构，利用预测的实例点中心对密度图实施软分解，并引入单实例质量守恒与质心对齐几何约束，在 FSC-147、PUCPR+ 等基准上刷新了零样本计数最优表现。
Efficient RGB-T Object Detection via Sparse Cross-Modality Fusion: 提出 SFEDet 稀疏融合框架，先用 YOLOv8-Small 级别的轻量单模态检测器高召回率筛选全图候选前景区域，再仅在稀疏的 RoI 上执行跨模态融合驱动的精确检验与多步框精炼，以约 1/3 的计算成本和 1/5 的参数量达到与 SOTA 相当甚至更优的检测精度。
FineEdit: Fine-Grained Image Edit with Bounding Box Guidance: FineEdit 通过在输入通道与中间 Transformer 层引入早期及深度多级空间注入，并结合前景编辑与背景保真解耦的强化学习后训练，实现了基于边界框引导的精准局部图像编辑与高背景一致性。
Following the Flow: Advection-Consistent Modeling for Event-based Small Object Detection: PACT 将事件流特征演化显式建模为平流方程约束下的物理传输过程，通过轨迹级一致性让微弱目标响应沿速度场累积、噪声自然衰减，在 EV-UAV 数据集上将 IoU 从 55.18% 提升至 75.90%。
FSDC-DETR: A Frequency-Spatial Domain Collaborative DETR for Small-Object Detection: 针对小目标检测中因空间聚合与降采样导致的高频细节衰减与频谱混叠问题，FSDC-DETR 提出了频域与空间域显式协同建模框架，通过双分支自适应融合、分流跨尺度特征交互及小波动态下采样，在 VisDrone-DET2019 和 AITODv2 上分别取得 31.1 AP 与 32.3 AP，大幅刷新小目标检测 SOTA。
Fully Rotation-Equivariant Spectral-Spatial Learning for Multispectral Object Detection: 针对多光谱目标检测中光谱离散采样、金字塔跨层融合失真及任意朝向几何不对齐等瓶颈，本文提出全旋转等变光谱空间学习框架 FressDet，通过隐式神经场实现保序连续光谱重采样，结合双原型路由实现尺度自适应融合，以降低 93% 参数量的超轻量架构在多个基准上刷新 SOTA。
Global Logic and Local Search: Dual-Stream Multimodal In-Context Learning for Verifiable Industrial Anomaly Detection: 针对冷启动工业异常检测中缺陷样本匮乏及大模型幻觉与分辨率受限问题，提出免微调的双流多模态上下文验证框架 GLLS，通过离线构建部件感知图谱解耦规约，并在线协同 SAM 3 全局逻辑审计与 MCTS 预算制局部搜索，实现诊断决策在像素证据上的显式可追溯与可验证。
Is Monitoring Enough? Strategic Agent Selection For Stealthy Attack in Multi-Agent Discussions: 针对多智能体讨论中异常检测器持续监控通信并拦截对抗消息的新场景，提出基于扩展 Friedkin-Johnsen 意见动力学闭式解与主从博弈分解的战略性智能体及目标选择攻击算法，在极低检测率下实现高达 45.3% 的精度破坏。
LogiCo: A Unified Framework for Logical and Structural Anomaly Detection: LogiCo 提出统一的组件级特征重构范式，通过离散化预训练特征到组件级空间并合成伪逻辑异常来训练重构网络，同时引入交叉注意力结构重构和分割图判别器，在保持空间结构的前提下同时检测逻辑异常和结构异常，在 MVTec-LOCO 等四个基准上达到 SOTA。
MATCH: Flow Matching for Multi-View Anomaly Detection: MATCH 是首个基于 Flow Matching 的多视图异常检测方法，用 ODE 形式的连续归一化流在预训练特征空间上做密度估计，通过省略散度项实现实时推理（18.77 FPS），在 Real-IAD 和 MANTA-Tiny 两个基准上均取得 SOTA 的检测和分割性能。
Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection: 针对无范本域增量目标检测中的灾难性遗忘与跨域干扰问题，本文提出基于参数高效微调的正交知识更新（OKR）框架，通过为新域增量构建独立的低秩子空间并融合权重，利用梯度正交投影约束新域更新方向，并借助拓扑感知一致性对齐跨域语义原型，在无需历史数据与推理路由的前提下实现了抗遗忘与高性能增量检测。
PADFormer: Pose-agnostic Anomaly Detection from Sparse View Images: 针对工业检测中视角任意且多视角参考图稀疏的难题，PADFormer 抛弃耗时的显式 3D 重建流程，提出基于 ViT 的 2D 跨视角掩码重建框架，结合空间变换对齐、动态补丁选择与异常无关先验标记，仅需少量无位姿参考图即可在推理期通过多轮集成精准定位缺陷。
Proximity-CLIP: Text-Guided Semantic Proximity Learning for Zero-Shot Anomaly Detection: 针对零样本异常检测中强制正异常文本正交割裂预训练度量空间连续性的几何困境，Proximity-CLIP 提出视觉校准的语义邻近度学习与异常查询模块，实现平滑的语义间隔自适应与主动局部缺陷检索。
PS-MOT: Cultivating Instance Awareness from Point Seeds for Multi-Object Tracking: 把多目标跟踪的每帧密集框标注换成"每个目标一个点"的点标注，用 SAM 闭环 + 频域边界幻化 + 不确定性高斯损失三层设计，把无尺度的点种子逐步"养成"尺度准确、身份连续的实例表示，在 DanceTrack 上以纯点监督拿到 52.3 HOTA、标注成本约省 64%。
ReFP-AD: Rectified Flow Preconditioning for Energy-Based Anomaly Detection: 针对高维视觉基础模型 Token 几何各向异性导致能量模型有限步 MCMC 采样发散的本质瓶颈，ReFP-AD 提出基于最优传输整流流的几何预条件机制，将未压缩的 1536 维特征映射至各向同性潜在空间，配合预条件随机梯度朗之万动力学与能量梯度范数评分，在统一工业异常检测基准上大幅刷新能量模型检测性能。
Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions: 本文构建了首个统一基准对现有连续异常检测方法进行头对头比较、连续漂移评估和边缘端效率测试，发现专用CAD方法并不优于带简单经验回放的传统异常检测基线，并由此提出DINOSaur——一种完全冻结DINOv3骨干+空间索引核心集记忆库的无训练方法，在零遗忘前提下以亚100ms边缘推理性达到SOTA。
ReynoldsFlow: Physics-Inspired Spatiotemporal Flow Representation for Video Understanding: 针对传统光流与深度时空模型受限于亮度恒定假设及高计算开销的难题，本文基于雷诺输运定理与亥姆霍兹-霍奇分解提出无监督无须训练的 ReynoldsFlow，将运动解耦为无旋散度场与无散旋度场并构建保留外观纹理的三通道表征，在位姿估计、动作识别及微小无人机检测等任务上兼具显著精度提升与高推理效率。
RiO-DETR: DETR for Real-time Oriented Object Detection: 针对传统旋转检测 Transformer 推理延迟高、几何与语义耦合导致角度学习不稳定的问题，RiO-DETR 通过几何解耦查询编码、旋转校正正交注意力、解耦周期性精炼与定向密集单对单训练，首次在 DETR 框架下实现了兼顾超低延迟（2.7~29.9 ms）与高精度（DOTA-1.0 78.4%~81.8% AP50）的端到端实时旋转目标检测。
Robust Zero-shot Anomaly Detection under Limited Auxiliary Anomaly Priors: DIVE 首次研究辅助数据中异常先验有限场景下的零样本异常检测问题，通过浅层+深层文本嵌入注入策略让视觉编码器从有限的辅助异常模式中抽象出跨域通用的异常概念，并引入解耦机制消除物体语义对视觉嵌入的干扰；在使用纹理数据集 DTD 作为辅助数据时，DIVE 在 12 个目标数据集上的分类和分割性能最高超越 SOTA 基线 28.5%（AP）和 47.0%（AUPRO），同时将辅助数据多样性不足导致的性能退化幅度压缩约 46.5%-77.3%。
RT-SDGOD: Real-Time Single-Domain Generalized Object Detection: 针对实时检测器在跨天气与光照域迁移时因证据匮乏导致漏检率激增的痛点，本文提出无推理开销的 RT-SDGDet 框架，通过一对多正样本分组、可变形注意力证据多样性正则化（DEDL）与双视角证据互最近邻一致性对齐（DvECL），在纯训练期扩展并稳定目标级判别证据。
SelfMOTR: Revisiting MOTR with Self-Generating Detection Priors: 针对端到端 Transformer 多目标跟踪中检测与关联查询在联合解码时的相互干扰问题，SelfMOTR 提出无需外部检测器的自生成检测先验方案，通过轻量级检测前向计算生成内生 4D 锚框与置信度调制提案，在 DanceTrack 与 Bird Flock Tracking 上刷新了端到端跟踪纪录。
Towards High-Resolution Visual Perception via Hierarchical Entity Exploration: 针对高分辨率图像几何切分造成的实体割裂与背景干扰瓶颈，提出免训练且模型无关的分层实体探索框架（HEE），通过目标检测发现语义完整实体、语义聚类递归细化、双重评分筛选与置信度引导回溯，显著提升多模态大模型在超高分辨率场景下的感知精度与推理效率。
Towards Sparsely Annotated Open World Object Detection: 针对开放世界目标检测中稀疏标注导致的已知与未知物体歧义混淆难题，本文首次提出稀疏标注开放世界目标检测（SA-OWOD）任务，并设计包含已知目标恢复与双重不一致目标生成的双重视角物体发现框架（DPOD），在极大降低假负例监督的同时大幅提升未知类别召回率。
\(S^{2}\)-FracMix: Label-Preserving Self-Saliency Mixup Augmentation: S²-FracMix 提出一种保标签的自显著性混合增强框架：在同一张图像内提取多尺度显著性 patch，经旋转、模糊、分形纹理注入后重新混合回原图，避免跨样本语义干扰；搭配多模式高层混合策略，在分类、检测、鲁棒性等 7 个 benchmark 上全面超越 AdAutoMix 等 SOTA 方法，同时训练开销极低。
A Simple Baseline with Placement Prior for Point-Supervised Oriented Object Detection: PlacePriorBase 用邻域角度一致性、图像内尺寸规律和无需学习的分水岭旋转框补足单点标注缺失的几何信息，提供训练便宜但精度并非最优的基线，并以可迁移的损失提升现有点监督检测器。
Back-Tracking from Clarity: Self-Learning to See Text from Afar: 本文把视频后段清晰文字的可靠检测反向传播到前段模糊小字，结合点跟踪与载体几何恢复生成伪标签，在不增加学生推理模块的条件下改善早期文本检测与识别；SceneText50 跟踪 AUC 达到 44.71，而 CoTracker3 为 38.65。
Calibrate Before Adapt: Training-Free Pseudo-Label Calibration for Semi-Supervised Cross-Domain Few-Shot Detection: 针对半监督跨域少样本目标检测（Semi-CDFSOD）中开集检测器伪标签存在的严重类别误分类与漏检难题，提出一种无需额外训练的伪标签校准框架，通过结合中心加权原型语义校准与基于 SAM 的视觉自提示漏检找回，显著净化并补全无标签目标域监督信号。
Cross-token Guidance Transformer for Weakly Supervised Object Localization: 针对弱监督目标定位中单独依赖定位Token易受共存背景干扰导致扩散激活的问题，本文提出跨Token引导Transformer（CGTR），通过全局注意力调控模块与局部滤波调控模块实现类别Token与定位Token的跨尺度协同，在CUB-200-2011与ILSVRC上取得SOTA定位精度。
Decoupling Moment from Event for Video Temporal Grounding: 针对传统 DETR 类视频时序定位方法直接套用 2D 检测刚性单对单匹配所导致的「强迫语义抑制」问题，ME-DETR 提出动态查询角色特化与双头协同监督机制，将片断级语义探索与事件级边界回归解耦，在无需 NMS 的前提下在 QVHighlights 测试集取得 +2.43% mAP 的显著提升并刷新多项 SOTA。
Defect-aware Hybrid Prompt Optimization for Zero-Shot Multi-type Anomaly Detection and Segmentation: 针对 CLIP 在工业异常检测中难以区分细粒度缺陷类型与易偏离自然语言流形的痛点，DAPO 提出由共享可学习异常上下文与固定字面锚点构成的混合提示词优化框架，在冻结双塔下实现了兼具强泛化性与细粒度辨识力的零样本多缺陷类型分割。
DeMuS: Learning Decoupled Matching and Scoring for Batch Zero-Shot Industrial Anomaly Detection: 针对小批次且存在显著位姿变化的 Batch Zero-Shot 工业异常检测场景，DeMuS 提出将“空间物理对齐（在哪匹配）”与“缺陷语义判别（如何打分）”两阶段显式解耦，从机理上切断了异常点之间的错误捷径匹配，在保持毫秒级在线推理的同时显著刷新多项基准。
DETR is Secretly a Multispectral Detector: Zero-Parameter Adaptation via Semantic Alignment: 本文打破了多光谱检测依赖额外融合参数的传统范式，提出 ZPA-MDETR，直接复用单模态 DETR 架构与预训练权重，通过非对称查询-记忆角色分配与免参数空间-通道语义对齐正则项，以零新增参数实现高精度多光谱目标检测。
DG-Force: Disentangling and Gathering Forensic Cues is Needed for Image Manipulation Localization: 针对高拟真生成伪造导致真实纹理掩盖关键篡改痕迹的问题，DG-Force 通过补丁级与边缘级双路取证解耦及逐 token 自适应汇聚，并结合跨尺度/尺度内取证线索迁移，实现了极具鲁棒性的像素级图像篡改定位。
Explicit Semantic–Spatial Alignment for Open-Vocabulary Object Detection: 针对开放词汇目标检测中视觉语言模型高频空间定位先验缺失与语义漂移难题，ESSA-OVD 构建冻结的双流骨干网络，通过轻量空间适配器、频域感知高频残差注入与纯净密集分类特征路由解耦，仅引入约 3M 可训练参数即在 OV-COCO 和 OV-LVIS 上刷新 SOTA。
Fast Dynamic Prototypes for Unsupervised Anomaly Detection and Localization: 针对工业无监督异常检测中匹配方法内存开销大、隐式重构模型复杂度高的问题，本文提出快速动态原型（FDP），通过轻量动态原型适配、双骨干互补重构与混合残差学习，在保持可解释性的同时兼顾超快推理速度（最高 477 FPS）与最前沿检测精度。
FuDU: A Fuzzy Dual-dimension Uncertainty Framework for Streaming Active Learning in Industrial Defect Detection: 针对工业缺陷检测流式数据中决策边界模糊与分布外离群的双重风险，FuDU 结合骨干网动态原型与检测头双重熵量化全局与缺陷不确定性，并利用领域专家知识构建的模糊推理系统实现高召回、低标注代价的自适应主动采样。
GAP-Track: Bridging the Resolution Gap for Cross-Resolution RGBT Tracking: 针对边缘端低算力与有限带宽导致的低分辨率输入性能坍塌问题，GAP-Track 结合训练期掩码残差重构、极坐标几何敏感损失与分层知识蒸馏，在不增加推理额外开销的前提下实现了跨分辨率高精度 RGBT 跟踪。
HER-Count: Learning Hyper-Exemplar Representation for Generalized Zero-Shot Object Counting: 针对零样本目标计数中基于局部裁剪块的范例难以覆盖类内多样性且易累积检测误差、而纯文本嵌入缺乏特定图像实例细节的问题，提出 HER-Count 框架，利用多模态大语言模型（MLLM）联合全图与文本类别合成超范例表示（HER），并通过多层视觉分层融合与样本文本双层全局判别性约束，实现了兼具高精度与快速推理的开放环境目标计数与定位。
HLRAD: High-dimensional Latent Representation for Unified Anomaly Detection: HLRAD 针对多类别统一无监督异常检测，颠覆了传统低维隐空间压缩重构范式，通过扩散 Transformer 提取高维语义特征并结合升维投影 MLP 与宽隐空间解码器，在阻断恒等映射捷径的同时杜绝压缩信息损失，在 MVTec-AD、VisA 和 Real-IAD 等工业基准上刷新了像素级异常定位 SOTA。
InfraNet: Quality-Aware RGB Guidance for Infrared Object Detection: 针对恶劣光照下 RGB 模态严重退化污染多模态融合的问题，InfraNet 提出以红外为主干通路、RGB 为训练期质量自适应辅助指导的非对称范式，通过 QualGate 动态抑制低质 RGB 并补偿红外特征，同时支持推理期零开销纯红外（InfraNet-IR）与高容量双模态（InfraNet-RGB-IR）双重部署。
InstaPano: Zero-shot Instance Layout Controlled Panorama Generation Via Global Attention Fusion: InstaPano 提出了一个无需训练的零样本多实例布局受控全景图像生成框架，通过“同步-融合-分发”（Sync-Fuse-Dispatch）工作流在扩散采样过程中实现全局注意力融合，并结合条件位置掩码（CPM）有效消除了大边界框内的实体重复伪影。
MSPL: Multi-Step Pseudo-Labeling for Open-Vocabulary Object Detection: MSPL 将开放词汇目标检测的伪标签生成从单步 CLIP 图像-文本对齐重构为「定位验证→类别识别→背景接地」三步可解释推理管线，利用 SAM 类无关分割与 MLLM 零样本推理生成高质量伪标签，再通过区域-文本对齐和对比式背景学习两个对比学习信号进行在线训练，在 OV-COCO 和 OV-LVIS 上均达到新 SOTA，新类 AP50 提升 9.4 个点。
OpenPanoD: Aligning Multimodal Prompts and Spherical Representations for Open-Vocabulary Panoramic Detection: 针对全景开词表目标检测中纯文本提示的上下文语义歧义与等距柱状投影几何畸变双重瓶颈，OpenPanoD 提出融合文本描述与图像样例的多模态提示编码器，结合基于细分二十面体准均匀球面网格的 GeoFormer 图像编码器，实现了兼具泛化性与几何保真度的开词表 360 度目标检测。
Per‑Object IoU Forecasting for Deadline‑Aware Real‑Time Embedded Detection Control: 提出针对实时流式目标检测的轻量级单目标 IoU 衰减预测模型（OLAP）与闭环检测器选择控制框架（OLAP-C），通过解析推导目标级截止期并引入优先级加权相对 AP，在 Argoverse-HD 和 MOT17 上将截止期预测准确率提升 56%、流式 AP 提升 39%。
PhysFlowNet: Learning Canonical Latent Manifolds via Spatio-Spectral Physics Priors for Underwater Object Detection: 针对水下光散射与衰减导致的表征流形非线性畸变，PhysFlowNet 提出将特征校正建模为物理引导的黎曼流形测地线回缩，结合分层空频物理先验、结构保真下采样与证据不确定度正则化，显著抑制水下假阳性并刷新多项基准 SOTA。
Plug-and-Play Attention Linearization for Pretrained Transformers: 提出无需微调的注意力线性化方法 LATTE，通过可调锚点二阶泰勒展开与联合后平方归一化（JPN），在仅依赖少量无标注校准数据下将过半注意力层转换为线性注意力，保留 95% 以上原始性能并将注意力 GFLOPs 降低高达 15 倍。
Rethinking Detection Calibration: A Coordinate Perspective: 针对传统目标检测置信度校准仅衡量全框级 IoU 或精度而忽略各坐标轴向独立对齐与偏移方向的问题，本文提出后验校准框架 ReDC，通过坐标对齐比率（CAR）、置信度重编码（CR）与方向位移估计（DDE），在确定性检测器上实现了细粒度的坐标级置信度与偏移方向校准，同时精准逼近全框级 IoU。
Rethinking Pseudo-Labels: Multi-Granularity Supervision for Domain Adaptive Object Detection: 针对传统师生域自适应检测仅依赖噪声严重的候选框伪标签的问题，本文提出多粒度伪标签框架（MGPL），通过双重竞争机制从 RPN 聚合高精度的图像级全局预测，并结合粗细协同自适应过滤，在 Pascal VOC→Clipart1k 上达到 51.4% mAP，超越 Oracle 全监督上限 6.4%。
SE-DETR: Explicit Semantic Exploration for Generalizability and Distinguishability in Video Temporal Grounding: SE-DETR 针对视频时序定位中词汇泛化弱与关键稀疏语义易被淹没的瓶颈，提出可学习语义代理对齐（SPA）与基于自信息的时序稀疏性调制（TSM），实现了跨视频概念泛化与视频内精准辨别，在 QVHighlight 等五大基准上全面刷新 SOTA。
Slim-DETR: Real-Time Tiny Object Detection with Efficient Interaction and Gaussian Query: 针对微小目标在 DETR 框架中序列过长导致编码器瓶颈以及传统查询严重失配的痛点，Slim-DETR 提出了基于聚集-注入与前景采样可变形注意力的 EI 编码器，并结合尺度解耦的高斯目标引导查询选择（GTG），在 VisDrone 上取得 33.9% AP，并在 RTX 3090 (24.4 ms) 与 Jetson AGX Orin (40 FPS) 上实现全面实时推理。
SplitHDR: Saturation-Aware HDR Recovery and Denoising for Real-Time Detection: 针对自动驾驶边缘计算平台严苛的低延迟约束与光照突变挑战，SplitHDR 提出基于输入亮度的区域自适应双模态架构，将过曝饱和区域的短曝融合与未饱和主导区域的轻量去噪任务解耦，仅用 2.47k 参数与 3.63 GMACs 计算量即在下游检测任务中达到超越重型多曝光网络的 SOTA 精度（38.38% AP / 58.75% AP50）。
SVCBench: A Streaming Video Counting Benchmark for Spatial-Temporal State Maintenance: SVCBench 将视频计数重新定位为诊断视频语言模型「时空状态维护」能力的最小探针，通过流式多点查询观察预测轨迹，并设计三个互补指标揭示当前模型在周期事件计数和身份持续跟踪上的系统性缺陷。
Task-Agnostic Incremental Vision-Language Object Detection via Prompt Augmentation and Distribution-Aware Fusion: 针对增量视觉语言目标检测在无任务先验时面临的跨任务提示词干扰与参数冲突难题，本文提出 TADA 框架，通过训练期随机提示词增强与测试期基于马氏距离的分布感知 LoRA 融合，在 ODinW-13 任务不可知基准上取得 64.5 mAP（相比此前 SOTA DitHub 提升 +32.0 mAP）。
VarProtoAD: Variational Prototype-Conditioned Prompting for Zero-Shot Anomaly Detection: VarProtoAD 在预训练 VLM 的冻结多层 patch 特征空间中通过变分 von Mises-Fisher（vMF）混合分布学习超球面法向与异常原型库，并利用置信度门控交叉注意力与隐式偏差 prompt 引导可学习文本上下文 token，实现具有强抗语义漂移与跨域泛化能力的零样本工业与医疗异常检测与定位。