研究人员推出了TRACE，这是一个新的基准，旨在评估计算机视觉模型在遭受火灾等不可逆物理损伤后的物体理解能力。该基准包含超过 21,000 个合成场景，其中包含成对的完好和退化物体进展。为了解决 RF-DETR 和 InternVL3.5 等现有模型观察到的显著性能下降问题，该论文提出了一种特征恢复模块（FRM）。这个即插即用模块将退化特征映射到与完好特征对齐的表示，在各种视觉语言任务上平均性能提高了 12% 以上，在受损更严重的物体上增益更大。 AI
影响 这项研究可以提高人工智能分析受损环境的能力，有助于灾难响应和重建工作。
排序理由 该集群描述了一篇介绍用于特定计算机视觉任务的基准和模块的新学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
TRACE is a benchmark for post-fire object understanding that introduces a feature recovery module to restore degraded representations and improve detection and vision-language tasks under severe physical damage.
arXiv:2609.12078v1 Announce Type: new Abstract: Objects in post-fire environments often undergo irreversible physical transformations that change their geometry, material state, and visual appearance. Detecting and identifying these remnants is critical for locating hazards, reco…