M3FD
PulseAugur coverage of M3FD — every cluster mentioning M3FD across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
视觉语言模型适配少样本多光谱目标检测
研究人员已将 Grounding DINO 和 YOLO-World 等视觉语言模型（VLMs）适配于少样本多光谱目标检测。该方法整合了文本、视觉和热成像模态，在有限数据集上展现出优于传统多光谱模型的性能。研究表明，VLMs 学到的语义先验能有效迁移到新的光谱输入，从而实现更具数据效率的感知系统，应用于自动驾驶等领域。
-
Text2Thermal 利用物理感知 AI 从文本生成热图像
研究人员开发了 Text2Thermal，一个从文本描述合成热图像的新颖框架。该方法通过利用语言来解决可见光图像到热图像转换中的固有歧义（受表面发射率和温度等不可观察因素控制），从而解决了热成像数据集稀缺的问题。Text2Thermal 适配了一个 Stable Diffusion 模型，并使用详细的字幕来编码材料、天气和热辐射状态，从而实现对合成热图像的文本级控制。在基准数据集上的实验表明，该方法在热图像合成方面达到了最先进的性能，…
-
A2DINOv3 通过专家协作增强多模态目标检测
研究人员开发了 A2DINOv3，一种新颖的多模态目标检测框架，可提高在低光照等挑战性条件下的性能。该系统采用“社会化协作”方法，将 RGB 和红外分支视为独立的专家，并选择性地交换信息。该方法旨在保留预训练表示并避免模态之间的干扰，利用零初始化策略进行逐步集成。A2DINOv3 在航空检测、自动驾驶和监控等多个基准测试中均取得了最先进的成果。
-
P2Fusion框架通过双先验蒸馏推进红外-可见光图像融合
研究人员开发了P2Fusion，一种新颖的红外-可见光图像融合框架，解决了协调不同热特征和纹理特征的挑战。与依赖静态约束或外部基础模型的先前方法不同，P2Fusion利用双重内在提示和基于蒸馏的方法从图像数据中学习动态调节器。该框架包含用于渐进式指导的Teach-to-Fuse机制和用于自适应特征细化的Gated Dynamic Expert Recalibration模块。实验表明，P2Fusion在多个数据集上取得了最先进的性能，…
-
CFGPNet框架通过新颖的注意力机制增强多光谱目标检测
研究人员推出了一种新颖的多光谱目标检测框架CFGPNet。该网络旨在改善可见光和红外图像之间的跨模态交互，解决融合不稳定和计算成本高的问题。CFGPNet采用增强的GELAN骨干网络，并结合了RepViT风格的模块以实现高效特征表示，同时引入了交叉计算高效注意力模块来优化特征交互。注意力选择与聚合融合网络进一步处理这些特征，而一个辅助分支则有助于优化。在五个公开基准上的实验表明，CFGPNet在各种尺度和条件下都表现出强大的性能和效率。
-
新的面向寄存器的框架增强了RGB-红外目标检测能力
研究人员开发了RegisterBridgeMM，一个新颖的RGB-红外目标检测框架，该框架利用预训练模型的寄存器令牌来促进跨模态通信。该方法通过利用寄存器摘要进行特征适应，避免了密集的块对块交互。该框架在四个基准测试中表现出卓越的性能，在LLVIP、M3FD、DroneVehicle和FLIR-Aligned数据集上使用冻结的骨干流实现了最高的mAP50-95。
-
FaithIR框架增强红外图像超分辨率以提升机器感知能力
研究人员推出了一种新颖的FaithIR框架，旨在改进红外图像超分辨率（IISR）以增强机器感知能力。与以往常引入人工纹理或扭曲热结构的方法不同，FaithIR专注于保留真实的热和结构信息。该框架采用双分支方法，一个分支捕捉全局信息，另一个分支在结构完整性指导下进行局部重建。实验表明，FaithIR不仅实现了卓越的重建保真度，还显著提高了目标检测和语义分割等下游任务的性能，凸显了忠实保留结构比单纯追求感知锐度更重要。
-
新的LDFE块提升RGB-IR目标检测性能
研究人员开发了一种名为LDFE（拉普拉斯解耦特征增强）的新块，旨在通过融合RGB和IR图像的特征来改进目标检测。该方法将特征分解为全局和局部组件，然后使用专门的模块（GS2E和LC2E）进行去噪、融合和重建。LDFE块旨在捕捉远程依赖关系和细粒度细节，从而在多个基准数据集上实现显著的性能提升。
-
新的PNAFusion方法提高了多光谱目标检测效率
研究人员开发了一种名为渐进式像素邻域可变形交叉注意力（PNAFusion）的新方法来改进多光谱目标检测。该方法通过将特征交互和对齐集中在相关的局部邻域上来解决全局交叉注意力的计算成本问题。PNAFusion包含一个像素邻域交叉注意力模块以减少冗余匹配，以及一个自适应可变形对齐模块以捕捉非线性空间对应关系，并采用迭代反馈机制进行渐进式精炼。实验表明，在FLIR和M3FD等数据集上取得了显著的性能提升，实现了高mAP分数，同时与现有方法相…
-
WD-FQDet 在多光谱目标检测方面达到最先进水平
研究人员开发了WD-FQDet，一个新颖的检测框架，旨在通过有效结合红外和可见光图像特征来改进多光谱目标检测。该系统将模态共享和模态特定信息解耦到低频和高频域，从而实现定制化的融合策略。它包含了对齐共享特征和保留特定特征的模块，以及一个混合增强模块和一个频率感知查询选择机制。在多个数据集上的实验表明，WD-FQDet 达到了最先进的性能。