最近几年，小目标检测成了计算机视觉落地的核心卡脖子难题——从遥感卫星影像识别地面小型违章建筑、无人机巡检捕捉电力线路上的微小缺陷，到安防监控识别远处的行人/车辆、自动驾驶感知路面的锥桶/井盖，这些像素尺寸通常小于32×32的“微小目标”，其检测精度直接决定了整个视觉系统能否安全、可靠落地。而小目标检测有一个核心痛点传统小目标检测模型，要么在空间域做简单的图像缩放/超分来提升特征，却引入大量背景噪声

最近几年，红外小目标分割成了安防监控、军事侦察、无人机巡检、自动驾驶夜间感知等领域的核心感知技术——从边境线的夜间预警、无人机对地面小型目标的识别，到自动驾驶夜间识别道路上的碎石/落物，都需要能在复杂背景（如天空、树林、城市灯光）中精准分割出像素级尺寸的红外小目标。而红外小目标分割有一个核心痛点。

MANTA是面向微小物体的大规模多视图视觉-文本异常检测数据集，针对现有数据集单视角、无文本模态、难以适配微小物体检测的痛点构建。数据集覆盖农业、医药、电子、机械、杂货5大领域38类微小物体，含13.7万余张五视角高清图像，8617张异常图像带像素级标注，可完整覆盖物体表面。文本模块包含875条陈述性异常知识与2000道图文多选题，支撑视觉-文本联合学习。论文基于BLIP-2结合LoRA设计基线模

Infrared Small Target Detection with Scale and Location Sensitivity：不用复杂的算力消耗，只用 “多尺度金字塔特征增强 + 位置敏感上下文注意力 + 轻量级杂波抑制分支”，首次实现了尺度与位置敏感的红外小目标检测，既能自适应识别不同尺度的微小目标，又能在图像任意位置稳定检测，还能保证实时推理速度，大幅缩小了和实验室理想模型的性能差距

Feature Information Driven Position Gaussian Distribution Estimati采用即插即用轻量化架构，无需大幅改造原有检测器，通过 “像素特征信息无监督建模（信息熵最小化）+ 位置高斯分布有监督预测” 双模块协同，从信息论视角精准挖掘弱激活区域，用自适应高斯分布强化小目标特征，首次实现像素级信息驱动的小目标特征增强，在 VisDrone2019

本文提出了一种零样本4D激光雷达全景分割方法SAL-4D，通过结合2D视觉大模型（SAM2和CLIP）的能力，实现了无需人工标注的开放世界物体识别与跟踪。该方法利用同步摄像头视频生成伪标签，通过"Track-Lift-Flatten"机制将2D分割结果精确映射到3D点云，并采用时空一致的渐进蒸馏训练端到端4D模型。实验表明，该方法在零样本条件下达到了接近全监督模型的性能，显著提

本文提出了一种基于体素动态Token压缩的零样本3D问答方法，解决了当前3D场景问答中视觉Token过多导致的计算效率低下问题。该方法通过将多视角2D图像特征投影到3D空间，采用体素化动态Token压缩策略，在保持细粒度细节的同时大幅减少Token数量。实验表明，该方法能将视觉Token减少90%以上，问答性能仅下降不到2%，推理吞吐量提升47.6%，且无需额外训练即可适配现有视觉语言模型。

最近几年，3D 数字人（Avatar）成了计算机视觉和图形学交叉领域的热门方向，从游戏、元宇宙到虚拟直播，都需要高保真、可驱动、实时渲染的数字人头。而数字人头生成有一个核心痛点传统高质量可动画头部 Avatar，要么需要大量多视角视频、专业采集设备，要么依赖海量合成数据，普通人手里只有一张照片时，根本做不出能转头、做表情的数字人。同时，视频扩散模型 的兴起给 “补数据” 带来了希望 —— 它能根据

把 Mamba 这种高效的序列建模能力，真正变成一个 适合图像二维结构的模型，尤其是适合超大图像，比如病理全切片图像（WSI）。作者认为，过去很多视觉 Mamba 方法虽然名字上做视觉，但本质上还是把二维图像“拉平成一维序列”来处理，这会破坏图像的空间邻接关系；而他们提出的 2DMamba，是直接按二维扫描和聚合，尽量保留图像天然的二维结构，同时还设计了高效 CUDA 算子，避免二维扫描太慢。论文

本文深入解析了 U-Net 模型的结构与应用，特别是在医学图像分割中的优势。我们介绍了 U-Net 的编码器、解码器及跳跃连接设计，阐述了卷积、池化、上采样等核心操作及损失函数（如 Dice 系数与交叉熵）。此外，提供了基于 PyTorch 的 U-Net 实现代码，涵盖数据预处理、模型训练、优化与评估。通过实际代码，读者可以了解如何高效训练 U-Net 模型，并应用于实际的图像分割任务。