cvpr 2025

【CVPR 2025】3D VLM 稠密知识 × 少样本精准校准：广义少样本三维点云分割框架 GFS-VL｜从三维场景理解视角本文解读 CVPR 2025 论文《Generalized Few-shot 3D Point Cloud Segmentation with Vision-Language Model》（GFS-VL）。该论文提出GFS-VL 广义少样本三维点云分割框架，通过融合3D 视觉语言模型（VLM）的稠密伪标签、少样本原型校准与保留上下文的场景混合，让分割模型在只见过每类 1–5 个支持样本后，同时分割基类与新类。其特别之处在于用精准的 few-shot 原型把 VLM 有噪的开放词汇预测转化为可靠监督，并配套

【CVPR 2025】UNEM：展开广义EM，让少样本推理超参数自动学习｜从少样本学习算法设计视角本文解读 CVPR 2025 论文《UNEM: UNrolled Generalized EM for Transductive Few-Shot Learning》。该论文提出 UNEM（Unrolled Generalized EM），通过把广义期望最大化算法的每次迭代展开成网络层、并将类别平衡与温度超参数变成可学习参数，让转导少样本推理彻底告别网格搜索。其特别之处在于仅用 21 个参数、数秒训练就同时覆盖高斯与 Dirichlet 两种分布、纯视觉与 CLIP 两类范式。实验表明纯视觉最高提升 1

【CVPR 2025】2SFS：重新思考视觉语言模型的少样本适配，两阶段方案｜从少样本泛化视角本文解读 CVPR 2025 论文《Rethinking Few-Shot Adaptation of Vision-Language Models in Two Stages（2SFS：两阶段少样本适配）》。该论文提出先测量后设计的少样本适配新思路：实证发现 PEFT 训练动态天然分裂为"任务级特征学习"与"基类特化"两个阶段，据此把预算拆成LayerNorm 微调与线性分类器两段，其特别之处在于仅凭约 61k 可训练参数与固定超参数，就在 11 个数据集、2 种设定、3 个骨干上全面超越 CoOp、M

CVPR 2025 | 文本和图像引导的高保真3D数字人高效生成GaussianIP小小宣传一下CVPR 2025的工作GaussianIP。 arXiv：https://arxiv.org/abs/2503.11143 Github：https://github.com/silence-tang/GaussianIP 欢迎star, issue~

IROS 2024不容错过的4大理由关于机器人学术顶会，听IROS 2025大会主席、上海交通大学王贺升教授怎么说。ICRA 2024专辑：上交王贺升教授聊机器人学术顶会【度量访问】

我是有底线的