Feng Wu | ViLab

Facm: Flow-anchored consistency models

Mon, 20 Apr 2026 00:00:00 +0000

本文针对连续时间一致性模型（CM）训练不稳定的问题，指出其根源在于捷径目标导致瞬时速度场被灾难性遗忘。为此提出流锚定一致性模型（FACM），以流匹配任务作为动态锚点，并设计扩展时间间隔策略统一优化、解耦两个任务，实现稳定且架构无关的训练。在ImageNet 256×256上，蒸馏LightningDiT模型取得NFE=2时FID 1.32、NFE=1时FID 1.70的SOTA结果；同时提出内存高效的Chain-JVP，将FACM扩展到140亿参数的Wan 2.2模型，加速文本到图像推理至2-8步。

D-FINE: Redefine regression task of DETRs as fine-grained distribution refinement

Thu, 01 May 2025 00:00:00 +0000

D-FINE是一种实时目标检测器，通过重新定义DETR中的边界框回归任务实现高精度定位。其核心包含细粒度分布细化（FDR）和全局最优定位自蒸馏（GO-LSD）。FDR将回归从预测固定坐标改为迭代细化概率分布，提供细粒度中间表示；GO-LSD通过自蒸馏将定位知识从最终层传递到浅层，并简化深层残差预测。在COCO上达到54.0%/55.8% AP，124/78 FPS，预训练后达57.1%/59.3% AP，超越现有实时检测器，并显著提升多种DETR模型性能。

Semantic-aware late-stage supervised contrastive learning for fine-grained action recognition

Wed, 08 Jan 2025 00:00:00 +0000

本文针对细粒度动作识别中类间差异小、类内差异大的挑战，提出了一种语义感知的后期监督对比学习方法。该方法通过后期监督对比学习策略，有效减少了对比学习所需的训练轮次，降低了计算成本；同时引入语义距离建模，在调整特征表示时显式考虑细粒度动作之间的语义关系，从而提升判别能力。实验表明该方法在多个细粒度动作识别基准上取得了优越性能。

Advancing presurgical non-invasive molecular subgroup prediction in medulloblastoma using artificial intelligence and MRI signatures

Mon, 08 Jul 2024 00:00:00 +0000

本文构建了涵盖中国和美国13个中心934例髓母细胞瘤患者的国际分子特征数据库，利用人工智能和MRI影像特征实现术前无创的分子亚型预测。通过交叉验证、外部验证和连续验证，证明了模型作为通用分子诊断分类器的有效性，并通过对MRI特征的详细分析，从影像学角度深化了对髓母细胞瘤的理解，为临床管理提供了低成本、可推广的替代路径。

Scene adaptive sparse transformer for event-based object detection

Sun, 16 Jun 2024 00:00:00 +0000

本文针对事件相机目标检测中Transformer计算成本过高的问题，提出场景自适应稀疏Transformer（SAST）。该方法通过窗口-令牌协同稀疏化与场景特定稀疏优化，在保持低计算量的同时实现高检测性能，并能根据场景复杂度自适应调整稀疏程度，有效平衡了检测精度与效率。

Get: Group event transformer for event-based vision

Sun, 01 Oct 2023 00:00:00 +0000

本文提出一种基于分组的事件视觉Transformer骨干网络GET，用于事件相机视觉任务。GET将事件按时间戳和极性分组为Group Token，并在特征提取过程中解耦时空信息与极性信息。通过事件双自注意力模块和分组Token聚合模块，实现空间与时间-极性信息的有效通信与整合，充分利用事件数据特性，提升事件视觉任务性能。

Better and faster: Adaptive event conversion for event-based object detection

Mon, 26 Jun 2023 00:00:00 +0000

本文针对事件相机目标检测任务，提出高效事件表示Hyper Histogram，充分保留事件极性与时间信息；设计自适应事件转换模块AEC，基于事件密度通过自适应队列将事件流转换为超直方图，并适配现有帧基检测器；还提出事件增强方法Shadow Mosaic，提升样本多样性与泛化能力。在YOLOv5、Deformable-DETR和RetinaNet上验证，在1Mpx、Gen1和MVSEC-NIGHTL21数据集上取得显著优势，且推理速度快。