时间：2025年12月6日（周六）上午09: 00
地点：望江校区基础教学楼B座318实验室
Part1
分享者：张继钊
分享内容：
W. Luo et al., "Exploring Intrinsic Normal Prototypes within a Single Image for Universal Anomaly Detection," 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).
论文简介：
异常检测（Anomaly Detection, AD）在工业质检中至关重要，但现有方法通常依赖于将测试图像与训练集中的正常参考样本进行"比对"。然而，外观和位置的变化往往会使这些参考样本与测试图像的对齐变得复杂，从而限制检测精度。本文发现，大多数异常表现为局部变化，这意味着即使在异常图像中，仍存在有价值的正常信息。本文认为这些信息是有用的，并且可能与异常区域更匹配，因为两者源自同一图像。因此，本文提出INP-Former方法——不依赖训练集的外部正常样本，而是直接从测试图像中提取本征正常原型（Intrinsic Normal Prototypes, INPs）。具体而言，本文设计了INP提取器，通过线性组合正常标记来表征INPs；并提出INP一致性损失函数确保INPs能准确表达测试图像的正常性。这些INPs随后指导INP引导的解码器仅重构正常标记，其重构误差即作为异常分数。此外，本文提出软挖掘损失函数以强化训练中对难优化样本的关注。INP-Former在MVTec-AD、VisA和Real-IAD数据集上，无论是单类别、多类别还是少样本AD任务均取得最先进性能，成为通用且普适的AD解决方案。值得注意的是，该方法还展现出一定的零样本异常检测能力。
Part2
分享者：王艺蒙
分享内容：
K. Matković, R. Splechtna, D. Grašanin and H. Hauser, "CrossSet: Unveiling the Complex Interplay of Two Set-typed Dimensions in Multivariate Data," in IEEE Transactions on Visualization and Computer Graphics, doi: 10.1109/TVCG.2025.3633897.
论文简介：
集合类型数据（即属性为集合类型的数据）的交互式可视化分析是一个富有成果的研究与应用领域。已有大量有价值的工作提出了针对单个集合类型维度进行研究的解决方案。本文提出了一种名为 CrossSet 的新方法，用于联合分析两个集合类型维度及其相互作用。基于任务分析，本文提出了一种新颖的多尺度方法，用于对此类数据进行交互式可视化探索与分析。该方法采用层次化矩阵布局，将两个集合类型数据维度联合可视化，不仅支持对各个维度本身的分析，还能在多个层级上分析这两个集合类型属性之间的交互关系。CrossSet 以一个紧凑的大规模概览视图为基础，并辅以向下钻取功能，用以深入研究集合类型维度之间及内部的关系，从而实现对双变量集合类型数据的交互式、多尺度可视化探索与分析。这种交互式方法使得用户能够：详细研究单个集合类型维度；全面了解两个此类维度之间的交互与关联；细化其中一个维度以在多个层级上获取更多细节；以及下钻至集合类型维度中各个集合元素之间的具体交互。为验证 CrossSet 的有效性与效率，本文在多个应用场景中对该方法进行了评估。
Part3
分享者：王翔坤
分享内容：
Zhong H, Tang F, Chen Z, et al. AMDANet: Attention-Driven Multi-Perspective Discrepancy Alignment for RGB-Infrared Image Fusion and Segmentation. ICCV 2025.
论文简介：
AMDANet针对RGB-红外跨模态语义分割中“特征差异大、难以对齐”这一核心瓶颈，提出“注意力驱动的多视角差异对齐”框架：SCI模块从语义一致性推断编码器的模态偏好并在线抑制，FDAM模块在局部通道-空间与全局显著性交叉注意力两个视角同步压缩视觉差异，MFML策略以互掩互补方式强化鲁棒融合。三大组件协同，实现差异特征“先抑制、再对齐、后互补”，在FMB、MFNet、PST900 上分别取得 64.8%、62.1%、88.5% mIoU，较现有最优方法提升1.6–3.6个百分点，同时融合图像在 EN、SCD等指标上同步领先，验证了“差异对齐即分割性能”这一设计思想的有效性与先进性。
