基于 2D 高斯分布的空间输运用于点监督密度回归
计算机视觉与模式识别
2025-11-25 v2
摘要
本文引入了 Gaussian Spatial Transport（GST），一种新型框架，利用高斯溶解来促进从图像坐标空间概率度量到注释图的传输。我们提出了一种基于高斯溶解的方法，用于估计像素-注释对应关系，然后用于计算基于贝叶斯概率的传输方案。为将结果传输方案集成到典型计算机视觉任务中标准网络优化，我们推导了一个衡量传输后差异的损失函数。在代表性计算机视觉任务上进行的大量实验，包括人群计数和地标检测，验证了该方法的有效性。与常规最优传输方案相比，GST 在训练期间消除了迭代传输方案计算，显著提高了效率。代码已公开于 https://github.com/infinite0522/GST。
引用
@article{arxiv.2511.14477,
title = {2D Gaussians Spatial Transport for Point-supervised Density Regression},
author = {Miao Shang and Xiaopeng Hong},
journal= {arXiv preprint arXiv:2511.14477},
year = {2025}
}
备注
15 pages, 6 figures. This is the preprint version of the paper and supplemental material to appear in AAAI, 2026. Please cite the final published version. Code is available at https://github.com/infinite0522/GST