CoDi——面向低样本计数的以示例为条件的扩散模型
计算机视觉与模式识别
2025-12-24 v1
摘要
低样本目标计数通过仅使用少量或无注释的测试时间示例来估计图像中先前未观察到的目标数量。现代低样本计数器在密集小目标区域面临显著挑战。虽然密度基方法在此类情境下通常能准确预测总计数，但其局化能力较差。点检测基方法更能实现局化，但由于预训练查询数量有限，在目标数量极大的图像上表现不佳，需依赖上采样和拼接等临时技术。我们提出 CoDi——首个基于潜在扩散的低样本计数器，生成高质量密度图并通过非极大值抑制确定目标位置。我们的核心贡献是新的示例条件模块，从而提取并调整目标原型到去噪网络的中间层，实现精确的目标位置估计。在 FSC 数据集上，CoDi 在 few-shot、one-shot 和 reference-less 场景下分别比最先进方法提高了 15%、13% 和 10% 的 MAE，并在 MCAC 数据集上以 44% 的 MAE 优势刷新最先进纪录。代码已公开于 https://github.com/gsustar/CoDi。
引用
@article{arxiv.2512.20153,
title = {CoDi -- an exemplar-conditioned diffusion model for low-shot counting},
author = {Grega Šuštar and Jer Pelhan and Alan Lukežič and Matej Kristan},
journal= {arXiv preprint arXiv:2512.20153},
year = {2025}
}