FlowDet：统一目标检测与生成式传输流
计算机视觉与模式识别
2025-12-19 v1
摘要
我们提出FlowDet，即首个采用现代条件流匹配技术进行目标检测的框架。该工作源自DiffusionDet，其最初将检测建模为通过扩散在边界框空间中进行的生成式去噪问题。我们重新审视并推广了该表述，适用于更广泛的生成式传输问题，同时保持可变检测框数和推理步数无需重新训练的能力。与扩散引发的曲线随机传输路径相比，FlowDet学习更简单、更直线的路径，使得检测性能随推理步数增长的扩展速度更快。我们发现，这一表述使我们能够在广泛的实验中超越基于扩散的检测系统（以及非生成式基线方法），包括在多种精度/召回 operating points 上使用多种特征backbone和数据集。特别是在recall受限设置下，我们可以突出生成式传输的效果，而无需通过大量候选框进行过度补偿。这在COCO和LVIS数据集上分别实现了最高可达+3.6% AP和+4.2% AP的提升。
引用
@article{arxiv.2512.16771,
title = {FlowDet: Unifying Object Detection and Generative Transport Flows},
author = {Enis Baty and C. P. Bridges and Simon Hadfield},
journal= {arXiv preprint arXiv:2512.16771},
year = {2025}
}