论文速览手册 | 芙芙の小窝

存储所读论文的精简内容（一句话核心 + 方法要点 + 关键结果），便于快速回顾。

1. CDSD / S-DGOD（CVPR 2022）

基本信息：Single-Domain Generalized Object Detection in Urban Scene via Cyclic-Disentangled Self-Distillation｜Wu & Deng（西安电子科技大学）

一句话核心：首次提出 Single-DGOD 任务；用循环解耦在无域标签下拆出域不变特征（DIR），再用自蒸馏把 DIR 灌回骨干中间层，提升未知域泛化。

任务：只用白天晴天一个源域训练检测器，泛化到夜晚/雨/雾等未见目标域（Diverse-Weather，7 类）。

方法要点：

循环解耦：骨干特征 Fb 经 EDIR/EDSR 拆成域不变 Fdi + 域特有 Fds；再反向解耦一次（Fdi→Fi2i/Fi2s，Fds→Fs2i/Fs2s），用对比损失（全局 Lgc + 实例 Lic）逼两个提取器分干净——不需要域标签；
DIR 自蒸馏：Fdi 当老师，蒸馏到骨干中间层 F1/F2/F3——特征级 Lfc（L2 距离）+ 分类级 Lcc（KL 散度），让中间层也富含域不变信息；
推理：只用 Fdi 分支做检测（丢弃 Fds）。

关键公式：

$L = L_{rpn} + L_{cls} + L_{loc} + \lambda(L_{cd} + L_{sd}), \quad \lambda=0.01$

（Lcd = Lgc + Lic 循环解耦；Lsd = Lfc + Lcc 自蒸馏）

结果（mAP%）：

测试域	Faster R-CNN	CDSD	提升
Night-sunny	33.5	36.6	+3.1
Dusk-rainy	26.6	28.2	+1.6
Night-rainy	14.5	16.6	+2.1
Daytime-foggy	31.9	33.5	+1.6

贡献：① 定义 Single-DGOD 任务与 Diverse-Weather 基准；② 无域标签的循环解耦；③ 基于 DIR 的自蒸馏。

与后续工作的关系：武老师组“模拟派”起点——SE-COT/MR-DCoT/LTFE 都在它定义的基准上对比；消融显示自蒸馏是主要增益来源（Daytime-sunny 48.7→56.1）。

链接：

KL 散度
对比学习
知识蒸馏（DIR 自蒸馏原理）
论文链接

2. SE-COT（CVPR 2025）

📄 完整笔记

基本信息：Style Evolving along Chain-of-Thought for Unknown-Domain Object Detection｜Zihao Zhang、Aming Wu、Yahong Han（天津大学/西电）｜arXiv:2503.09968

一句话核心：用文本 CoT（词→短语→句子）生成逐步丰富的风格描述，经 CLIP 编码 + AdaIN 注入源域特征模拟未知域风格；配合风格/内容解耦和类原型保持语义。

任务：Single-DGOD（同 CDSD 基准）——只训白天晴天，泛化到夜晚/雨/雾等未知域。

方法要点：

CoT 风格演化（3.1）：文本三级演化词→短语→句子，CLIP 逐级累加文本特征 Ft1/Ft2/Ft3；AdaIN 注入（μt,σt 由文本学出），造“雨夜”等风格样本；
风格/内容解耦（3.2）：EStyle/EContent 拆 Fs/Fc；Ld 对比损失（拉近 F1↔Fs、推远 F1↔Fc）+ Lsc 风格一致（对齐源域文本）+ Lgc 内容一致（对齐类原型）；
类特定原型（3.3）：软分配+残差聚类出每类原型，增强内容特征并监督解耦。

关键公式：

$F_t^1 = \sum E_{text}(W_i^r), \quad F_t^2 = E_{text}(P_r) + F_t^1, \quad F_t^3 = E_{text}(S_r) + F_t^2$

$F_i = \sigma_t \odot \frac{F_s - \mu(F_s)}{\sigma(F_s)} + \mu_t \quad (AdaIN), \quad L_{tc} = 1 - sim(F_i, F_t^3)$

结果（mAP%，Res101）：

域	Day Clear	Night Sunny	Dusk Rainy	Night Rainy	Day Foggy
SE-COT	55.4	42.0	39.2	24.5	40.6
(SE-COT Swin-T)	64.4	52.7	49.5	33.7	44.9

贡献：① 首次把 CoT 引入风格演化（文本逐级丰富）；② 风格/内容解耦三损失；③ 类特定原型增强+监督。

与后续工作的关系：MR-DCoT（TPAMI 2026）是它的期刊扩展版（Simulation→Regression 闭环、视觉-文本双链）；LTFE 批评其“依赖目标域文本先验”。

链接：

3. MR-DCoT（TPAMI 2026）

📄 完整笔记

基本信息：Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection｜Zihao Zhang、Aming Wu、Yang Li、Yahong Han（天津大学/合工大）｜arXiv:2607.07192

一句话核心：把 Single-DGOD 重新定义为流形回归问题——视觉-文本双链 CoT 造“离流形难样本”，再用类特定原型锚定的投影算子 H 把它们拉回源域语义流形（Simulation→Regression 闭环）。

任务：Single-DGOD（Diverse-Weather + Real-to-Art + 零样本域自适应分割）。

方法要点：

DFE 解耦（模块①）：Es/Ec 拆 Fs/Fc + 正交约束 L_dis + 风格一致性 L_sc；
Dual-CoT 造难样本（模块②）：文本链（CoT 三级 + AdaIN 注入）+ 视觉链（高斯模糊扩散前向 + 文本引导 U-Net 去模糊），融合成离流形特征 Fe；
流形回归 MR（模块③）：软分配+残差聚合出类原型 P_k（流形锚点）；投影算子 H 把离流形特征拉回原型邻域（L_global 对比 + L_local 残差）。

关键公式：

$L_{total} = L_{det} + L_{emb} + L_{align} + L_{diff} + L_{reg}$

$P_k = W_p \frac{V_k}{\|V_k\|_2}, \quad L_{reg} = L_{global} + \lambda_{loc}L_{local}$

结果（mAP%，Res101）：

域	Day Clear	Night Sunny	Dusk Rainy	Night Rainy	Day Foggy
MR-DCoT	56.2	47.4	42.2	28.1	42.8
(MR-DCoT Swin-T)	65.1	54.6	53.2	36.4	48.3

贡献：① 范式升级：Simulation→Regression 闭环；② 视觉-文本双链 CoT（补结构退化模拟）；③ 原型锚定流形回归（学纠错而非穷举扰动）。

与后续工作的关系：SE-COT 的 TPAMI 期刊扩展版（更全面）；五框架（Faster R-CNN/YOLO/DiffusionDet/GLIP-T/DINO）通用。

链接：

4. LTFE（AAAI 2026）

📄 完整笔记

基本信息：Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection｜Zihao Zhang、Yang Li、Aming Wu、Yahong Han（天津大学/合工大）｜arXiv:2511.09909

一句话核心：把域偏移建模成连续时序特征演化——渐进模糊+噪声造演化轨迹（PTFE）、LSTM 记时序依赖（TDM）、Neural ODE/LNN 动态生成卷积核（LPE）、TFAM 保语义；推理时 2 步演化做测试时特征自适应。

任务：Single-DGOD（Diverse-Weather + Real-to-Art），纯视觉时序（不用文本/VLM）。

方法要点：

PTFE 渐进时序演化： $F_t = G(\sigma_t) \circledast F_{t-1} + \xi_t G(\sigma_t)$ ——模糊指数增长（λ=1.2）+ 噪声指数衰减（κ=0.2），模拟“从精细到粗糙”的连续退化；
TDM 时序依赖：LSTM 建模特征序列，捕捉演化轨迹长程依赖；
LPE 液态参数演化（核心）：Neural ODE/LNN 动态生成卷积核 $W_t = ODESolve(f, W_0, H_t, \hat\tau)$ ——域偏移越大演化越久； $\hat F_t = Conv2D(F_0, W_t) + F_0$ （残差保语义）；
TFAM 对齐：类内一致性 + 类间可分性，保证演化不丢语义。

关键公式：

$L_{total} = L_{cls} + L_{reg} + L_{align}$

结果（mAP%，Res101）：

域	Day Clear	Night Sunny	Dusk Rainy	Night Rainy	Day Foggy
LTFE	58.4	43.1	39.7	24.3	41.2
(LTFE Swin-T)	64.2	53.1	46.5	33.4	46.4

贡献：① 连续时序演化（PTFE）模拟真实渐变退化；② 液态参数演化（LPE，Neural ODE/LNN 动态核）；③ 推理 2 步演化（测试时特征自适应）。

与后续工作的关系：武老师组“模拟派”最新一支——甩开文本，纯视觉时序；推理有前向成本（6.4 FPS），与 MR-DCoT“零开销”形成取舍。

链接：

5. Cauvis（NeurIPS 2025）

📄 完整笔记

基本信息：Towards Single-Source Domain Generalized Object Detection via Causal Visual Prompts｜Chen Li、Huiying Xu、Changxin Gao、Zeyu Wang、Yun Liu、Xinzhong Zhu（华科/浙师大/西工大/南开）⚠️非武老师组｜arXiv:2510.19487

一句话核心：冻结 DINOv2 + 视觉提示（交叉注意力，理论等价 Pearl 后门调整）+ 傅里叶双分支适配器，抑制伪相关、不造任何合成数据（因果干预派）。

任务：Single-DGOD（Diverse-Weather）+ Cityscapes-C 损坏鲁棒性（mPC）。

方法要点：

Cross-Attention Prompts（4.1）：提示=独立于图像域的“伪模态”信号，交叉注意力与图像融合；SVD 把注意力分解为因果子空间（top-k 奇异方向）与伪相关（小奇异值），软阈值过滤——等价后门调整 $P(\hat y|do(X))=\sum_z P(\hat y|X,z)P(z)$ ；
Dual-Branch Adapter（4.2）：因果分支（MLP 映射提示激活→因果特征 $y_i=\sigma(MLP(\tilde p_i))$ ）+ 傅里叶分支（FFT 高通/相位滤波提取域不变高频）；
训练极省：只用标准交叉熵损失，不加显式解耦/对抗损失；冻结 DINOv2 只调 ~1% 参数。

关键公式：

$A = U\Sigma V^\top \quad (SVD\ 因果子空间 ), \quad y_i = \sigma(MLP(\tilde p_i))$

结果（mAP%，DINOv2+DINO）：

域	Day Clear	Night Sunny	Dusk Rainy	Night Rainy	Day Foggy
Cauvis	73.7	61.2	64.6	47.6	56.5

贡献：① 首次把 DINOv2 当 SDGOD backbone；② 因果视角建立伪相关→泛化下降的理论框架；③ 交叉注意力提示等价后门调整 + 双分支适配器。

与后续工作的关系：因果干预派（不造数据）vs 武老师组模拟派；⚠️ 高分含 DINOv2 红利（消融：去掉后 Avg 60.7→34.2），和 Res101 系比数字需谨慎。

链接：

交叉熵与大模型
傅里叶变换（傅里叶分支的数学基础）
KL 散度（含 FFT 内容）
论文链接

6. DSD / LMPNet（ICML 2026）

📄 完整笔记

基本信息：Beyond Point Predictions: Manifold Expansion and Dual Alignment for Robust Time Series Distillation｜Junyao Hong、Zesheng Lai、Xinyi Xiao、Suyang Zhou、Aodong Shen、Youyong Kong（东南大学）｜ICML 官方页面

一句话核心：时间序列结构蒸馏——蒸馏该传“结构关系”而非“逐点数值”；LMP-Net（流形扩展）做轻量学生 + 双流形对齐（SPKD 拓扑 + OT 几何）+ RAAD 防负迁移。

任务：长时序预测（LTSF）蒸馏——轻量学生追赶 Transformer 教师（8 数据集：ETT 家族/Electricity/Traffic/Weather/Exchange）。

方法要点：

LMP-Net（模块①，学生）：Expand-Evolve-Contract（升维→演化→收缩），Cover 定理——高维空间易建模非线性，0.18M 参数保持近线性；
Dual Manifold Alignment（模块②）：Macro-SPKD（样本间关系/拓扑对齐，Gram 矩阵）+ Micro-OT（token 细节/几何对齐，Sinkhorn 软匹配）——解决教师 token 与学生 point 粒度不匹配；
RAAD（模块③）：regime 先验（验证集选 κ）+ 置信度门控（g=exp(−ηe)）——教师预测不可靠时“敢关掉预测蒸馏”，防负迁移。

关键公式：

$L_{total} = (1-\kappa_{KD})L_{task} + \kappa_{KD}L_{KD} + L_{align}$

结果（MSE，越低越好）：DSD 稳定提升学生：ETTh1 0.452→0.430（-4.87%）、Weather 0.254→0.246；0.18M 学生超 13.89M 教师（ETTh1 0.472 vs 0.488，快 15 倍）。

贡献：① 结构蒸馏 > 逐点匹配（负迁移分析）；② 双流形对齐（拓扑 + 几何）；③ RAAD 防负迁移（regime + 置信度双层过滤）。

与课题的关系：蒸馏方法论教材（“怎么蒸得稳”）——检测蒸馏可借鉴：结构对齐代替简单特征对齐、教师不可靠时按域/样本关蒸馏（CD-FKD 的弱点）。

链接：

对比学习（SPKD 关系对齐思想相通）
知识蒸馏（结构蒸馏方法论）
论文链接｜OpenReview

7. TimeDistill（KDD 2026）

📄 完整笔记

基本信息：TimeDistill: Efficient Long-Term Time Series Forecasting with MLP via Cross-Architecture Distillation｜Juntong Ni、Zewen Liu、Shiyu Wang、Ming Jin、Wei Jin（Emory/Griffith）｜ACM DOI

一句话核心：跨架构蒸馏——Transformer/CNN 教师 → 纯 MLP 学生；用多尺度（时域下采样）+ 多周期（频域 FFT）双视角，在预测级+特征级双层面对齐；理论：KD ≈ mixup 增广。

任务：长时序预测（LTSF）——8 数据集（ECL/ETT×4/Solar/Traffic/Weather），轻量 MLP 追赶 Transformer 精度。

方法要点：

多尺度蒸馏（时域）：预测/特征逐级下采样（stride=2 Conv）多级 MSE 对齐——学生学“粗看细看都像教师”；
多周期蒸馏（频域）：FFT → 振幅 → 冷温度 softmax → 周期分布，KL 散度对齐——学生学“哪些周期占主导”；
理论（Theorem 4.1/4.2）：监督+蒸馏 ≈ mixup 增广上界——目标软化带来泛化/稳定收益。

关键公式：

$L = L_{sup} + \alpha(L^Y_{scale} + L^Y_{period}) + \beta(L^H_{scale} + L^H_{period})$

结果：7/8 数据集 MSE 最优、全部 MAE 最优；超教师最多 +5.37%、超无蒸馏 MLP 最多 +13.87%；7× 推理加速、130× 少参数（vs Autoformer 196×）。

贡献：① 首个跨架构 KD 的时序蒸馏框架；② 多尺度+多周期（时频双域）；③ KD≈mixup 理论分析。

与课题的关系：跨架构蒸馏方法论（“怎么蒸得全”）——检测迁移点：FPN 多尺度对齐（对应多尺度蒸馏）、频域蒸馏（对应多周期）、大检测器→轻量检测器（对应跨架构）。

链接：

傅里叶变换（FFT 频谱分解的数学基础）
KL 散度（FFT→softmax→KL，多周期蒸馏场景）
交叉熵与大模型（KD ≈ mixup 理论）
知识蒸馏（跨架构蒸馏）
论文链接｜代码

8. SARD（CVPR 2026）

📄 完整笔记

基本信息：Structure-Aware Representation Distillation for Tiny-Dense Object Segmentation｜Liu 等｜代码

一句话核心：微型密集目标分割的结构感知蒸馏——不走“模仿 mask”，从教师特征算一张“哪里重要”的结构图（边界显著性 + 几何复杂度 + 空间密度），再按重要性加权做“点对点特征一致 + 去噪分数匹配分布对齐”，让学生把容量花在几何关键位置。

任务：微型密集目标分割（岩石碎片/细胞/烟羽——每图数千个小而互相接触的物体），Cityscapes + ADE20K + RockFrag（极端密集挑战基准）。

SARD 教师-学生蒸馏架构

方法要点：

结构重要性图 S(i)（核心，式 5-9）：对教师特征 FT 做 Sobel 梯度 → 结构张量 $J=\sum_c\nabla F^{(c)}\nabla F^{(c)\top}$ （特征值 $\lambda_1\ge\lambda_2$ ）→ 三分量 $E=\lambda_1-\lambda_2$ （边界显著性）、 $C=\lambda_1\lambda_2$ （交点/角点）、 $D$ （局部特征离散度，密度代理）→ $S=\alpha_eE+\alpha_cC+\alpha_dD$ → 归一化 $W(i)=S(i)/\sum_jS(j)$ ——不需要实例标注，兼容半监督；
L_FC 特征一致性（式 11）：师生特征各经 1×1 卷积投影到共享空间，按 W 加权的点对点 L2——W(i) 大的边界/密集区误差被放大（梯度大），背景区域学习信号被稀释；
L_DA 分布对齐（式 12-13）：教师特征加噪 $\tilde F^T=\sqrt{\bar\alpha}\hat F^T+\sqrt{1-\bar\alpha}\,\varepsilon$ ，轻量去噪头 g（两层卷积）用学生特征预测噪声——去噪分数匹配 ≈ 逼近教师特征的 log-密度梯度，学点值之外的“局部分布形状”；
任务监督（式 14）：学生解码器 $D_S(F_S)\to M_S$ ， $L_{task}=Dice+BCE$ 对真值（无 GT 的图只算 L_repr）。

关键公式：

S(i)=\alpha_eE(i)+\alpha_cC(i)+\alpha_dD(i),\qquad W(i)=\frac{S(i)}{\sum_j S(j)}

L_{repr}=\lambda_f\sum_i W(i)\|\hat F^S(i)-\hat F^T(i)\|_2^2+\lambda_d\sum_i W(i)\|g(\hat F^S(i))-\varepsilon(i)\|_2^2

结果（mIoU/bIoU%）：Cityscapes 80.3/76.1、ADE20K 46.9/40.8、RockFrag 60.2/47.3（vs CWD +4.3/+6.7，越密集增益越大）；架构通用（Swin-L→Swin-T、SAM-H→EfficientSAM-Ti、Mask2Former-L→R50 均 +1.5~~1.8 mIoU/+2.3~~2.7 bIoU）；消融：均匀加权 → 结构加权 +4.8 mIoU，E/C/D 全组合最优；ViT-T（5.7M）反超 SegFormer-B1；ResNet-50 蒸馏后 7.7× 参数减少、9× 吞吐。

贡献：① 结构重要性图空间加权蒸馏（E/C/D 互补，别均匀对齐）；② 去噪分数匹配做分布级特征对齐（学“分布”不止“点值”）；③ 微型密集分割新基准 RockFrag；④ 教师只出特征、任意分割大模型通用、推理零额外开销（5~25M 学生）。

与课题的关系：检测蒸馏可直接借鉴——“哪里重要就加权哪里”：小目标/密集交通/物体边界应加权（CD-FKD 等均匀对齐的弱点）；分布对齐呼应 DSD“结构 > 数值”但实现不同；教师无关（SAM/Mask2Former 也可当异构特征老师）。

链接：

知识蒸馏（SARD 结构加权蒸馏原理）
论文阅读：DSD（ICML 2026）（同样主张“结构/关系优于点值对齐”）
代码

9. UCOD-MKD（CVPR 2026）

📄 完整笔记

基本信息：Beyond Weak Supervision: MLLMs-Guided Graded Knowledge Distillation for Unsupervised Camouflaged Object Detection｜Huafeng Chen、Chenguang Zhu、Yueming Lyu、Caifeng Shan（南京大学/西工大）｜代码

一句话核心：无监督伪装目标检测（UCOD）——用冻结的 MLLM（CA-CoT 分步推理出框）+ SAM（出候选掩码）当“免费教师”，GME 按候选掩码一致性把伪标签分成高/正常/低三档（丢弃低质量），GKD 再按质量做图像级与像素级差异化蒸馏轻量学生——全程零人工标注。

任务：无监督伪装目标检测（COD：岩石上的蛇、叶子里的昆虫等融入环境的物体），完全不用像素级/人工标注；CAMO + COD10K + NC4K。

UCOD-MKD 教师-学生框架

方法要点：

CA-CoT（模块①）：纯文本 5 步思维链引导 MLLM（Qwen2.5-VL 3B）找伪装物——全局场景 → 推断伪装类型 → 粗锚定 → 几何精确定位 → 返回 bbox（缓解 MLLM 幻觉/抖动，几乎零额外成本）；
GME（模块②，无参数）：SAM 对同一 box 出 3 个候选掩码，用两两 IoU+SSIM 相似度 $SIM=\frac12(IoU+SSIM)$ 评估质量 $S_j$ ，分三档 $Q_j=0/1/2$ （ $S_j<0.6$ 丢弃）——候选掩码越一致 = SAM 分割越稳定 = 质量越高；
GKD 图像级（式 5）：低质量 $Q_j=0$ 用 Self-KD（ $L_1(P,P')$ ，图像内容还有价值）；正常 $Q_j=1$ 用 CE 监督；高质量 $Q_j=2$ 用 CE+L1+MSE 三重强监督；
GKD 像素级（式 6-8）：候选掩码平均置信度 $\bar V$ → 熵 $E_i$ → 权重 $M_i=1-E_i$ （边界等摇摆像素降权）；另把框外像素当可靠背景先验单独监督（MLLM 失败主要是过度定位，框外几乎一定是背景）。

关键公式：

Q_j = \begin{cases} 0 & \text{if } S_j < 0.6 \quad (\text{低质量}\to\text{丢弃})\\ 1 & \text{if } 0.6 \le S_j < 0.9 \quad (\text{正常})\\ 2 & \text{if } S_j \ge 0.9 \quad (\text{高质量}) \end{cases}

L_{GKD} = \sum_i L_{IeKD}(P_i, V_i)\cdot M_i + \sum_{i\in\tilde S} L_{IeKD}(P_i, S_i)

结果（无监督方法，CAMO：MAE↓/Sm↑/Em↑/Fw↑）：FOUND 0.127/0.701/0.784/0.606、UCOS-DA 0.129/0.685/0.782/0.584、UCOD-DPL 0.085/0.764/0.833/0.701 → UCOD-MKD 0.071/0.809/0.875/0.753（MAE 比 UCOD-DPL 降 16%+），零样本设置也有效。

贡献：① 首个用“MLLM + SAM 免费大模型知识”做 UCOD 的教师-学生框架；② CA-CoT 任务定制推理链缓解 MLLM 幻觉；③ GME 无参数分级（quality over quantity，候选一致性 ≈ 质量）；④ GKD 图像级/像素级按质量差异化蒸馏；⑤ 推理纯轻量学生，教师零额外开销。

与课题的关系：蒸馏方法论新弹药——“教师不一定要同构大网络”（MLLM/SAM 可当异构知识源）；按质量分级学呼应 DSD 的 RAAD“教师不可靠就少学”（强信号强学、弱信号弱学/自蒸馏兜底）；过滤低质量伪标签对应负迁移防护。

链接：

知识蒸馏（GKD 属 KD 家族；低质量样本用 Self-KD）
推理模型深度思考原理笔记（CA-CoT 思维链）
论文链接｜代码

10. UniRain（CVPR 2026）

📄 完整笔记

基本信息：UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization｜Qianfeng Yang、Qiyuan Guan、Xiang Chen 等（大连工业大学/南京理工）｜arXiv:2603.03967｜代码

一句话核心：统一图像去雨（一个模型同时处理白天/夜间 × 雨线/雨滴四类退化）——发现”200 万+ 对公开雨图直接混合训练反而更差”，于是 ① 用 RAG+VLM 离线”蒸馏”出 2.6% 高质量样本（RainRAG）；② asymmetric MoE（soft 编码 + hard 解码）建模多样退化；③ 训练按各退化类型损失收敛斜率动态重加权，让四类同步收敛。

任务：统一图像去雨（DRS/DRD/NRS/NRD 四类）+ 扩展到雨雪雾 all-in-one；真实基准 RealRain-1k、RainDS-real-RD、WeatherBench。

UniRain 框架

方法要点：

RAG 数据蒸馏（核心，注意非综述里”合成数据集”那类蒸馏）：真实雨图（无 GT）当”质量标准”建库 → 查询图经三级分层检索（CLIP 文本 L2 → CLIP 视觉余弦 → SSIM）收紧参考集 → 3 个 VLM（InternVL2.5-8B/LLaVA-NeXT-7B/MobileVLM-3B）多数投票判合成样本是否”接近真实分布”——>200 万对筛到 2.6%（52,869 对）RainRAG；
Asymmetric MoE：Encoder 用 soft-MoE（连续路由，全局池化+高斯噪声负载均衡）穷尽探索多样化退化线索；Decoder 用 hard-MoE（Top-k 硬路由）聚焦结构与细纹理重建——消融 27.54→28.93 PSNR，soft+soft 反而不如；
Multi-objective Reweighted：四类退化当四个目标，滑动窗口 N=10 内对归一化 loss 做最小二乘回归估计收敛斜率 λ_i → TBS（收敛快的降权/慢的升权，拉齐收敛）+ TSS（发散/震荡类型降权）+ AF（早期 TBS 主导、后期 TSS 介入）→ 只动标量权重、可移植（PromptIR +0.97 dB）。

关键公式：

\omega_i(t)=AF(t)\cdot TBS_i(t)+\big(1-AF(t)\big)\cdot TSS_i(t)

结果：RainRAG 四类平均 PSNR 28.93（URIR 27.91 / NeRD-Rain 27.65 / Restormer 27.89，DRD 上 +1.35dB）；真实基准 RealRain-1k 36.51；FLOPs 126.5G / Params 24.4M（低于 Restormer/DRSformer）；all-in-one WeatherBench 26.01（TransWeather 24.70）。

贡献：① 首个 RAG+VLM 数据级”蒸馏”（真实图当质量标准筛合成数据）；② asymmetric MoE（soft 编码穷尽探索 + hard 解码聚焦重建）；③ 多目标收敛斜率重加权（TBS/TSS/AF，仅标量权重）；④ 统一四类雨况 + 雨雪雾扩展。

与课题的关系：有 GT 场景下”质量分级放哪”的另一种答案——训练前离线筛数据（2.6% 高质量子集）而不是 UCOD 式在损失层分级；对 SDGOD 的启发：风格化/扩散合成样本可做离线保真筛选；多目标按子集损失收敛斜率动态调权可平衡各模拟域训练（现有 SE-COT/MR-DCoT/LTFE 都是等权混合，无人做）；⚠️ RAG 依赖真实参考库，Single-DGOD 目标域未知时只能借鉴思想不能照搬。

链接：

论文阅读：UCOD-MKD（CVPR 2026）（“大模型当质量裁判”跨任务通用：GME 一致性 vs VLM 投票）
论文链接｜代码