PG-FM
一种用于RGB-T目标检测的轻量特征调制方法，通过估计各模态损坏类型与严重程度生成提示向量，对融合特征进行输入相关的动态调制，无需修复输入即可提升损坏条件下的检测鲁棒性。
时间轴 (近 90 天)
论文《Shifting Focus by Reliability: Geometric Fusion Modulation for Robust RGB-T Detection》提出PG-FM（Prompt-Guided Feature Modulation），一种无需修复输入、直接让检测器适应信号质量变化的轻量适配方案。
PG-FM的核心思想是不修复损坏输入，而是为每个模态估计损坏类型与严重程度，生成提示向量，并利用这些提示对融合特征进行调制。
在受控的RGB-T损坏模拟下，PG-FM在保持干净数据集性能的同时，将损坏条件下的mAP50在FLIR数据集上最多提升20.8点，在KAIST数据集上最多提升19.9点。
PG-FM无需重新训练即可迁移到未修改的自然采集外部RGB-T数据集上，展现了良好的泛化能力。
直接让检测器适应信号质量变化，比先修复再检测的路线更高效且更有效。
PG-FM的轻量特性使其适合实际部署，避免了修复方法带来的延迟问题。
全部知识事实 (6)
论文《Shifting Focus by Reliability: Geometric Fusion Modulation for Robust RGB-T Detection》提出PG-FM（Prompt-Guided Feature Modulation），一种无需修复输入、直接让检测器适应信号质量变化的轻量适配方案。
50%待验证PG-FM的核心思想是不修复损坏输入，而是为每个模态估计损坏类型与严重程度，生成提示向量，并利用这些提示对融合特征进行调制。
50%待验证在受控的RGB-T损坏模拟下，PG-FM在保持干净数据集性能的同时，将损坏条件下的mAP50在FLIR数据集上最多提升20.8点，在KAIST数据集上最多提升19.9点。
50%待验证PG-FM无需重新训练即可迁移到未修改的自然采集外部RGB-T数据集上，展现了良好的泛化能力。
50%待验证直接让检测器适应信号质量变化，比先修复再检测的路线更高效且更有效。
50%待验证PG-FM的轻量特性使其适合实际部署，避免了修复方法带来的延迟问题。
50%