arXiv:2610.28856v1 于 2026 年 10 月 20 日（周二）19:29:42 UTC 提交，属于计算机视觉与模式识别（cs.CV）类别中的新论文。论文题为《Depth-guided Geometric Adaptation for Few-shot Image Classification》（面向小样本图像分类的深度引导几何自适应），作者为 Zhiqi Miao 及另外三位合作者，全文约 9,476 KB。该工作已被 IEEE/CVF 计算机视觉应用冬季会议（WACV）2027 接收。
论文针对小样本图像分类（FSIC）中长期存在的视觉歧义问题展开研究。在训练样本极度稀缺的条件下，背景杂乱以及 RGB 外观上的相似性会严重干扰判别性特征的匹配，导致模型难以区分真正属于目标类别的特征与来自背景或相似类别的虚假对应。为缓解这一问题，作者提出了 DAFIC——一个几何引导的框架，将单目深度信息系统性地引入到表示学习、情景式（episodic）自适应以及密集的支持集—查询集匹配三个环节之中。
DAFIC 的方法流程可分为三个主要阶段。首先，模型通过 RGB-D 自监督预训练学习具有几何感知能力的 token 表示，使特征在初始阶段就携带深度线索。其次，深度引导几何自适应（Depth-guided Geometric Adaptation，DGA）模块利用由深度推导出的几何信息，在融入几何信息的类别上下文条件下对图像块（patch）表示进行细化，同时抑制背景干扰。最后，空间双向图像块匹配（Spatial Bidirectional Patch Matching，SBiM）在细化后的特征上执行双向密集匹配，以降低对虚假对应关系和背景杂波的敏感度。
作者在四个基准数据集上进行了大量实验，结果显示 DAFIC 相对现有方法取得了强劲的性能表现。消融实验与鲁棒性分析进一步支持了将几何条件化的情景自适应与双向匹配相结合这一设计在小样本视觉识别任务中的有效性。论文摘要强调，正是这种耦合方式带来了性能提升，而非单一模块的孤立贡献。
需要指出的是，上述结论均来自论文摘要所描述的实验设置，具体的数据集名称、对比方法、性能数值以及鲁棒性测试的具体条件并未在摘要中给出，读者需查阅全文（PDF、实验性 HTML 或 TeX 源码）以获取完整细节。该论文的 DOI 为 10.48550/arXiv.2610.28856，由 DataCite 颁发（注册尚待完成）。