arXiv:2610.28856v1 於 2026 年 10 月 20 日（週二）19:29:42 UTC 提交，屬於計算機視覺與模式識別（cs.CV）類別中的新論文。論文題為《Depth-guided Geometric Adaptation for Few-shot Image Classification》（面向小樣本影像分類的深度引導幾何自適應），作者為 Zhiqi Miao 及另外三位合作者，全文約 9,476 KB。該工作已被 IEEE/CVF 計算機視覺應用冬季會議（WACV）2027 接收。
論文針對小樣本影像分類（FSIC）中長期存在的視覺歧義問題展開研究。在訓練樣本極度稀缺的條件下，背景雜亂以及 RGB 外觀上的相似性會嚴重干擾判別性特徵的匹配，導致模型難以區分真正屬於目標類別的特徵與來自背景或相似類別的虛假對應。為緩解這一問題，作者提出了 DAFIC——一個幾何引導的框架，將單目深度資訊系統性地引入到表示學習、情景式（episodic）自適應以及密集的支援集—查詢集匹配三個環節之中。
DAFIC 的方法流程可分為三個主要階段。首先，模型透過 RGB-D 自監督預訓練學習具有幾何感知能力的 token 表示，使特徵在初始階段就攜帶深度線索。其次，深度引導幾何自適應（Depth-guided Geometric Adaptation，DGA）模組利用由深度推匯出的幾何資訊，在融入幾何資訊的類別上下文條件下對影像塊（patch）表示進行細化，同時抑制背景干擾。最後，空間雙向影像塊匹配（Spatial Bidirectional Patch Matching，SBiM）在細化後的特徵上執行雙向密集匹配，以降低對虛假對應關係和背景雜波的敏感度。
作者在四個基準資料集上進行了大量實驗，結果顯示 DAFIC 相對現有方法取得了強勁的效能表現。消融實驗與魯棒性分析進一步支援了將幾何條件化的情景自適應與雙向匹配相結合這一設計在小樣本視覺識別任務中的有效性。論文摘要強調，正是這種耦合方式帶來了效能提升，而非單一模組的孤立貢獻。
需要指出的是，上述結論均來自論文摘要所描述的實驗設定，具體的資料集名稱、對比方法、效能數值以及魯棒性測試的具體條件並未在摘要中給出，讀者需查閱全文（PDF、實驗性 HTML 或 TeX 原始碼）以獲取完整細節。該論文的 DOI 為 10.48550/arXiv.2610.28856，由 DataCite 頒發（註冊尚待完成）。