HF 論文速讀 2026-07-14
今日重點是以更有效率的表徵與聚合設計，推進時間序列、物件計數與點雲 3D 偵測的排行榜表現。
五篇中有三篇聚焦 3D 偵測：競爭核心正從堆疊模型規模，轉向更好的空間位置建模、特徵融合與高效率骨幹。
今天先記三件事
- LION 以 Linear Group RNN 取代 SECOND 3D backbone，在 ONCE 達 mAP 66.6。
- TR3D、V-DETR 都在 SUN RGB-D 強調空間表徵；前者融合 PC+RGB，後者加入 Vertex 相對位置。
- 除 3D 偵測外，Moirai 2.0 與漸進式 Query Aggregation 分別登上預測與計數榜單前段。
五篇速讀
Moirai 2.0：時間序列預測的少即是多
預測榜首
為什麼重要：在 BOOMLET 時間序列預測以 CRPS 0.467 排名第 1，題名直接挑戰「更大就更好」的預設。
帶走什麼：評估預測模型不能只看規模；應以 CRPS 等任務指標檢驗是否真的改善不確定性預測。
下一步：先讀模型卡與 BOOMLET 設定，確認資料切分、預測範圍與比較基線。
以漸進式 Query 聚合實現跨尺度物件計數
計數強者
為什麼重要：在 FSC-147 物件計數取得 MAE 7.64、排名第 3，聚焦物體尺度變動這個少樣本計數難題。
帶走什麼：計數任務的關鍵不只是辨識物體，而是讓查詢表徵能逐步整合不同尺度的證據。
下一步：優先比較它在小物、大物與密集場景的誤差，再判斷是否適合你的視覺盤點任務。
LION：用 Linear Group RNN 做點雲 3D 物件偵測
3D 首選
為什麼重要：LION-Mamba 在 ONCE 3D object detection 達 mAP 66.6、排名第 1，並以新骨幹替換 CenterPoint 的 SECOND 3D ba…
帶走什麼：點雲偵測可把骨幹創新與既有成熟偵測頭拆開評估，降低比較時混入多項改動的風險。
下一步：先看替換 backbone 前後的消融與延遲，評估 Linear Group RNN 是否適合部署條件。
TR3D：邁向即時室內 3D 物件偵測
室內融合
為什麼重要：在 SUN RGB-D 的最佳結果達 AP50 53.4、mAP 69.4，使用 point cloud 加 RGB 的早期特徵融合。
帶走什麼：室內 3D 偵測若能取得 RGB，早期融合是值得驗證的路線；但要區分最佳試驗值與平均表現。
下一步：重點檢查 RGB 缺失、校正誤差與不同試驗波動，避免只依最佳成績選型。
V-DETR：以 Vertex 相對位置編碼強化 3D 偵測
位置編碼
為什麼重要：V-DETR 在 SUN RGB-D 搭配 TTA 取得 AP50 51.1、mAP 68.0，排名第 2。
帶走什麼：Transformer 做 3D 偵測時，空間位置關係的表達是核心；比較結果時必須把 TTA 視為獨立變因。
下一步：先比較開關 TTA 的結果與成本，再研究 Vertex relative position encoding 的可移植性。