在人工智能领域，让机器“数数”一直是个挑战，尤其是当面对从未见过的物体类别时。传统的计数模型往往依赖大量的人工标注，换个场景可能就“罢工”。近日，来自西北工业大学、电信 AI 等机构的研究团队提出了一种名为 QICA 的新框架。它不仅能根据简单的文字描述（如“照片里有16个草莓”）数出任何东西，还通过聪明的“协同提示”和“空间感知”技术，打破了模型在数量认知上的瓶颈。本文将带您深入浅出地解读这项突破性研究。

• • 论文标题：Boosting Quantitive and Spatial Awareness for Zero-Shot Object Counting（提升零样本目标计数的数量与空间感知能力）
• • 论文链接：https://arxiv.org/abs/2603.16129
• • 代码链接：https://github.com/zhangda1018/QICA
• 
  

一、 痛点：为什么 AI 总是数不准？

目前的零样本目标计数（ZSOC）主要依靠像 CLIP 这样的多模态大模型。你告诉它“数一数图中的树”，它会把文字和图片匹配，然后生成一张“密度图”。

但这里有两个致命伤：

1. 1. 数量盲区：AI 知道什么是“树”，但它不知道“1棵树”和“10棵树”在视觉特征上的细微差别。它把计数当成了简单的“找东西”任务，缺乏对数量的敏感度。
2. 2. 空间失真：为了让 AI 学会计数，开发者往往会微调模型，但这容易破坏大模型原本博学多才的特征空间，导致它在面对新物体时表现拉跨，也就是我们常说的“过拟合”。

二、 核心方案：QICA 的“三大法宝”

为了解决上述问题，研究团队提出了 QICA 框架，其核心由三个精妙的设计组成：

1. 协同提示策略 (SPS)：让视觉和文字“通气”

以往的模型，文字归文字，图片归图片。QICA 引入了协同提示策略 (SPS)。

它通过一个“耦合函数”  ，将文字中的数量信息（比如“16个”）转化为视觉提示，直接插入到视觉编码器中。

公式表达：

2. 代价聚合解码器 (CAD)：找回丢失的空间感

为了防止微调导致模型“变傻”，研究者设计了 CAD。它不直接修改图像特征，而是操作“视觉-文字相似度图”。

（注：上图选自论文图3。可以看到，经过 CAD 处理，原本模糊的匹配区域（b）变得非常精准且具有空间结构感（d）。）

它利用 Swin Transformer 块进行空间聚合，像是在草稿纸上把凌乱的点连成线、结成块，从而抑制噪声，精准定位每一个目标物体。

3. 多级数量对齐损失 ( )：严师出高徒

为了确保模型真的学会了数数，QICA 引入了一套严格的考核机制——多级数量对齐损失。

在训练阶段，模型不仅要看正确的数量（如16），还要看错误的干扰项（如13或19）。模型必须保证：

• • 正确数量的相似度分值最高。
• • 越接近正确数量的干扰项，分值也要相对更高。

总损失函数：

三、 整体架构：高效的协作流水线

（注：上图选自论文图2。展示了从文字输入到最终生成密度图的全过程。）

如图所示，QICA 在训练时（虚线路径）利用数量信息进行强化学习，但在实际推理（实线路径）时，完全不需要预知数量，只需输入物体类别即可。这种“严进宽出”的设计保证了极强的通用性。

四、 战绩彪炳：实测效果如何？

研究团队在多个权威数据集上进行了测试，结果令人惊叹：

• • FSC-147 数据集：在测试集上达到了 12.41 MAE（平均绝对误差），相比之前的同类模型改进了 25%~30%。
• • 跨场景挑战：在完全没见过的车辆监控（CARPK）和极拥挤的人群场景（ShanghaiTech-A）中，QICA 无需任何微调，直接上场就拿下了多项 SOTA（业内最佳表现）。

在极高密度的人群计数中，QICA 表现出了极强的鲁棒性，甚至超过了某些专门为人群计数设计的模型。

五、 结语

QICA 的出现，标志着零样本目标计数从简单的“语义匹配”向深层的“数量认知”迈进。它通过优雅的架构设计，既保留了大模型的泛化能力，又补齐了计数的短板。

对于开发者来说，这意味着未来我们可以更轻松地部署通用的计数服务——无论是果园里的果实、仓库里的零件，还是街道上的行人，只需一句话，AI 就能数得清清楚楚。