AI无提示识别领域取得了重大进展：PF-RPN使得机器具备了整体理解图像的能力。过去，物体识别系统需要给出明确的指令或样本才能工作，就像新手厨师必须拥有菜谱一样。然而，在一些场景下，如缺陷检测、海底探索和遥感巡天，“菜谱”并不可得。这时，“无提示”就成为了AI走出实验室的关键。南京大学联合中科大推出的PF-RPN系统，首次让机器像经验丰富的侦探一样，仅凭自身直觉就能一次性识别出陌生照片中的所有潜在物体。PF-RPN由三个主要模块协同作战。第一个模块是稀疏图像感知适配器，它像鉴定师一样抓住图像中的重点。当复杂画面涌入时，适配器模拟人脑注意力机制，将图像分割为多尺度特征图。不同的“专家”负责各自擅长的信息，轮廓专家关注大型物体，纹理专家捕捉细节。智能路由机制动态决定谁负责主导信息处理，最终只保留最有价值的线索。这样既节省了计算资源又减少了干扰。第二个模块是级联自提示模块，它帮助机器再次发现可能被漏掉的目标。这个模块像不断润色绘画的艺术家一样进行迭代修正：首先使用深层语义提取整体特征，然后用浅层细节填补缺口。每一轮迭代都通过相似度掩膜过滤一遍可能目标区域。实验证明三次迭代足以达到最佳效果，再多反而会降低速度。第三个模块是中心性引导查询选择。这个模块确定探测点位置时用轻量级网络给每个查询点打分。靠近几何中心的点得分更高，得分与分类置信度相乘后优先探测最可能包含完整物体的区域。这样误检率显著下降。PF-RPN还利用稀疏感知、自提示迭代和中心性得分三个关键细节提升性能和效率。稀疏感知通过“专家混合”代替全图穷搜来节省计算量；自提示迭代从“碎片”到“整体”经过三级火箭式提升召回率；中心性得分用数学公式确定最有可能包含物体的位置。该系统在19个不同场景下进行了跨域实测并取得了稳定结果：CD-FSOD基准测试中100候选框召回率达到60.7%，比基线高7.8%；300框、900框分别提升11.8%、13.5%。ODinW13多域集测中平均召回率为76.5%，小物体专项达到45.4%。PF-RPN在速度与显存方面也表现出色：每秒处理4.6帧图像并占用0.5GB显存。PF-RPN可以应用于多个领域：工业质检、水下探索、遥感巡天和老系统升级。在工业质检中，无需提前标注产品类型就能自动识别缺陷区域；换线只需重新跑5%数据微调即可提升质检速度30%以上。在水下探索中利用视觉特征一次框出鱼、乌贼和海龟等未知生物；帮助科考船节省90%标注时间。在遥感巡天中一张图像同时找出油井、船只和森林火灾等目标；传统方法需要13套模型分别训练而PF-RPN统一框架搞定部署成本大幅降低。最后把PF-RPN嵌入到DE-ViT或CD-ViTO框架中可以提高COCO精度分别达3.7个百分点和5.5个百分点给老模型带来新活力。