CVPR2024 Papers with Code

CVPR 2024-Papiere und Open-Source-Projektsammlung (Papiere mit Code)

CVPR 2024-Entscheidungen sind jetzt auf OpenReview verfügbar!

Hinweis 1: Jeder ist herzlich eingeladen, Probleme einzureichen und CVPR 2024-Papiere und Open-Source-Projekte zu teilen!

Hinweis 2: Einzelheiten zu Beiträgen früherer CV-Konferenzen und anderen hochwertigen CV-Papieren und umfassenden Rezensionen finden Sie unter: https://github.com/amusi/daily-paper-computer-vision

• ECCV2024
• CVPR 2023

Willkommen beim Scannen des QR-Codes, um der [CVer Academic Exchange Group] beizutreten, dem größten Computer-Vision-KI-Wissensplaneten! Täglich aktualisiert, teilen Sie so schnell wie möglich die neuesten und modernsten Lernmaterialien in den Bereichen Computer Vision, KI-Malerei, Bildverarbeitung, Deep Learning, autonomes Fahren, medizinische Bildgebung und AIGC.

[CVPR 2024 Open-Source-Papierverzeichnis]

• 3DGS (Gaussian Splatting)
• Avatare
• Rückgrat
• CLIP
• MAE
• Verkörperte KI
• GAN
• GNN
• Multimodales großes Sprachmodell (MLLM)
• Großes Sprachmodell (LLM)
• NAS
• OCR
• NRF
• DETR
• Prompt
• Diffusionsmodelle
• ReID (Neuidentifizierung)
• Long-Tail-Verteilung (Long-Tail)
• Vision-Transformer
• Vision-Sprache
• Selbstüberwachtes Lernen
• Datenerweiterung
• Objekterkennung
• Anomalieerkennung
• Zielverfolgung (Visual Tracking)
• Semantische Segmentierung
• Instanzsegmentierung
• Panoptische Segmentierung
• Medizinisches Bild
• Medizinische Bildsegmentierung
• Segmentierung von Videoobjekten
• Segmentierung von Videoinstanzen
• Verweisende Bildsegmentierung
• Bildmattierung
• Bildbearbeitung
• Low-Level-Vision
• Superauflösung
• Rauschunterdrückung
• Unschärfe
• Autonomes Fahren
• 3D-Punktwolke
• 3D-Objekterkennung
• Semantische 3D-Segmentierung
• 3D-Objektverfolgung
• 3D-semantische Szenenvervollständigung (3D-semantische Szenenvervollständigung)
• 3D-Registrierung
• 3D-Schätzung der menschlichen Pose
• 3D-Human-Mesh-Schätzung
• Medizinisches Bild
• Bilderzeugung
• Videogenerierung
• 3D-Generierung
• Videoverständnis
• Aktionserkennung
• Texterkennung
• Wissensdestillation
• Modellschnitt
• Bildkomprimierung
• 3D-Rekonstruktion
• Tiefenschätzung
• Flugbahnvorhersage
• Spurerkennung
• Bildunterschrift
• Visuelle Beantwortung von Fragen
• Gebärdenspracherkennung
• Videovorhersage
• Neuartige Ansichtssynthese
• Zero-Shot-Lernen (Null-Beispiel-Lernen)
• Stereo-Anpassung
• Feature-Matching
• Generierung von Szenendiagrammen
• Implizite neuronale Darstellungen
• Bewertung der Bildqualität
• Bewertung der Videoqualität
• Datensätze
• Neue Aufgaben
• Andere

3DGS (Gaussian Splatting)

Scaffold-GS: Strukturierte 3D-Gauß-Funktionen für ansichtsadaptives Rendering

• Homepage: https://city-super.github.io/scaffold-gs/
• Papier: https://arxiv.org/abs/2312.00109
• Code: https://github.com/city-super/Scaffold-GS

GPS-Gaussian: Verallgemeinerbares pixelweises 3D-Gauß-Splatting für die Synthese menschlicher Romanansichten in Echtzeit

• Homepage: https://shunyuanzheng.github.io/GPS-Gaussian
• Papier: https://arxiv.org/abs/2312.02155
• Code: https://github.com/ShunyuanZheng/GPS-Gaussian

GaussianAvatar: Auf dem Weg zu einer realistischen menschlichen Avatar-Modellierung aus einem einzigen Video über animierbare 3D-Gauß-Funktionen

• Papier: https://arxiv.org/abs/2312.02134
• Code: https://github.com/huliangxiao/GaussianAvatar

GaussianEditor: Schnelle und kontrollierbare 3D-Bearbeitung mit Gaussian Splatting

• Papier: https://arxiv.org/abs/2311.14521
• Code: https://github.com/buaacyw/GaussianEditor

Verformbare 3D-Gaußkurven für die hochauflösende monokulare dynamische Szenenrekonstruktion

• Homepage: https://ingra14m.github.io/Deformable-Gaussians/
• Papier: https://arxiv.org/abs/2309.13101
• Code: https://github.com/ingra14m/Deformable-3D-Gaussians

SC-GS: Sparse-kontrolliertes Gaußsches Splatting für bearbeitbare dynamische Szenen

• Homepage: https://yihua7.github.io/SC-GS-web/
• Papier: https://arxiv.org/abs/2312.14937
• Code: https://github.com/yihua7/SC-GS

Gaußsches Feature-Splatting in der Raumzeit für die Synthese dynamischer Ansichten in Echtzeit

• Homepage: https://oppo-us-research.github.io/SpacetimeGaussians-website/
• Papier: https://arxiv.org/abs/2312.16812
• Code: https://github.com/oppo-us-research/SpacetimeGaussians

DNGaussian: Optimierung von Sparse-View-3D-Gaußschen Strahlungsfeldern mit global-lokaler Tiefennormalisierung

• Homepage: https://fictionarry.github.io/DNGaussian/
• Papier: https://arxiv.org/abs/2403.06912
• Code: https://github.com/Fictionarry/DNGaussian

4D-Gaußsches Splatting für dynamisches Szenenrendering in Echtzeit

• Papier: https://arxiv.org/abs/2310.08528
• Code: https://github.com/hustvl/4DGaussians

GaussianDreamer: Schnelle Generierung von Text zu 3D-Gaußfunktionen durch Überbrückung von 2D- und 3D-Diffusionsmodellen

• Papier: https://arxiv.org/abs/2310.08529
• Code: https://github.com/hustvl/GaussianDreamer

Avatare

GaussianAvatar: Auf dem Weg zur realistischen menschlichen Avatar-Modellierung aus einem einzigen Video über animierbare 3D-Gauß-Funktionen

• Papier: https://arxiv.org/abs/2312.02134
• Code: https://github.com/huliangxiao/GaussianAvatar

Simulierter Avatar in Echtzeit durch am Kopf montierte Sensoren

• Homepage: https://www.zhengyiluo.com/SimXR/
• Papier: https://arxiv.org/abs/2403.06862

Rückgrat

RepViT: Überarbeitung von Mobile CNN aus ViT-Perspektive

• Papier: https://arxiv.org/abs/2307.09283
• Code: https://github.com/THU-MIG/RepViT

TransNeXt: Robuste foveale visuelle Wahrnehmung für Vision Transformer

• Papier: https://arxiv.org/abs/2311.17132
• Code: https://github.com/DaiShiResearch/TransNeXt

CLIP

Alpha-CLIP: Ein CLIP-Modell, das sich darauf konzentriert, wo immer Sie wollen

• Papier: https://arxiv.org/abs/2312.03818
• Code: https://github.com/SunzeY/AlphaCLIP

FairCLIP: Fairness beim Vision-Language-Lernen nutzen

• Papier: https://arxiv.org/abs/2403.19949
• Code: https://github.com/Harvard-Ophthalmology-AI-Lab/FairCLIP

MAE

Verkörperte KI

EmbodiedScan: Eine ganzheitliche multimodale 3D-Wahrnehmungssuite für verkörperte KI

• Homepage: https://tai-wang.github.io/embodiedscan/
• Papier: https://arxiv.org/abs/2312.16170
• Code: https://github.com/OpenRobotLab/EmbodiedScan

MP5: Ein multimodales, offenes verkörpertes System in Minecraft über Active Perception

• Homepage: https://iranqin.github.io/MP5.github.io/
• Papier: https://arxiv.org/abs/2312.07472
• Code: https://github.com/IranQin/MP5

LEMON: Lernen der 3D-Mensch-Objekt-Interaktionsbeziehung aus 2D-Bildern

• Papier: https://arxiv.org/abs/2312.08963
• Code: https://github.com/yyvhang/lemon_3d

GAN

OCR

Eine empirische Studie zum Skalierungsgesetz für OCR

• Papier: https://arxiv.org/abs/2401.00028
• Code: https://github.com/large-ocr-model/large-ocr-model.github.io

ODM: Ein Ansatz zur weiteren Text-Bild-Ausrichtung vor dem Training zur Erkennung und Erkennung von Szenentexten

• Papier: https://arxiv.org/abs/2403.00303
• Code: https://github.com/PriNing/ODM

NRF

PIE-NeRF?: Physikbasierte interaktive Elastodynamik mit NeRF

• Papier: https://arxiv.org/abs/2311.13099
• Code: https://github.com/FYTalon/pienerf/

DETR

DETRs schlagen YOLOs bei der Echtzeit-Objekterkennung

• Papier: https://arxiv.org/abs/2304.08069
• Code: https://github.com/lyuwenyu/RT-DETR

Salience DETR: Verbesserung des Erkennungstransformators durch hierarchische Verfeinerung der Salience-Filterung

• Papier: https://arxiv.org/abs/2403.16131
• Code: https://github.com/xiuqhou/Salience-DETR

Prompt

Multimodales großes Sprachmodell (MLLM)

mPLUG-Owl2: Revolutionierung des multimodalen großen Sprachmodells mit Modalitätskooperation

• Papier: https://arxiv.org/abs/2311.04257
• Code: https://github.com/X-PLUG/mPLUG-Owl/tree/main/mPLUG-Owl2

Link-Kontext-Lernen für multimodale LLMs

• Papier: https://arxiv.org/abs/2308.07891
• Code: https://github.com/isekai-portal/Link-Context-Learning/tree/main

OPERA: Linderung von Halluzinationen in multimodalen großen Sprachmodellen durch übermäßige Vertrauensstrafe und Retrospektion-Zuweisung

• Papier: https://arxiv.org/abs/2311.17911
• Code: https://github.com/shikiw/OPERA

Große multimodale Modelle dazu bringen, willkürliche visuelle Eingabeaufforderungen zu verstehen

• Homepage: https://vip-llava.github.io/
• Papier: https://arxiv.org/abs/2312.00784

Pink: Enthüllung der Kraft des referenziellen Verständnisses für multimodale Filme

• Papier: https://arxiv.org/abs/2310.00582
• Code: https://github.com/SY-Xuan/Pink

Chat-UniVi: Einheitliche visuelle Darstellung unterstützt große Sprachmodelle mit Bild- und Videoverständnis

• Papier: https://arxiv.org/abs/2311.08046
• Code: https://github.com/PKU-YuanGroup/Chat-UniVi

OneLLM: Ein Framework zur Ausrichtung aller Modalitäten auf die Sprache

• Papier: https://arxiv.org/abs/2312.03700
• Code: https://github.com/csuhan/OneLLM

Großes Sprachmodell (LLM)

VTimeLLM: Ermöglichen Sie LLM, Videomomente zu erfassen

• Papier: https://arxiv.org/abs/2311.18445
• Code: https://github.com/huangb23/VTimeLLM

NAS

ReID (Neuidentifizierung)

Magische Token: Wählen Sie verschiedene Token für die multimodale Neuidentifizierung von Objekten aus

• Papier: https://arxiv.org/abs/2403.10254
• Code: https://github.com/924973292/EDITOR

Noisy-Correspondence-Lernen zur Text-zu-Bild-Personenreidentifizierung

• Papier: https://arxiv.org/abs/2308.09911

• Code: https://github.com/QinYang79/RDE

Diffusionsmodelle

InstanceDiffusion: Kontrolle auf Instanzebene für die Bildgenerierung

• Homepage: https://people.eecs.berkeley.edu/~xdwang/projects/InstDiff/

• Papier: https://arxiv.org/abs/2402.03290

• Code: https://github.com/frank-xwang/InstanceDiffusion

Rest-Rauschunterdrückungs-Diffusionsmodelle

• Papier: https://arxiv.org/abs/2308.13712
• Code: https://github.com/nachifur/RDDM

DeepCache: Kostenlose Beschleunigung von Diffusionsmodellen

• Papier: https://arxiv.org/abs/2312.00858
• Code: https://github.com/horseee/DeepCache

DEADiff: Ein effizientes Stilisierungsdiffusionsmodell mit entwirrten Darstellungen

• Homepage: https://tianhao-qi.github.io/DEADiff/

• Papier: https://arxiv.org/abs/2403.06951

• Code: https://github.com/Tianhao-Qi/DEADiff_code

SVGDreamer: Textgesteuerte SVG-Generierung mit Diffusionsmodell

• Papier: https://arxiv.org/abs/2312.16476
• Code: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: Interaktionskontrolle für das Text-zu-Bild-Diffusionsmodell

• Papier: https://arxiv.org/abs/2312.05849
• Code: https://github.com/jiuntian/interactdiffusion

MMA-Diffusion: Multimodaler Angriff auf Diffusionsmodelle

• Papier: https://arxiv.org/abs/2311.17516
• Code: https://github.com/yangyijune/MMA-Diffusion

VMC: Videobewegungsanpassung mithilfe zeitlicher Aufmerksamkeitsanpassung für Text-zu-Video-Diffusionsmodelle

• Startseite: https://video-motion-customization.github.io/
• Papier: https://arxiv.org/abs/2312.00845
• Code: https://github.com/HyeonHo99/Video-Motion-Customization

Vision-Transformer

TransNeXt: Robuste foveale visuelle Wahrnehmung für Vision Transformer

• Papier: https://arxiv.org/abs/2311.17132
• Code: https://github.com/DaiShiResearch/TransNeXt

RepViT: Überarbeitung von Mobile CNN aus ViT-Perspektive

• Papier: https://arxiv.org/abs/2307.09283
• Code: https://github.com/THU-MIG/RepViT

Ein allgemeines und effizientes Training für Transformer per Token-Erweiterung

• Papier: https://arxiv.org/abs/2404.00672
• Code: https://github.com/Osilly/TokenExpansion

Vision-Sprache

PromptKD: Unüberwachte Prompt-Destillation für Vision-Language-Modelle

• Papier: https://arxiv.org/abs/2403.02781
• Code: https://github.com/zhengli97/PromptKD

FairCLIP: Fairness beim Vision-Language-Lernen nutzen

• Papier: https://arxiv.org/abs/2403.19949
• Code: https://github.com/Harvard-Ophthalmology-AI-Lab/FairCLIP

Objekterkennung

DETRs schlagen YOLOs bei der Echtzeit-Objekterkennung

• Papier: https://arxiv.org/abs/2304.08069
• Code: https://github.com/lyuwenyu/RT-DETR

Verbessern Sie die Objekterkennung durch Zero-Shot-Tag-Nacht-Domänenanpassung

• Papier: https://arxiv.org/abs/2312.01220
• Code: https://github.com/ZPDu/Boosting-Object-Detection-with-Zero-Shot-Day-Night-Domain-Adaptation

YOLO-World: Echtzeit-Objekterkennung mit offenem Vokabular

• Papier: https://arxiv.org/abs/2401.17270
• Code: https://github.com/AILab-CVC/YOLO-World

Salience DETR: Verbesserung des Erkennungstransformators durch hierarchische Verfeinerung der Salience-Filterung

• Papier: https://arxiv.org/abs/2403.16131
• Code: https://github.com/xiuqhou/Salience-DETR

Anomalieerkennung

Anomalie-Heterogenitätslernen für die überwachte Anomalieerkennung im offenen Satz

• Papier: https://arxiv.org/abs/2310.12790
• Code: https://github.com/mala-lab/AHL

Objektverfolgung

Eintauchen in die Trajectory Long-Tail-Verteilung für die Verfolgung mehrerer Objekte

• Papier: https://arxiv.org/abs/2403.04700
• Code: https://github.com/chen-si-jia/Trajectory-Long-tail-Distribution-for-MOT

Semantische Segmentierung

Stärker, weniger und überlegen: Nutzung von Vision Foundation-Modellen für die domänenverallgemeinerte semantische Segmentierung

• Papier: https://arxiv.org/abs/2312.04265
• Code: https://github.com/w1oves/Rein

SED: Ein einfacher Encoder-Decoder für die semantische Segmentierung mit offenem Vokabular

• Papier: https://arxiv.org/abs/2311.15537
• Code: https://github.com/xb534/SED

Medizinisches Bild

Neueinbettung von Funktionen: Auf dem Weg zur Leistung auf Basismodellebene in der Computerpathologie

• Papier: https://arxiv.org/abs/2402.17228
• Code: https://github.com/DearCaat/RRT-MIL

VoCo: Ein einfaches, aber effektives volumenkontrastives Lernframework für die medizinische 3D-Bildanalyse

• Papier: https://arxiv.org/abs/2402.17300
• Code: https://github.com/Luffy03/VoCo

ChAda-ViT: Kanaladaptive Aufmerksamkeit für das gemeinsame Repräsentationslernen heterogener Mikroskopiebilder

• Papier: https://arxiv.org/abs/2311.15264
• Code: https://github.com/nicoboou/chada_vit

Medizinische Bildsegmentierung

Autonomes Fahren

UniPAD: Ein universelles Pre-Training-Paradigma für autonomes Fahren

• Papier: https://arxiv.org/abs/2310.08370
• Code: https://github.com/Nightmare-n/UniPAD

Cam4DOcc: Benchmark für die reine Kamera-4D-Belegungsprognose in autonomen Fahranwendungen

• Papier: https://arxiv.org/abs/2311.17663
• Code: https://github.com/haomo-ai/Cam4DOcc

Speicherbasierte Adapter für die Online-3D-Szenenwahrnehmung

• Papier: https://arxiv.org/abs/2403.06974
• Code: https://github.com/xuxw98/Online3D

Symphonisieren Sie die Vervollständigung semantischer 3D-Szenen mit kontextbezogenen Instanzabfragen

• Papier: https://arxiv.org/abs/2306.15670
• Code: https://github.com/hustvl/Symphonies

Ein realer, groß angelegter Datensatz zur kooperativen Wahrnehmung am Straßenrand

• Papier: https://arxiv.org/abs/2403.10145
• Code: https://github.com/AIR-THU/DAIR-RCooper

Adaptive Fusion von Single-View- und Multi-View-Tiefe für autonomes Fahren

• Papier: https://arxiv.org/abs/2403.07535
• Code: https://github.com/Junda24/AFNet

Analyse der Verkehrsszene durch den TSP6K-Datensatz

• Papier: https://arxiv.org/pdf/2303.02835.pdf
• Code: https://github.com/PengtaoJiang/TSP6K

3D-Punktwolke (3D-Punktwolke)

3D-Objekterkennung

PTT: Punkt-Trajektorien-Transformator zur effizienten zeitlichen 3D-Objekterkennung

• Papier: https://arxiv.org/abs/2312.08371
• Code: https://github.com/kuanchihhuang/PTT

UniMODE: Einheitliche monokulare 3D-Objekterkennung

• Papier: https://arxiv.org/abs/2402.18573

Semantische 3D-Segmentierung

Bildbearbeitung

Edit One for All: Interaktive Stapelbildbearbeitung

• Homepage: https://thaoshibe.github.io/edit-one-for-all
• Papier: https://arxiv.org/abs/2401.10219
• Code: https://github.com/thaoshibe/edit-one-for-all

Videobearbeitung

MaskINT: Videobearbeitung über interpolative, nicht autoregressive maskierte Transformatoren

• Homepage: https://maskint.github.io

• Papier: https://arxiv.org/abs/2312.12468

Low-Level-Vision

Rest-Rauschunterdrückungs-Diffusionsmodelle

• Papier: https://arxiv.org/abs/2308.13712
• Code: https://github.com/nachifur/RDDM

Steigerung der Bildwiederherstellung durch Priors aus vorab trainierten Modellen

• Papier: https://arxiv.org/abs/2403.06793

Superauflösung

SeD: Semantikbewusster Diskriminator für Bild-Superauflösung

• Papier: https://arxiv.org/abs/2402.19387
• Code: https://github.com/lbc12345/SeD

APISR: Von der Anime-Produktion inspirierte reale Anime-Superauflösung

• Papier: https://arxiv.org/abs/2403.01598
• Code: https://github.com/Kiteretsu77/APISR

Rauschunterdrückung

Bildrauschen

3D-Schätzung der menschlichen Pose

Sanduhr-Tokenizer für eine effiziente transformatorbasierte 3D-Posenschätzung einer Person

• Papier: https://arxiv.org/abs/2311.12028
• Code: https://github.com/NationalGAILab/HoT

Bilderzeugung

InstanceDiffusion: Kontrolle auf Instanzebene für die Bildgenerierung

• Homepage: https://people.eecs.berkeley.edu/~xdwang/projects/InstDiff/

• Papier: https://arxiv.org/abs/2402.03290

• Code: https://github.com/frank-xwang/InstanceDiffusion

ECLIPSE: Ein ressourceneffizienter Text-to-Image-Prior für die Bildgenerierung

• Homepage: https://eclipse-t2i.vercel.app/

• Papier: https://arxiv.org/abs/2312.04655

• Code: https://github.com/eclipse-t2i/eclipse-inference

Instruct-Imagen: Bilderzeugung mit multimodaler Anweisung

• Papier: https://arxiv.org/abs/2401.01952

Rest-Rauschunterdrückungs-Diffusionsmodelle

• Papier: https://arxiv.org/abs/2308.13712
• Code: https://github.com/nachifur/RDDM

UniGS: Einheitliche Darstellung für Bilderzeugung und Segmentierung

• Papier: https://arxiv.org/abs/2312.01985

Multi-Instanz-Generierungscontroller für die Text-zu-Bild-Synthese

• Papier: https://arxiv.org/abs/2402.05408
• Code: https://github.com/limuloo/migc

SVGDreamer: Textgesteuerte SVG-Generierung mit Diffusionsmodell

• Papier: https://arxiv.org/abs/2312.16476
• Code: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: Interaktionskontrolle für das Text-zu-Bild-Diffusionsmodell

• Papier: https://arxiv.org/abs/2312.05849
• Code: https://github.com/jiuntian/interactdiffusion

Ranni: Zähmung der Text-zu-Bild-Diffusion für präzises Prompt-Folgen

• Papier: https://arxiv.org/abs/2311.17002
• Code: https://github.com/ali-vilab/Ranni

Videogenerierung

Vlogger: Machen Sie Ihren Traum zu einem Vlog

• Papier: https://arxiv.org/abs/2401.09414
• Code: https://github.com/Vchitect/Vlogger

VBench: Umfassende Benchmark-Suite für videogenerative Modelle

• Homepage: https://vchitect.github.io/VBench-project/
• Papier: https://arxiv.org/abs/2311.17982
• Code: https://github.com/Vchitect/VBench

VMC: Videobewegungsanpassung mithilfe zeitlicher Aufmerksamkeitsanpassung für Text-zu-Video-Diffusionsmodelle

• Startseite: https://video-motion-customization.github.io/
• Papier: https://arxiv.org/abs/2312.00845
• Code: https://github.com/HyeonHo99/Video-Motion-Customization

3D-Generierung

CityDreamer: Kompositorisches generatives Modell unbegrenzter 3D-Städte

• Homepage: https://haozhexie.com/project/city-dreamer/
• Papier: https://arxiv.org/abs/2309.00610
• Code: https://github.com/hzxie/city-dreamer

LucidDreamer: Auf dem Weg zur High-Fidelity-Text-zu-3D-Generierung durch Intervall-Score-Matching

• Papier: https://arxiv.org/abs/2311.11284
• Code: https://github.com/EnVision-Research/LucidDreamer

Videoverständnis

MVBench: Ein umfassender multimodaler Video-Verständnis-Benchmark

• Papier: https://arxiv.org/abs/2311.17005
• Code: https://github.com/OpenGVLab/Ask-Anything/tree/main/video_chat2

Wissensdestillation

Logit-Standardisierung in der Wissensdestillation

• Papier: https://arxiv.org/abs/2403.01427
• Code: https://github.com/sunshangquan/logit-standardization-KD

Effiziente Datensatzdestillation durch Minimax-Diffusion

• Papier: https://arxiv.org/abs/2311.15529
• Code: https://github.com/vimar-gu/MinimaxDiffusion

Stereo-Anpassung

Neuronales Markov-Zufallsfeld für Stereo-Matching

• Papier: https://arxiv.org/abs/2403.11193
• Code: https://github.com/aeolusguan/NMRF

Generierung von Szenendiagrammen

HiKER-SGG: Hierarchische wissensverstärkte robuste Szenendiagrammgenerierung

• Homepage: https://zhangce01.github.io/HiKER-SGG/
• Papier: https://arxiv.org/abs/2403.12033
• Code: https://github.com/zhangce01/HiKER-SGG

Bewertung der Videoqualität

KVQ: Kaleidoskop-Videoqualitätsbewertung für Kurzvideos

• Homepage: https://lixinustc.github.io/projects/KVQ/

• Papier: https://arxiv.org/abs/2402.07220

• Code: https://github.com/lixinustc/KVQ-Challenge-CVPR-NTIRE2024

Datensätze

Ein realer, groß angelegter Datensatz zur kooperativen Wahrnehmung am Straßenrand

• Papier: https://arxiv.org/abs/2403.10145
• Code: https://github.com/AIR-THU/DAIR-RCooper

Analyse der Verkehrsszene anhand des TSP6K-Datensatzes

• Papier: https://arxiv.org/pdf/2303.02835.pdf
• Code: https://github.com/PengtaoJiang/TSP6K

Andere

Objekterkennung als Vorhersage des nächsten Tokens

• Papier: https://arxiv.org/abs/2312.02142
• Code: https://github.com/kaiyuyue/nxtp

ParameterNet: Parameter sind alles, was Sie für ein umfangreiches visuelles Vortraining mobiler Netzwerke benötigen

• Papier: https://arxiv.org/abs/2306.14525
• Code: https://parameternet.github.io/

Nahtlose menschliche Bewegungskomposition mit gemischten Positionskodierungen

• Papier: https://arxiv.org/abs/2402.15509
• Code: https://github.com/BarqueroGerman/FlowMDM

LL3DA: Visuelle interaktive Befehlsoptimierung für Omni-3D-Verständnis, Argumentation und Planung

• Homepage: https://ll3da.github.io/

• Papier: https://arxiv.org/abs/2311.18651

• Code: https://github.com/Open3DA/LL3DA

CLOVA: Ein visueller Closed-Loop-Assistent mit Tool-Nutzung und -Aktualisierung

• Homepage: https://clova-tool.github.io/
• Papier: https://arxiv.org/abs/2312.10908

MoMask: Generative maskierte Modellierung menschlicher 3D-Bewegungen

• Papier: https://arxiv.org/abs/2312.00063
• Code: https://github.com/EricGuo5513/momask-codes

Amodale Grundwahrheit und Vollendung in freier Wildbahn

• Homepage: https://www.robots.ox.ac.uk/~vgg/research/amodal/
• Papier: https://arxiv.org/abs/2312.17247
• Code: https://github.com/Championchess/Amodal-Completion-in-the-Wild

Verbesserte visuelle Erdung durch selbstkonsistente Erklärungen

• Papier: https://arxiv.org/abs/2312.04554
• Code: https://github.com/uvavision/SelfEQ

ImageNet-D: Benchmarking der Robustheit neuronaler Netzwerke bei synthetischen Diffusionsobjekten

• Homepage: https://chenshuang-zhang.github.io/imagenet_d/
• Papier: https://arxiv.org/abs/2403.18775
• Code: https://github.com/chenshuang-zhang/imagenet_d

Lernen aus synthetischen menschlichen Gruppenaktivitäten

• Homepage: https://cjerry1243.github.io/M3Act/
• Papier https://arxiv.org/abs/2306.16772
• Code: https://github.com/cjerry1243/M3Act

Ein themenübergreifendes Gehirn-Dekodierungs-Framework

• Homepage: https://littlepure2333.github.io/MindBridge/
• Papier: https://arxiv.org/abs/2404.07850
• Code: https://github.com/littlepure2333/MindBridge

Multitasking-dichte Vorhersage durch Kombination von Experten mit niedrigem Rang

• Papier: https://arxiv.org/abs/2403.17749
• Code: https://github.com/YuqiYang213/MLoRE

Kontrastives Mean-Shift-Lernen zur verallgemeinerten Kategorieerkennung

• Homepage: https://postech-cvlab.github.io/cms/
• Papier: https://arxiv.org/abs/2404.09451
• Code: https://github.com/sua-choi/CMS