CVPR2024 Papers with Code

Colección de artículos y proyectos de código abierto de CVPR 2024 (artículos con código)

¡Las decisiones CVPR 2024 ya están disponibles en OpenReview!

Nota 1: ¡Todos pueden enviar ediciones y compartir artículos CVPR 2024 y proyectos de código abierto!

Nota 2: Para obtener detalles sobre artículos de conferencias de CV anteriores y otros artículos de CV de alta calidad y revisiones completas, consulte: https://github.com/amusi/daily-paper-computer-vision

• ECCV2024
• CVPR 2023

¡Bienvenido a escanear el código QR para unirse al [Grupo de Intercambio Académico CVer], que es el planeta de conocimiento de IA en visión por computadora más grande! Actualizado diariamente, comparta los materiales de aprendizaje más recientes y de vanguardia en visión por computadora, pintura con IA, procesamiento de imágenes, aprendizaje profundo, conducción autónoma, imágenes médicas y AIGC. ¡Comience a aprender lo antes posible!

[Directorio de documentos de código abierto CVPR 2024]

• 3DGS (salpicadura gaussiana)
• avatares
• Columna vertebral
• ACORTAR
• MAE
• IA encarnada
• Ganar
• GNN
• Modelo multimodal de lenguaje grande (MLLM)
• Modelo de lenguaje grande (LLM)
• NAS
• LOC
• NRF
• DETR
• Inmediato
• Modelos de difusión
• ReID (reidentificación)
• Distribución de cola larga (Long-Tail)
• Transformador de visión
• Visión-Lenguaje
• Aprendizaje autosupervisado
• Aumento de datos
• Detección de objetos
• Detección de anomalías
• Seguimiento de objetivos (seguimiento visual)
• Segmentación semántica
• Segmentación de instancias
• Segmentación panóptica
• Imagen Médica
• Segmentación de imágenes médicas
• Segmentación de objetos de vídeo
• Segmentación de instancias de vídeo
• Segmentación de imágenes de referencia
• Imagen mate
• Edición de imágenes
• Visión de bajo nivel
• Superresolución
• Eliminación de ruido
• Desenfocar
• Conducción autónoma
• Nube de puntos 3D
• Detección de objetos 3D
• Segmentación semántica 3D
• Seguimiento de objetos 3D
• Finalización de escena semántica 3D (Finalización de escena semántica 3D)
• Registro 3D
• Estimación de la postura humana en 3D
• Estimación de malla humana 3D
• Imagen Médica
• Generación de imágenes
• Generación de vídeo
• Generación 3D
• Comprensión del vídeo
• Detección de acción
• Detección de texto
• Destilación del conocimiento
• Poda modelo
• Compresión de imagen
• Reconstrucción 3D
• Estimación de profundidad
• Predicción de trayectoria
• Detección de carril
• Subtítulos de imágenes
• Respuesta visual a preguntas
• Reconocimiento de lengua de signos
• Predicción de vídeo
• Síntesis de vista novedosa
• Aprendizaje Zero-Shot (aprendizaje de muestra cero)
• Coincidencia estéreo
• Coincidencia de características
• Generación de gráficos de escena
• Representaciones neuronales implícitas
• Evaluación de la calidad de la imagen
• Evaluación de la calidad del vídeo
• Conjuntos de datos
• Nuevas tareas
• Otros

3DGS (salpicadura gaussiana)

Scaffold-GS: Gaussianos 3D estructurados para renderizado adaptable a la vista

• Página de inicio: https://city-super.github.io/scaffold-gs/
• Documento: https://arxiv.org/abs/2312.00109
• Código: https://github.com/city-super/Scaffold-GS

GPS-Gaussiano: dispersión gaussiana 3D generalizable por píxeles para síntesis de vistas de novelas humanas en tiempo real

• Página de inicio: https://shunyuanzheng.github.io/GPS-Gaussian
• Documento: https://arxiv.org/abs/2312.02155
• Código: https://github.com/ShunyuanZheng/GPS-Gaussian

GaussianAvatar: Hacia un modelado realista de avatares humanos a partir de un único vídeo mediante gaussianos 3D animables

• Documento: https://arxiv.org/abs/2312.02134
• Código: https://github.com/huliangxiao/GaussianAvatar

GaussianEditor: edición 3D rápida y controlable con salpicaduras gaussianas

• Documento: https://arxiv.org/abs/2311.14521
• Código: https://github.com/buaacyw/GaussianEditor

Gaussianos 3D deformables para la reconstrucción dinámica de escenas monoculares de alta fidelidad

• Página de inicio: https://ingra14m.github.io/Deformable-Gaussians/
• Documento: https://arxiv.org/abs/2309.13101
• Código: https://github.com/ingra14m/Deformable-3D-Gaussians

SC-GS: salpicaduras gaussianas escasamente controladas para escenas dinámicas editables

• Página de inicio: https://yihua7.github.io/SC-GS-web/
• Documento: https://arxiv.org/abs/2312.14937
• Código: https://github.com/yihua7/SC-GS

Función gaussiana del espacio-tiempo para síntesis de vista dinámica en tiempo real

• Página de inicio: https://oppo-us-research.github.io/SpacetimeGaussians-website/
• Documento: https://arxiv.org/abs/2312.16812
• Código: https://github.com/oppo-us-research/SpacetimeGaussians

DNGaussian: optimización de campos de radiación gaussianos 3D de vista dispersa con normalización de profundidad global-local

• Página de inicio: https://fictionarry.github.io/DNGaussian/
• Documento: https://arxiv.org/abs/2403.06912
• Código: https://github.com/Fictionarry/DNGaussian

Salpicadura gaussiana 4D para renderizado dinámico de escenas en tiempo real

• Documento: https://arxiv.org/abs/2310.08528
• Código: https://github.com/hustvl/4DGaussians

GaussianDreamer: generación rápida de texto a gaussianos 3D uniendo modelos de difusión 2D y 3D

• Documento: https://arxiv.org/abs/2310.08529
• Código: https://github.com/hustvl/GaussianDreamer

avatares

GaussianAvatar: Hacia un modelado realista de avatares humanos a partir de un único vídeo mediante gaussianos 3D animables

• Documento: https://arxiv.org/abs/2312.02134
• Código: https://github.com/huliangxiao/GaussianAvatar

Avatar simulado en tiempo real a partir de sensores montados en la cabeza

• Página de inicio: https://www.zhengyiluo.com/SimXR/
• Documento: https://arxiv.org/abs/2403.06862

Columna vertebral

RepViT: Revisando la CNN móvil desde la perspectiva de ViT

• Documento: https://arxiv.org/abs/2307.09283
• Código: https://github.com/THU-MIG/RepViT

TransNeXt: percepción visual foveal robusta para transformadores de visión

• Documento: https://arxiv.org/abs/2311.17132
• Código: https://github.com/DaiShiResearch/TransNeXt

ACORTAR

Alpha-CLIP: un modelo CLIP que se centra en donde quieras

• Documento: https://arxiv.org/abs/2312.03818
• Código: https://github.com/SunzeY/AlphaCLIP

FairCLIP: Aprovechar la equidad en el aprendizaje del lenguaje visual

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

MAE

IA encarnada

EmbodiedScan: una suite holística de percepción 3D multimodal hacia la IA incorporada

• Página de inicio: https://tai-wang.github.io/embodiedscan/
• Documento: https://arxiv.org/abs/2312.16170
• Código: https://github.com/OpenRobotLab/EmbodiedScan

MP5: un sistema incorporado multimodal abierto en Minecraft a través de la percepción activa

• Página de inicio: https://iranqin.github.io/MP5.github.io/
• Documento: https://arxiv.org/abs/2312.07472
• Código: https://github.com/IranQin/MP5

LEMON: Aprendizaje de la relación de interacción 3D humano-objeto a partir de imágenes 2D

• Documento: https://arxiv.org/abs/2312.08963
• Código: https://github.com/yyvhang/lemon_3d

Ganar

LOC

Un estudio empírico de la ley de escala para OCR

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

ODM: un enfoque de preentrenamiento de alineación adicional de texto e imagen para la detección y localización de texto en escenas

• Documento: https://arxiv.org/abs/2403.00303
• Código: https://github.com/PriNing/ODM

NRF

¿PIE-NeRF?: Elastodinámica interactiva basada en la física con NeRF

• Documento: https://arxiv.org/abs/2311.13099
• Código: https://github.com/FYTalon/pienerf/

DETR

Los DETR superan a los YOLO en detección de objetos en tiempo real

• Documento: https://arxiv.org/abs/2304.08069
• Código: https://github.com/lyuwenyu/RT-DETR

Salience DETR: mejora del transformador de detección con refinamiento del filtrado de saliencia jerárquica

• Documento: https://arxiv.org/abs/2403.16131
• Código: https://github.com/xiuqhou/Salience-DETR

Inmediato

Modelo multimodal de lenguaje grande (MLLM)

mPLUG-Owl2: Revolucionando el modelo de lenguaje grande multimodal con modalidad de colaboración

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

Aprendizaje de contexto de enlace para LLM multimodales

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

OPERA: Aliviar las alucinaciones en modelos multimodales de lenguaje grande mediante penalización por exceso de confianza y asignación de retrospección

• Documento: https://arxiv.org/abs/2311.17911
• Código: https://github.com/shikiw/OPERA

Hacer que los modelos multimodales grandes comprendan indicaciones visuales arbitrarias

• Página de inicio: https://vip-llava.github.io/
• Documento: https://arxiv.org/abs/2312.00784

Pink: Revelando el poder de la comprensión referencial para películas multimodales

• Documento: https://arxiv.org/abs/2310.00582
• Código: https://github.com/SY-Xuan/Pink

Chat-UniVi: la representación visual unificada potencia los modelos de lenguaje grandes con comprensión de imágenes y videos

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

OneLLM: un marco para alinear todas las modalidades con el lenguaje

• Documento: https://arxiv.org/abs/2312.03700
• Código: https://github.com/csuhan/OneLLM

Modelo de lenguaje grande (LLM)

VTimeLLM: Empodere a LLM para captar momentos de video

• Documento: https://arxiv.org/abs/2311.18445
• Código: https://github.com/huangb23/VTimeLLM

NAS

ReID (reidentificación)

Fichas mágicas: seleccione diversas fichas para la reidentificación de objetos multimodales

• Documento: https://arxiv.org/abs/2403.10254
• Código: https://github.com/924973292/EDITOR

Aprendizaje por correspondencia ruidosa para la reidentificación de personas mediante texto a imagen

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

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

Modelos de difusión

InstanceDiffusion: control a nivel de instancia para la generación de imágenes

• Página de inicio: https://people.eecs.berkeley.edu/~xdwang/projects/InstDiff/

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

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

Modelos de difusión de eliminación de ruido residual

• Documento: https://arxiv.org/abs/2308.13712
• Código: https://github.com/nachifur/RDDM

DeepCache: aceleración de modelos de difusión de forma gratuita

• Documento: https://arxiv.org/abs/2312.00858
• Código: https://github.com/horseee/DeepCache

DEADiff: un modelo eficiente de difusión de estilización con representaciones desenredadas

• Página de inicio: https://tianhao-qi.github.io/DEADiff/

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

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

SVGDreamer: Generación de SVG guiada por texto con modelo de difusión

• Documento: https://arxiv.org/abs/2312.16476
• Código: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: control de interacción para el modelo de difusión de texto a imagen

• Documento: https://arxiv.org/abs/2312.05849
• Código: https://github.com/jiuntian/interactdiffusion

MMA-Diffusion: ataque multimodal a modelos de difusión

• Documento: https://arxiv.org/abs/2311.17516
• Código: https://github.com/yangyijune/MMA-Diffusion

VMC: Personalización de movimiento de video mediante adaptación de atención temporal para modelos de difusión de texto a video

• Homeoage: https://video-motion-customization.github.io/
• Documento: https://arxiv.org/abs/2312.00845
• Código: https://github.com/HyeonHo99/Video-Motion-Customization

Transformador de visión

TransNeXt: percepción visual foveal robusta para transformadores de visión

• Documento: https://arxiv.org/abs/2311.17132
• Código: https://github.com/DaiShiResearch/TransNeXt

RepViT: Revisando la CNN móvil desde la perspectiva de ViT

• Documento: https://arxiv.org/abs/2307.09283
• Código: https://github.com/THU-MIG/RepViT

Una formación general y eficiente para transformadores mediante la expansión de tokens

• Documento: https://arxiv.org/abs/2404.00672
• Código: https://github.com/Osilly/TokenExpansion

Visión-Lenguaje

PromptKD: destilación rápida no supervisada para modelos de visión y lenguaje

• Documento: https://arxiv.org/abs/2403.02781
• Código: https://github.com/zhengli97/PromptKD

FairCLIP: Aprovechar la equidad en el aprendizaje del lenguaje visual

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

Detección de objetos

Los DETR superan a los YOLO en detección de objetos en tiempo real

• Documento: https://arxiv.org/abs/2304.08069
• Código: https://github.com/lyuwenyu/RT-DETR

Impulsar la detección de objetos con la adaptación del dominio día-noche de disparo cero

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

YOLO-World: Detección de objetos de vocabulario abierto en tiempo real

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

Salience DETR: mejora del transformador de detección con refinamiento del filtrado de saliencia jerárquica

• Documento: https://arxiv.org/abs/2403.16131
• Código: https://github.com/xiuqhou/Salience-DETR

Detección de anomalías

Aprendizaje de heterogeneidad de anomalías para la detección de anomalías supervisada en conjunto abierto

• Documento: https://arxiv.org/abs/2310.12790
• Código: https://github.com/mala-lab/AHL

Seguimiento de objetos

Profundizando en la distribución de trayectoria de cola larga para el seguimiento de múltiples objetos

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

Segmentación semántica

Más fuertes, menos y superiores: aprovechar los modelos de Vision Foundation para la segmentación semántica generalizada de dominios

• Documento: https://arxiv.org/abs/2312.04265
• Código: https://github.com/w1oves/Rein

SED: un codificador-decodificador simple para la segmentación semántica de vocabulario abierto

• Documento: https://arxiv.org/abs/2311.15537
• Código: https://github.com/xb534/SED

Imagen Médica

Reincorporación de funciones: hacia el rendimiento básico a nivel de modelo en patología computacional

• Documento: https://arxiv.org/abs/2402.17228
• Código: https://github.com/DearCaat/RRT-MIL

VoCo: un marco de aprendizaje de contraste de volumen simple pero eficaz para el análisis de imágenes médicas en 3D

• Documento: https://arxiv.org/abs/2402.17300
• Código: https://github.com/Luffy03/VoCo

ChAda-ViT: Atención adaptativa de canales para el aprendizaje de representación conjunta de imágenes de microscopía heterogéneas

• Documento: https://arxiv.org/abs/2311.15264
• Código: https://github.com/nicoboou/chada_vit

Segmentación de imágenes médicas

Conducción autónoma

UniPAD: un paradigma universal de preentrenamiento para la conducción autónoma

• Documento: https://arxiv.org/abs/2310.08370
• Código: https://github.com/Nightmare-n/UniPAD

Cam4DOcc: punto de referencia para el pronóstico de ocupación 4D solo con cámara en aplicaciones de conducción autónoma

• Documento: https://arxiv.org/abs/2311.17663
• Código: https://github.com/haomo-ai/Cam4DOcc

Adaptadores basados ​​en memoria para percepción de escenas 3D en línea

• Documento: https://arxiv.org/abs/2403.06974
• Código: https://github.com/xuxw98/Online3D

Sinfonizar la finalización de escenas semánticas 3D con consultas de instancias contextuales

• Documento: https://arxiv.org/abs/2306.15670
• Código: https://github.com/hustvl/Symphonies

Un conjunto de datos a gran escala del mundo real para la percepción cooperativa en la carretera

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

Fusión adaptativa de profundidad de vista única y vista múltiple para conducción autónoma

• Documento: https://arxiv.org/abs/2403.07535
• Código: https://github.com/Junda24/AFNet

Análisis de escenas de tráfico a través del conjunto de datos TSP6K

• Documento: https://arxiv.org/pdf/2303.02835.pdf
• Código: https://github.com/PengtaoJiang/TSP6K

Nube de puntos 3D (3D-Point-Cloud)

Detección de objetos 3D

PTT: transformador de trayectoria puntual para una detección eficiente de objetos 3D temporales

• Documento: https://arxiv.org/abs/2312.08371
• Código: https://github.com/kuanchihhuang/PTT

UniMODE: Detección unificada de objetos monoculares 3D

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

Segmentación semántica 3D

Edición de imágenes

Edite uno para todos: edición interactiva de imágenes por lotes

• Página de inicio: https://thaoshibe.github.io/edit-one-for-all
• Documento: https://arxiv.org/abs/2401.10219
• Código: https://github.com/thaoshibe/edit-one-for-all

Edición de vídeo

MaskINT: Edición de vídeo mediante transformadores enmascarados interpolativos no autorregresivos

• Página de inicio: https://maskint.github.io

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

Visión de bajo nivel

Modelos de difusión de eliminación de ruido residual

• Documento: https://arxiv.org/abs/2308.13712
• Código: https://github.com/nachifur/RDDM

Impulsar la restauración de imágenes a través de modelos anteriores a partir de modelos previamente entrenados

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

Superresolución

SeD: discriminador semántico para superresolución de imágenes

• Documento: https://arxiv.org/abs/2402.19387
• Código: https://github.com/lbc12345/SeD

APISR: Superresolución de anime del mundo real inspirada en la producción de anime

• Documento: https://arxiv.org/abs/2403.01598
• Código: https://github.com/Kiteretsu77/APISR

Eliminación de ruido

Eliminación de ruido de imagen

Estimación de la postura humana en 3D

Tokenizador de reloj de arena para una estimación eficiente de la pose humana en 3D basada en transformadores

• Documento: https://arxiv.org/abs/2311.12028
• Código: https://github.com/NationalGAILab/HoT

Generación de imágenes

InstanceDiffusion: control a nivel de instancia para la generación de imágenes

• Página de inicio: https://people.eecs.berkeley.edu/~xdwang/projects/InstDiff/

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

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

ECLIPSE: una versión anterior de conversión de texto a imagen con uso eficiente de recursos para generaciones de imágenes

• Página de inicio: https://eclipse-t2i.vercel.app/

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

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

Instruct-Imagen: Generación de imágenes con instrucción multimodal

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

Modelos de difusión de eliminación de ruido residual

• Documento: https://arxiv.org/abs/2308.13712
• Código: https://github.com/nachifur/RDDM

UniGS: Representación unificada para generación y segmentación de imágenes

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

Controlador de generación de instancias múltiples para síntesis de texto a imagen

• Documento: https://arxiv.org/abs/2402.05408
• Código: https://github.com/limuloo/migc

SVGDreamer: Generación de SVG guiada por texto con modelo de difusión

• Documento: https://arxiv.org/abs/2312.16476
• Código: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: control de interacción para el modelo de difusión de texto a imagen

• Documento: https://arxiv.org/abs/2312.05849
• Código: https://github.com/jiuntian/interactdiffusion

Ranni: Domar la difusión de texto a imagen para un seguimiento preciso de las indicaciones

• Documento: https://arxiv.org/abs/2311.17002
• Código: https://github.com/ali-vilab/Ranni

Generación de vídeo

Vlogger: haz de tu sueño un vlog

• Documento: https://arxiv.org/abs/2401.09414
• Código: https://github.com/Vchitect/Vlogger

VBench: conjunto completo de pruebas comparativas para modelos generativos de vídeo

• Página de inicio: https://vchitect.github.io/VBench-project/
• Documento: https://arxiv.org/abs/2311.17982
• Código: https://github.com/Vchitect/VBench

VMC: personalización de movimiento de video mediante adaptación de atención temporal para modelos de difusión de texto a video

• Homeoage: https://video-motion-customization.github.io/
• Documento: https://arxiv.org/abs/2312.00845
• Código: https://github.com/HyeonHo99/Video-Motion-Customization

generación 3D

CityDreamer: modelo generativo composicional de ciudades 3D ilimitadas

• Página de inicio: https://haozhexie.com/project/city-dreamer/
• Documento: https://arxiv.org/abs/2309.00610
• Código: https://github.com/hzxie/city-dreamer

LucidDreamer: Hacia la generación de texto a 3D de alta fidelidad mediante la coincidencia de puntuaciones por intervalos

• Documento: https://arxiv.org/abs/2311.11284
• Código: https://github.com/EnVision-Research/LucidDreamer

Comprensión del vídeo

MVBench: un punto de referencia integral de comprensión de vídeo multimodal

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

Destilación del conocimiento

Estandarización Logit en la destilación del conocimiento

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

Destilación eficiente de conjuntos de datos mediante difusión Minimax

• Documento: https://arxiv.org/abs/2311.15529
• Código: https://github.com/vimar-gu/MinimaxDiffusion

Coincidencia estéreo

Campo aleatorio neuronal de Markov para coincidencia estéreo

• Documento: https://arxiv.org/abs/2403.11193
• Código: https://github.com/aeolusguan/NMRF

Generación de gráficos de escena

HiKER-SGG: generación sólida de gráficos de escena mejorada con conocimiento jerárquico

• Página de inicio: https://zhangce01.github.io/HiKER-SGG/
• Documento: https://arxiv.org/abs/2403.12033
• Código: https://github.com/zhangce01/HiKER-SGG

Evaluación de la calidad del vídeo

KVQ: Evaluación de la calidad de video de Kaleidoscope para videos de formato corto

• Página de inicio: https://lixinustc.github.io/projects/KVQ/

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

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

Conjuntos de datos

Un conjunto de datos a gran escala del mundo real para la percepción cooperativa en la carretera

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

Análisis de escenas de tráfico a través del conjunto de datos TSP6K

• Documento: https://arxiv.org/pdf/2303.02835.pdf
• Código: https://github.com/PengtaoJiang/TSP6K

Otros

Reconocimiento de objetos como predicción del siguiente token

• Documento: https://arxiv.org/abs/2312.02142
• Código: https://github.com/kaiyuyue/nxtp

ParameterNet: los parámetros son todo lo que necesita para el preentrenamiento visual a gran escala de redes móviles

• Documento: https://arxiv.org/abs/2306.14525
• Código: https://parameternet.github.io/

Composición perfecta del movimiento humano con codificaciones posicionales combinadas

• Documento: https://arxiv.org/abs/2402.15509
• Código: https://github.com/BarqueroGerman/FlowMDM

LL3DA: Ajuste de instrucción visual interactiva para la comprensión, el razonamiento y la planificación de Omni-3D

• Página de inicio: https://ll3da.github.io/

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

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

CLOVA: un asistente visual de bucle cerrado con uso y actualización de herramientas

• Página de inicio: https://clova-tool.github.io/
• Documento: https://arxiv.org/abs/2312.10908

MoMask: modelado generativo enmascarado de movimientos humanos 3D

• Documento: https://arxiv.org/abs/2312.00063
• Código: https://github.com/EricGuo5513/momask-codes

Verdad y finalización del terreno amodal en la naturaleza

• Página de inicio: https://www.robots.ox.ac.uk/~vgg/research/amodal/
• Documento: https://arxiv.org/abs/2312.17247
• Código: https://github.com/Championchess/Amodal-Completion-in-the-Wild

Base visual mejorada a través de explicaciones autoconsistentes

• Documento: https://arxiv.org/abs/2312.04554
• Código: https://github.com/uvavision/SelfEQ

ImageNet-D: Evaluación comparativa de la robustez de la red neuronal en objetos sintéticos de difusión

• Página de inicio: https://chenshuang-zhang.github.io/imagenet_d/
• Documento: https://arxiv.org/abs/2403.18775
• Código: https://github.com/chenshuang-zhang/imagenet_d

Aprendiendo de las actividades de grupos humanos sintéticos

• Página de inicio: https://cjerry1243.github.io/M3Act/
• Documento https://arxiv.org/abs/2306.16772
• Código: https://github.com/cjerry1243/M3Act

Un marco de decodificación cerebral multidisciplinar

• Página de inicio: https://littlepure2333.github.io/MindBridge/
• Documento: https://arxiv.org/abs/2404.07850
• Código: https://github.com/littlepure2333/MindBridge

Predicción densa para múltiples tareas mediante una combinación de expertos de bajo rango

• Documento: https://arxiv.org/abs/2403.17749
• Código: https://github.com/YuqiYang213/MLoRE

Aprendizaje contrastivo por cambio de media para el descubrimiento de categorías generalizadas

• Página de inicio: https://postech-cvlab.github.io/cms/
• Documento: https://arxiv.org/abs/2404.09451
• Código: https://github.com/sua-choi/CMS