หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

CVPR 2024 เอกสารและการรวบรวมโครงการโอเพ่นซอร์ส (เอกสารพร้อมรหัส)

การตัดสินใจ CVPR 2024 พร้อมใช้งานแล้วบน OpenReview!

หมายเหตุ 1: เรายินดีให้ทุกคนส่งประเด็นและแบ่งปันเอกสาร CVPR 2024 และโครงการโอเพ่นซอร์ส!

หมายเหตุ 2: สำหรับรายละเอียดเกี่ยวกับเอกสารจากการประชุม CV ครั้งก่อนๆ และเอกสาร CV คุณภาพสูงอื่นๆ และบทวิจารณ์ที่ครอบคลุม โปรดดู: https://github.com/amusi/daily-paper-computer-vision

  • อีซีซีวี2024
  • ซีพีอาร์ 2023

ยินดีต้อนรับสู่สแกนโค้ด QR เพื่อเข้าร่วม [CVer Academic Exchange Group] ซึ่งเป็นโลกความรู้ด้านคอมพิวเตอร์วิทัศน์ AI ที่ใหญ่ที่สุด! อัปเดตทุกวัน แบ่งปันสื่อการเรียนรู้ใหม่ล่าสุดและล้ำสมัยที่สุดในคอมพิวเตอร์วิทัศน์ การวาดภาพด้วย AI การประมวลผลภาพ การเรียนรู้เชิงลึก การขับขี่อัตโนมัติ การสร้างภาพทางการแพทย์ และ AIGC โดยเร็วที่สุด เริ่มเรียนรู้!

[ไดเรกทอรีกระดาษโอเพ่นซอร์ส CVPR 2024]

  • 3DGS (การสาดแบบเกาส์เซียน)
  • อวตาร
  • กระดูกสันหลัง
  • คลิป
  • แม่
  • AI ที่เป็นตัวเป็นตน
  • กัน
  • จีเอ็นเอ็น
  • โมเดลภาษาขนาดใหญ่หลายรูปแบบ (MLLM)
  • โมเดลภาษาขนาดใหญ่ (LLM)
  • นาส
  • โอซีอาร์
  • สสส
  • ดีทีอาร์
  • พรอมต์
  • แบบจำลองการแพร่กระจาย
  • ReID (การระบุตัวตนอีกครั้ง)
  • การกระจายพันธุ์หางยาว (Long-Tail)
  • วิสัยทัศน์หม้อแปลง
  • วิสัยทัศน์-ภาษา
  • การเรียนรู้ด้วยตนเอง
  • การเพิ่มข้อมูล
  • การตรวจจับวัตถุ
  • การตรวจจับความผิดปกติ
  • การติดตามเป้าหมาย (Visual Tracking)
  • การแบ่งส่วนความหมาย
  • การแบ่งส่วนอินสแตนซ์
  • การแบ่งส่วนแบบ Panoptic
  • ภาพทางการแพทย์
  • การแบ่งส่วนภาพทางการแพทย์
  • การแบ่งส่วนวัตถุวิดีโอ
  • การแบ่งส่วนอินสแตนซ์วิดีโอ
  • อ้างอิงการแบ่งส่วนภาพ
  • การปูรูปภาพ
  • การแก้ไขภาพ
  • วิสัยทัศน์ระดับต่ำ
  • สุดยอดความละเอียด
  • การปฏิเสธ
  • เบลอ
  • การขับขี่แบบอัตโนมัติ
  • เมฆพอยต์ 3 มิติ
  • การตรวจจับวัตถุ 3 มิติ
  • การแบ่งส่วนความหมาย 3 มิติ
  • การติดตามวัตถุ 3 มิติ
  • การทำให้ฉากความหมาย 3D เสร็จสมบูรณ์ (การทำให้ฉากความหมาย 3D เสร็จสมบูรณ์)
  • การลงทะเบียน 3 มิติ
  • การประมาณท่าทางมนุษย์แบบ 3 มิติ
  • การประมาณค่าตาข่ายมนุษย์ 3 มิติ
  • ภาพทางการแพทย์
  • การสร้างภาพ
  • การสร้างวิดีโอ
  • การสร้าง 3 มิติ
  • ความเข้าใจวิดีโอ
  • การตรวจจับการกระทำ
  • การตรวจจับข้อความ
  • การกลั่นกรองความรู้
  • การตัดแต่งกิ่งแบบจำลอง
  • การบีบอัดภาพ
  • การสร้างใหม่ 3 มิติ
  • การประมาณความลึก
  • การทำนายวิถี
  • การตรวจจับเลน
  • คำบรรยายภาพ
  • การตอบคำถามด้วยภาพ
  • การรับรู้ภาษามือ
  • การทำนายวิดีโอ
  • การสังเคราะห์มุมมองนวนิยาย
  • การเรียนรู้แบบ Zero-Shot (การเรียนรู้แบบไม่มีตัวอย่าง)
  • การจับคู่สเตอริโอ
  • การจับคู่คุณสมบัติ
  • การสร้างกราฟฉาก
  • การแสดงประสาทโดยนัย
  • การประเมินคุณภาพของภาพ
  • การประเมินคุณภาพวิดีโอ
  • ชุดข้อมูล
  • งานใหม่
  • คนอื่น

3DGS (การสาดแบบเกาส์เซียน)

Scaffold-GS: Gaussians 3 มิติที่มีโครงสร้างสำหรับการเรนเดอร์แบบ View-Adaptive

  • หน้าแรก: https://city-super.github.io/scaffold-gs/
  • บทความ: https://arxiv.org/abs/2312.00109
  • รหัส: https://github.com/city-super/Scaffold-GS

GPS-Gaussian: การสาดแบบเกาส์เซียน 3 มิติแบบพิกเซลที่ชาญฉลาดสำหรับการสังเคราะห์มุมมองนวนิยายมนุษย์แบบเรียลไทม์

  • หน้าแรก: https://shunyuanzheng.github.io/GPS-Gaussian
  • บทความ: https://arxiv.org/abs/2312.02155
  • รหัส: https://github.com/ShunyuanZheng/GPS-Gaussian

GaussianAvatar: สู่การสร้างแบบจำลองอวาตาร์มนุษย์ที่สมจริงจากวิดีโอเดียวผ่าน Gaussians 3D แบบเคลื่อนไหวได้

  • บทความ: https://arxiv.org/abs/2312.02134
  • รหัส: https://github.com/huliangxiao/GaussianAvatar

GaussianEditor: การแก้ไข 3D ที่รวดเร็วและควบคุมได้ด้วย Gaussian Splatting

  • บทความ: https://arxiv.org/abs/2311.14521
  • รหัส: https://github.com/buaacyw/GaussianEditor

Gaussians 3D ที่เปลี่ยนรูปได้สำหรับการสร้างฉากไดนามิกตาข้างเดียวที่มีความเที่ยงตรงสูง

  • หน้าแรก: https://ingra14m.github.io/Deformable-Gaussians/
  • บทความ: https://arxiv.org/abs/2309.13101
  • รหัส: https://github.com/ingra14m/Deformable-3D-Gaussians

SC-GS: การกระเซ็นแบบเกาส์แบบควบคุมแบบกระจัดกระจายสำหรับฉากไดนามิกที่แก้ไขได้

  • หน้าแรก: https://yihua7.github.io/SC-GS-web/
  • บทความ: https://arxiv.org/abs/2312.14937
  • รหัส: https://github.com/yihua7/SC-GS

การแบ่งคุณลักษณะ Gaussian ของกาลอวกาศสำหรับการสังเคราะห์มุมมองไดนามิกแบบเรียลไทม์

  • หน้าแรก: https://oppo-us-research.github.io/SpacetimeGaussians-website/
  • บทความ: https://arxiv.org/abs/2312.16812
  • รหัส: https://github.com/oppo-us-research/SpacetimeGaussians

DNGaussian: การเพิ่มประสิทธิภาพฟิลด์ Radiance Gaussian 3D แบบ Sparse-View ด้วยการปรับความลึกในระดับสากล-ท้องถิ่น

  • หน้าแรก: https://fictionarry.github.io/DNGaussian/
  • บทความ: https://arxiv.org/abs/2403.06912
  • รหัส: https://github.com/Fictionarry/DNGaussian

4D Gaussian Splatting สำหรับการแสดงฉากไดนามิกแบบเรียลไทม์

  • บทความ: https://arxiv.org/abs/2310.08528
  • รหัส: https://github.com/hustvl/4DGaussians

GaussianDreamer: การสร้างที่รวดเร็วจากข้อความเป็น Gaussians 3D โดยการเชื่อมโยงโมเดลการแพร่กระจาย 2D และ 3D

  • บทความ: https://arxiv.org/abs/2310.08529
  • รหัส: https://github.com/hustvl/GaussianDreamer

อวตาร

GaussianAvatar: สู่การสร้างแบบจำลองอวาตาร์มนุษย์ที่สมจริงจากวิดีโอเดียวผ่าน Gaussians 3D แบบเคลื่อนไหวได้

  • บทความ: https://arxiv.org/abs/2312.02134
  • รหัส: https://github.com/huliangxiao/GaussianAvatar

อวตารจำลองแบบเรียลไทม์จากเซ็นเซอร์ที่ติดตั้งบนศีรษะ

  • หน้าแรก: https://www.zhengyiluo.com/SimXR/
  • บทความ: https://arxiv.org/abs/2403.06862

กระดูกสันหลัง

RepViT: มาเยือน CNN บนมือถืออีกครั้งจากมุมมองของ ViT

  • บทความ: https://arxiv.org/abs/2307.09283
  • รหัส: https://github.com/THU-MIG/RepViT

TransNeXt: การรับรู้ภาพ Foveal ที่แข็งแกร่งสำหรับ Vision Transformers

  • บทความ: https://arxiv.org/abs/2311.17132
  • รหัส: https://github.com/DaiShiResearch/TransNeXt

คลิป

Alpha-CLIP: โมเดลคลิปที่เน้นทุกที่ที่คุณต้องการ

  • บทความ: https://arxiv.org/abs/2312.03818
  • รหัส: https://github.com/SunzeY/AlphaCLIP

FairCLIP: ควบคุมความเป็นธรรมในการเรียนรู้ภาษาวิสัยทัศน์

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

แม่

AI ที่เป็นตัวเป็นตน

EmbodiedScan: ชุดการรับรู้ 3D Multi-Modal แบบองค์รวมสู่ AI ที่เป็นตัวเป็นตน

  • หน้าแรก: https://tai-wang.github.io/embodiedscan/
  • บทความ: https://arxiv.org/abs/2312.16170
  • รหัส: https://github.com/OpenRobotLab/EmbodiedScan

MP5: ระบบเป็นตัวเป็นตนแบบเปิดหลายรูปแบบใน Minecraft ผ่านการรับรู้ที่ใช้งานอยู่

  • หน้าแรก: https://iranqin.github.io/MP5.github.io/
  • บทความ: https://arxiv.org/abs/2312.07472
  • รหัส: https://github.com/IranQin/MP5

LEMON: การเรียนรู้ความสัมพันธ์ระหว่างมนุษย์และวัตถุ 3 มิติจากภาพ 2 มิติ

  • บทความ: https://arxiv.org/abs/2312.08963
  • โค้ด: https://github.com/yyvhang/lemon_3d

กัน

โอซีอาร์

การศึกษาเชิงประจักษ์ของกฎมาตราส่วนสำหรับ OCR

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

ODM: แนวทางการฝึกอบรมล่วงหน้าสำหรับการจัดตำแหน่งข้อความและภาพเพิ่มเติมสำหรับการตรวจจับและการจำแนกข้อความในฉาก

  • บทความ: https://arxiv.org/abs/2403.00303
  • รหัส: https://github.com/PriNing/ODM

สสส

PIE-NeRF?: อีลาสโตไดนามิกเชิงโต้ตอบตามหลักฟิสิกส์พร้อม NeRF

  • บทความ: https://arxiv.org/abs/2311.13099
  • รหัส: https://github.com/FYTalon/pienerf/

ดีทีอาร์

DETR เอาชนะ YOLO ในการตรวจจับวัตถุแบบเรียลไทม์

  • บทความ: https://arxiv.org/abs/2304.08069
  • รหัส: https://github.com/lyuwenyu/RT-DETR

Salience DETR: การปรับปรุงหม้อแปลงตรวจจับด้วยการปรับแต่งการกรอง Salience แบบลำดับชั้น

  • บทความ: https://arxiv.org/abs/2403.16131
  • รหัส: https://github.com/xiuqhou/Salience-DETR

พรอมต์

โมเดลภาษาขนาดใหญ่หลายรูปแบบ (MLLM)

mPLUG-Owl2: ปฏิวัติโมเดลภาษาขนาดใหญ่แบบ Multi-modal ด้วยการทำงานร่วมกันแบบ Modality

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

การเรียนรู้ตามบริบทลิงก์สำหรับ LLM หลายรูปแบบ

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

OPERA: การบรรเทาอาการประสาทหลอนในแบบจำลองภาษาขนาดใหญ่หลายรูปแบบผ่านการลงโทษที่น่าเชื่อถือและการจัดสรรการย้อนหลัง

  • บทความ: https://arxiv.org/abs/2311.17911
  • รหัส: https://github.com/shikiw/OPERA

การสร้างโมเดลหลายรูปแบบขนาดใหญ่ให้เข้าใจการแจ้งด้วยภาพตามอำเภอใจ

  • หน้าแรก: https://vip-llava.github.io/
  • บทความ: https://arxiv.org/abs/2312.00784

สีชมพู: เผยพลังของความเข้าใจในการอ้างอิงสำหรับ llms หลายรูปแบบ

  • บทความ: https://arxiv.org/abs/2310.00582
  • รหัส: https://github.com/SY-Xuan/Pink

Chat-UniVi: การแสดงภาพแบบครบวงจรเสริมพลังให้กับโมเดลภาษาขนาดใหญ่พร้อมความเข้าใจเกี่ยวกับรูปภาพและวิดีโอ

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

OneLLM: กรอบงานเดียวในการจัดรูปแบบทั้งหมดให้สอดคล้องกับภาษา

  • บทความ: https://arxiv.org/abs/2312.03700
  • รหัส: https://github.com/csuhan/OneLLM

โมเดลภาษาขนาดใหญ่ (LLM)

VTimeLLM: เสริมศักยภาพ LLM เพื่อจับภาพช่วงเวลาวิดีโอ

  • บทความ: https://arxiv.org/abs/2311.18445
  • รหัส: https://github.com/huangb23/VTimeLLM

นาส

ReID (การระบุตัวตนอีกครั้ง)

โทเค็นเวทย์มนตร์: เลือกโทเค็นที่หลากหลายสำหรับการระบุวัตถุหลายรูปแบบ

  • บทความ: https://arxiv.org/abs/2403.10254
  • รหัส: https://github.com/924973292/EDITOR

การเรียนรู้การติดต่อสื่อสารที่มีเสียงดังเพื่อระบุตัวตนบุคคลจากข้อความเป็นรูปภาพอีกครั้ง

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

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

แบบจำลองการแพร่กระจาย

InstanceDiffusion: การควบคุมระดับอินสแตนซ์สำหรับการสร้างภาพ

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

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

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

แบบจำลองการแพร่กระจายของการลดสัญญาณรบกวนตกค้าง

  • บทความ: https://arxiv.org/abs/2308.13712
  • รหัส: https://github.com/nachifur/RDDM

DeepCache: เร่งโมเดลการแพร่กระจายฟรี

  • บทความ: https://arxiv.org/abs/2312.00858
  • รหัส: https://github.com/horseee/DeepCache

DEADiff: โมเดลการแพร่กระจายของสไตไลเซชันที่มีประสิทธิภาพพร้อมการนำเสนอที่ไม่พันกัน

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

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

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

SVGDreamer: การสร้าง SVG แบบมีข้อความแนะนำพร้อมโมเดลการแพร่กระจาย

  • บทความ: https://arxiv.org/abs/2312.16476
  • รหัส: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: การควบคุมการโต้ตอบสำหรับโมเดลการแพร่กระจายข้อความเป็นรูปภาพ

  • บทความ: https://arxiv.org/abs/2312.05849
  • รหัส: https://github.com/jiuntian/interactdiffusion

MMA-Diffusion: การโจมตีหลายรูปแบบในแบบจำลองการแพร่กระจาย

  • บทความ: https://arxiv.org/abs/2311.17516
  • รหัส: https://github.com/yangyijune/MMA-Diffusion

VMC: การปรับแต่งภาพเคลื่อนไหวโดยใช้การปรับความสนใจชั่วคราวสำหรับโมเดลการแพร่กระจายข้อความเป็นวิดีโอ

  • Homeoage: https://video-motion-customization.github.io/
  • บทความ: https://arxiv.org/abs/2312.00845
  • รหัส: https://github.com/HeonHo99/Video-Motion-Customization

วิสัยทัศน์หม้อแปลง

TransNeXt: การรับรู้ภาพ Foveal ที่แข็งแกร่งสำหรับ Vision Transformers

  • บทความ: https://arxiv.org/abs/2311.17132
  • รหัส: https://github.com/DaiShiResearch/TransNeXt

RepViT: มาเยือน CNN บนมือถืออีกครั้งจากมุมมองของ ViT

  • บทความ: https://arxiv.org/abs/2307.09283
  • รหัส: https://github.com/THU-MIG/RepViT

การฝึกอบรมทั่วไปและมีประสิทธิภาพสำหรับ Transformer ผ่านการขยาย Token

  • บทความ: https://arxiv.org/abs/2404.00672
  • รหัส: https://github.com/Osilly/TokenExpansion

วิสัยทัศน์-ภาษา

PromptKD: การกลั่นแบบทันทีโดยไม่มีผู้ดูแลสำหรับโมเดลภาษาวิชั่น

  • บทความ: https://arxiv.org/abs/2403.02781
  • รหัส: https://github.com/zhengli97/PromptKD

FairCLIP: ควบคุมความเป็นธรรมในการเรียนรู้ภาษาวิสัยทัศน์

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

การตรวจจับวัตถุ

DETR เอาชนะ YOLO ในการตรวจจับวัตถุแบบเรียลไทม์

  • บทความ: https://arxiv.org/abs/2304.08069
  • รหัส: https://github.com/lyuwenyu/RT-DETR

เพิ่มประสิทธิภาพการตรวจจับวัตถุด้วยการปรับโดเมนกลางวันและกลางคืนแบบ Zero-Shot

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

YOLO-World: การตรวจจับวัตถุคำศัพท์เปิดแบบเรียลไทม์

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

Salience DETR: การปรับปรุงหม้อแปลงตรวจจับด้วยการปรับแต่งการกรอง Salience แบบลำดับชั้น

  • บทความ: https://arxiv.org/abs/2403.16131
  • รหัส: https://github.com/xiuqhou/Salience-DETR

การตรวจจับความผิดปกติ

การเรียนรู้ความหลากหลายทางความผิดปกติสำหรับการตรวจจับความผิดปกติภายใต้การดูแลแบบเปิดชุด

  • บทความ: https://arxiv.org/abs/2310.12790
  • รหัส: https://github.com/mala-lab/AHL

การติดตามวัตถุ

เจาะลึกการกระจายวิถีแบบหางยาวสำหรับการติดตามวัตถุหลายชิ้น

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

การแบ่งส่วนความหมาย

แข็งแกร่งขึ้น น้อยลง และเหนือกว่า: การใช้แบบจำลองพื้นฐานวิสัยทัศน์สำหรับการแบ่งส่วนความหมายทั่วไปของโดเมน

  • บทความ: https://arxiv.org/abs/2312.04265
  • รหัส: https://github.com/w1oves/Rein

SED: ตัวเข้ารหัส-ตัวถอดรหัสอย่างง่ายสำหรับการแบ่งส่วนความหมายคำศัพท์แบบเปิด

  • บทความ: https://arxiv.org/abs/2311.15537
  • รหัส: https://github.com/xb534/SED

ภาพทางการแพทย์

การฝังคุณลักษณะใหม่: สู่ประสิทธิภาพระดับแบบจำลองพื้นฐานในพยาธิวิทยาคอมพิวเตอร์

  • บทความ: https://arxiv.org/abs/2402.17228
  • รหัส: https://github.com/DearCaat/RRT-MIL

VoCo: กรอบการเรียนรู้เชิงเปรียบเทียบเชิงปริมาตรที่เรียบง่ายแต่มีประสิทธิภาพสำหรับการวิเคราะห์ภาพทางการแพทย์ 3 มิติ

  • บทความ: https://arxiv.org/abs/2402.17300
  • โค้ด: https://github.com/Luffy03/VoCo

ชฎา-วิท : Channel Adaptive Attention for Joint Representation Learning of Heterogeneous Microscopy Image

  • บทความ: https://arxiv.org/abs/2311.15264
  • รหัส: https://github.com/nicoboou/chada_vit

การแบ่งส่วนภาพทางการแพทย์

การขับขี่แบบอัตโนมัติ

UniPAD: กระบวนทัศน์ก่อนการฝึกอบรมสากลสำหรับการขับขี่อัตโนมัติ

  • บทความ: https://arxiv.org/abs/2310.08370
  • รหัส: https://github.com/Nightmare-n/UniPAD

Cam4DOcc: เกณฑ์มาตรฐานสำหรับการคาดการณ์อัตราการเข้าพัก 4 มิติเฉพาะกล้องในแอปพลิเคชันการขับขี่อัตโนมัติ

  • บทความ: https://arxiv.org/abs/2311.17663
  • รหัส: https://github.com/haomo-ai/Cam4DOcc

อะแดปเตอร์ที่ใช้หน่วยความจำสำหรับการรับรู้ฉาก 3D ออนไลน์

  • บทความ: https://arxiv.org/abs/2403.06974
  • รหัส: https://github.com/xuxw98/Online3D

ประสานฉากความหมาย 3 มิติให้สมบูรณ์ด้วยการสืบค้นอินสแตนซ์ตามบริบท

  • บทความ: https://arxiv.org/abs/2306.15670
  • รหัส: https://github.com/hustvl/Symphonies

ชุดข้อมูลขนาดใหญ่ในโลกแห่งความเป็นจริงสำหรับการรับรู้สหกรณ์ริมถนน

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

การผสมผสานแบบปรับได้ของความลึกมุมมองเดียวและหลายมุมมองสำหรับการขับขี่แบบอัตโนมัติ

  • บทความ: https://arxiv.org/abs/2403.07535
  • รหัส: https://github.com/Junda24/AFNet

การแยกวิเคราะห์ฉากจราจรผ่านชุดข้อมูล TSP6K

  • บทความ: https://arxiv.org/pdf/2303.02835.pdf
  • รหัส: https://github.com/PengtaoJiang/TSP6K

พอยต์คลาวด์ 3 มิติ (3D-Point-Cloud)

การตรวจจับวัตถุ 3 มิติ

ปตท.: หม้อแปลงจุดวิถีสำหรับการตรวจจับวัตถุ 3 มิติชั่วคราวอย่างมีประสิทธิภาพ

  • บทความ: https://arxiv.org/abs/2312.08371
  • รหัส: https://github.com/kuanchihhuang/PTT

UniMODE: การตรวจจับวัตถุ 3 มิติแบบตาข้างเดียวแบบครบวงจร

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

การแบ่งส่วนความหมาย 3 มิติ

การแก้ไขภาพ

แก้ไขหนึ่งเดียวสำหรับทั้งหมด: การแก้ไขภาพชุดเชิงโต้ตอบ

  • หน้าแรก: https://thaoshibe.github.io/edit-one-for-all
  • บทความ: https://arxiv.org/abs/2401.10219
  • รหัส: https://github.com/thaoshibe/edit-one-for-all

การตัดต่อวิดีโอ

MaskINT: การตัดต่อวิดีโอผ่าน Interpolative Non-autoregressive Masked Transformers

  • หน้าแรก: https://maskint.github.io

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

วิสัยทัศน์ระดับต่ำ

แบบจำลองการแพร่กระจายของการลดสัญญาณรบกวนตกค้าง

  • บทความ: https://arxiv.org/abs/2308.13712
  • รหัส: https://github.com/nachifur/RDDM

ส่งเสริมการฟื้นฟูภาพผ่าน Priors จากโมเดลที่ผ่านการฝึกอบรมมาแล้ว

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

สุดยอดความละเอียด

SeD: Semantic-Aware Discriminator สำหรับรูปภาพที่มีความละเอียดสูงสุด

  • บทความ: https://arxiv.org/abs/2402.19387
  • รหัส: https://github.com/lbc12345/SeD

APISR: การผลิตอนิเมะเป็นแรงบันดาลใจให้กับอนิเมะในโลกแห่งความเป็นจริง

  • บทความ: https://arxiv.org/abs/2403.01598
  • รหัส: https://github.com/Kiteretsu77/APISR

การปฏิเสธ

การลดสัญญาณรบกวนของภาพ

การประมาณท่าทางมนุษย์แบบ 3 มิติ

Tokenizer นาฬิกาทรายเพื่อการประมาณท่าทางมนุษย์ 3 มิติที่ใช้หม้อแปลงอย่างมีประสิทธิภาพ

  • บทความ: https://arxiv.org/abs/2311.12028
  • รหัส: https://github.com/NationalGAILab/HoT

การสร้างภาพ

InstanceDiffusion: การควบคุมระดับอินสแตนซ์สำหรับการสร้างภาพ

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

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

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

ECLIPSE: การแปลงข้อความเป็นรูปภาพที่มีประสิทธิภาพทรัพยากรก่อนสำหรับการสร้างรูปภาพ

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

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

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

Instruct-Imagen: การสร้างอิมเมจพร้อมคำสั่งแบบหลายกิริยา

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

แบบจำลองการแพร่กระจายของการลดสัญญาณรบกวนตกค้าง

  • บทความ: https://arxiv.org/abs/2308.13712
  • รหัส: https://github.com/nachifur/RDDM

UniGS: การแสดงแบบรวมสำหรับการสร้างและการแบ่งส่วนภาพ

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

ตัวควบคุมการสร้างอินสแตนซ์หลายอินสแตนซ์สำหรับการสังเคราะห์ข้อความเป็นรูปภาพ

  • บทความ: https://arxiv.org/abs/2402.05408
  • รหัส: https://github.com/limuloo/migc

SVGDreamer: การสร้าง SVG แบบมีข้อความแนะนำพร้อมโมเดลการแพร่กระจาย

  • บทความ: https://arxiv.org/abs/2312.16476
  • รหัส: https://ximinng.github.io/SVGDreamer-project/

InteractDiffusion: การควบคุมการโต้ตอบสำหรับโมเดลการแพร่กระจายข้อความเป็นรูปภาพ

  • บทความ: https://arxiv.org/abs/2312.05849
  • รหัส: https://github.com/jiuntian/interactdiffusion

Ranni: ฝึกฝนการแพร่กระจายข้อความเป็นภาพเพื่อการติดตามพร้อมท์ที่แม่นยำ

  • บทความ: https://arxiv.org/abs/2311.17002
  • รหัส: https://github.com/ali-vilab/Ranni

การสร้างวิดีโอ

Vlogger: ทำความฝันของคุณให้เป็น Vlog

  • บทความ: https://arxiv.org/abs/2401.09414
  • โค้ด: https://github.com/Vchitect/Vlogger

VBench: ชุดเกณฑ์มาตรฐานที่ครอบคลุมสำหรับโมเดลการสร้างวิดีโอ

  • หน้าแรก: https://vchitect.github.io/VBench-project/
  • บทความ: https://arxiv.org/abs/2311.17982
  • รหัส: https://github.com/Vchitect/VBench

VMC: การปรับแต่งภาพเคลื่อนไหวโดยใช้การปรับความสนใจชั่วคราวสำหรับโมเดลการแพร่กระจายข้อความเป็นวิดีโอ

  • Homeoage: https://video-motion-customization.github.io/
  • บทความ: https://arxiv.org/abs/2312.00845
  • รหัส: https://github.com/HeonHo99/Video-Motion-Customization

การสร้าง 3 มิติ

CityDreamer: แบบจำลองการสร้างองค์ประกอบของเมือง 3 มิติที่ไร้ขอบเขต

  • หน้าแรก: https://haozhexie.com/project/city-dreamer/
  • บทความ: https://arxiv.org/abs/2309.00610
  • รหัส: https://github.com/hzxie/city-dreamer

LucidDreamer: สู่การสร้างข้อความเป็น 3D ที่มีความแม่นยำสูงผ่านการจับคู่คะแนนตามช่วงเวลา

  • บทความ: https://arxiv.org/abs/2311.11284
  • รหัส: https://github.com/EnVision-Research/LucidDreamer

ความเข้าใจวิดีโอ

MVBench: เกณฑ์มาตรฐานการทำความเข้าใจวิดีโอหลายรูปแบบที่ครอบคลุม

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

การกลั่นกรองความรู้

การกำหนดมาตรฐาน Logit ในการกลั่นความรู้

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

การกลั่นชุดข้อมูลที่มีประสิทธิภาพผ่านการแพร่กระจายขั้นต่ำสุด

  • บทความ: https://arxiv.org/abs/2311.15529
  • รหัส: https://github.com/vimar-gu/MinimaxDiffusion

การจับคู่สเตอริโอ

Neural Markov Random Field สำหรับการจับคู่สเตอริโอ

  • บทความ: https://arxiv.org/abs/2403.11193
  • รหัส: https://github.com/aeolusguan/NMRF

การสร้างกราฟฉาก

HiKER-SGG: ความรู้แบบลำดับชั้นช่วยเพิ่มการสร้างกราฟฉากที่แข็งแกร่ง

  • หน้าแรก: https://zhangce01.github.io/HiKER-SGG/
  • บทความ: https://arxiv.org/abs/2403.12033
  • รหัส: https://github.com/zhangce01/HiKER-SGG

การประเมินคุณภาพวิดีโอ

KVQ: การประเมินคุณภาพวิดีโอคาไลโดสโคปสำหรับวิดีโอแบบสั้น

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

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

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

ชุดข้อมูล

ชุดข้อมูลขนาดใหญ่ในโลกแห่งความเป็นจริงสำหรับการรับรู้สหกรณ์ริมถนน

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

การแยกวิเคราะห์ฉากจราจรผ่านชุดข้อมูล TSP6K

  • บทความ: https://arxiv.org/pdf/2303.02835.pdf
  • รหัส: https://github.com/PengtaoJiang/TSP6K

คนอื่น

การรับรู้วัตถุเป็นการทำนายโทเค็นถัดไป

  • บทความ: https://arxiv.org/abs/2312.02142
  • รหัส: https://github.com/kaiyuyue/nxtp

ParameterNet: พารามิเตอร์คือสิ่งที่คุณต้องการสำหรับการฝึกอบรมล่วงหน้าด้วยภาพขนาดใหญ่ของเครือข่ายมือถือ

  • บทความ: https://arxiv.org/abs/2306.14525
  • รหัส: https://parameternet.github.io/

องค์ประกอบการเคลื่อนไหวของมนุษย์ไร้รอยต่อพร้อมการเข้ารหัสตำแหน่งแบบผสมผสาน

  • บทความ: https://arxiv.org/abs/2402.15509
  • รหัส: https://github.com/BarqueroGerman/FlowMDM

LL3DA: การปรับแต่งคำสั่งแบบโต้ตอบด้วยภาพสำหรับการทำความเข้าใจ การใช้เหตุผล และการวางแผน Omni-3D

  • หน้าแรก: https://ll3da.github.io/

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

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

CLOVA: Visual Assistant แบบ Closed-LOop พร้อมการใช้งานและอัปเดตเครื่องมือ

  • หน้าแรก: https://clova-tool.github.io/
  • บทความ: https://arxiv.org/abs/2312.10908

MoMask: การสร้างแบบจำลองมาสก์เจนเนอเรชั่นของการเคลื่อนไหวมนุษย์ 3 มิติ

  • บทความ: https://arxiv.org/abs/2312.00063
  • รหัส: https://github.com/EricGuo5513/momask-codes

อโมดัล ความจริงและความสมบูรณ์ในป่า

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

ปรับปรุงการต่อสายดินด้วยการมองเห็นด้วยคำอธิบายที่สอดคล้องกันในตัวเอง

  • บทความ: https://arxiv.org/abs/2312.04554
  • รหัส: https://github.com/uvavision/SelfEQ

ImageNet-D: การเปรียบเทียบความทนทานของโครงข่ายประสาทเทียมบนวัตถุสังเคราะห์แบบกระจาย

  • หน้าแรก: https://chenshuang-zhang.github.io/imagenet_d/
  • บทความ: https://arxiv.org/abs/2403.18775
  • รหัส: https://github.com/chenshuang-zhang/imagenet_d

การเรียนรู้จากกิจกรรมกลุ่มมนุษย์สังเคราะห์

  • หน้าแรก: https://cjerry1243.github.io/M3Act/
  • บทความ https://arxiv.org/abs/2306.16772
  • รหัส: https://github.com/cjerry1243/M3Act

กรอบการถอดรหัสสมองแบบข้ามวิชา

  • หน้าแรก: https://littlepure2333.github.io/MindBridge/
  • บทความ: https://arxiv.org/abs/2404.07850
  • รหัส: https://github.com/littlepure2333/MindBridge

การคาดการณ์ความหนาแน่นแบบหลายงานผ่านการผสมผสานของผู้เชี่ยวชาญระดับต่ำ

  • บทความ: https://arxiv.org/abs/2403.17749
  • รหัส: https://github.com/YuqiYang213/MLoRE

การเรียนรู้แบบเปลี่ยนค่าเฉลี่ยที่ตรงกันข้ามสำหรับการค้นพบหมวดหมู่ทั่วไป

  • หน้าแรก: https://postech-cvlab.github.io/cms/
  • บทความ: https://arxiv.org/abs/2404.09451
  • รหัส: https://github.com/sua-choi/CMS
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด