CVPR 2025 | 计算机视觉基础模型学习到人类视觉系统的低级特征了吗？

最新推荐文章于 2025-05-11 16:24:48 发布
最新推荐文章于 2025-05-11 16:24:48 发布
阅读量20 收藏
点赞数
分类专栏： 计算机顶会顶刊论文解读 文章标签： 计算机视觉 人工智能 深度学习 CVPR 计算机顶会 论文解读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/147138978
版权

论文信息

题目：Do computer vision foundation models learn the low-level characteristics of the human visual system?
计算机视觉基础模型学习到人类视觉系统的低级特征了吗？
作者：Yancheng Cai, Fei Yin, Dounia Hammou, Rafal Mantiuk

论文创新点

  1. 设计全面测试方案：该论文的作者设计了一套包含九种测试类型的实验方案，涵盖对比度检测、对比度掩蔽和对比度恒常性等方面，全面地对基础模型和生成模型的图像编码器进行评估。
  2. 测试多模型图像编码器：对45种具有代表性的基础模型和生成模型的图像编码器展开测试，其中包含像DINO、DINOv2、OpenCLIP等极具影响力的大型视觉基础模型，以及生
了解本专栏 订阅专栏 解锁全文
深度学习入门（六）——计算机视觉简述
weixin_41480034的博客
05-28 7791
深度学习与计算机视觉数学基础卷积数学优化基础卷积神经网络基本概念卷积层和特征响应图参数共享稀疏连接多通道卷积激活函数池化、不变性和感受野LeNetAlexNetGoogleNetResNet目标检测任务分割任务分类任务 数学基础 卷积 数学优化基础 卷积神经网络 基本概念 卷积层和特征响应图 参数共享 稀疏连接 多通道卷积 激活函数 池化、不变性和感受野 LeNet AlexNet GoogleNet ResNet 目标检测任务 分割任务 分类任务 ...
马尔奖得主 Alan Yuille | AI 视觉的未来：像人一样看世界
BAAIBeijing的博客
06-18 541
‍‍智源导读：人类的视觉系统经过百万年的进化已具有非常强大的功能，甚至是一种未受到充分赏识的超能力。人类之所以在视觉上表现如此优异，一方面归功于人类的进化史，另一方面是因为我们的大脑投入了...
计算机视觉基础模型学习了人类视觉系统的底层特征吗？CVPR 2025
u014546828的博客
03-12 641
计算机视觉基础模型（如DINO或OpenCLIP）通过自监督方式在大型图像数据集上进行训练。类似地，大量证据表明人类视觉系统（HVS）受到自然世界中颜色和图案统计分布的影响——这一特性同样存在于基础模型的训练数据中。本文探讨的核心问题是：在自然图像上训练的基础模型是否能够模拟人类视觉系统的某些低级特征（如对比度检测、对比度掩蔽和对比度恒常性）。为此，我们设计了一个包含9种测试类型的实验协议，对45种基础模型和生成模型的图像编码器进行了评估。结果表明，部分基础模型（如DINO、DINOv2和OpenCLIP）
综述 | 基于特征的视觉同步定位和建图
qq_29462849的博客
04-09 4729
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达Feature‑based visual simultaneous localization and mapping: a surveyRana Azzam1 · Tarek Taha2 · Shoudong Huang3 · Yahya Zweiri4接收日期：2019 年 10 月 30 日/接受时间：2020...
大火的何恺明：MAE——用于计算机视觉的可扩展自监督学习神器
limingmin2020的博客
03-18 7803
作者：王浩 毕业于北京航空航天大学，人工智能领域优质创作者，CSDN博客认证专家 首发：公众号【3D视觉开发者社区】 导语： 近期，何铠明的新作可谓是火出了圈，毕竟何佬出品必是精品，由何佬提出的的ResNet、Faster RCNN等模型一直被大家学习和研究。如今，何铠明又带来一种用于计算机视觉的可扩展自监督学习器, 称之为”掩码自编码器 (MAE) “，本文将对该视觉学习器原理及实现方法进行解读。 Masked Autoencoders Are Scalable Vision Learners 论文.
计算机视觉 – Computer Vision | CV
阿哥的专栏
01-28 4258
计算机视觉（Computer Vision）是人工智能领域的一个重要分支。它的目的是：看懂图片里的内容。 本文将介绍计算机视觉的基本概念、实现原理、8 个任务和 4 个生活中常见的应用场景。 计算机视觉为什么重要？ 人的大脑皮层， 有差不多 70% 都是在处理视觉信息。 是人类获取信息最主要的渠道，没有之一。 在网络世界，照片和视频（图像的集合）也正在发生爆炸式的增长！ 下图是网络上新增数据的占比趋势图。灰色是结构化数据，蓝色是非结构化数据（大部分都是图像和视频）。可以很明显的发现，图片和视频.
(Arxiv-2024)将扩散模型蒸馏为条件 GANs
顾道长生的科研笔记
07-29 1184
我们提出了一种方法，将复杂的多步扩散模型蒸馏为单步条件 GAN 学生模型，从而显著加快推理速度，同时保持图像质量。我们的方法将扩散蒸馏解释为成对的图像到图像转换任务，使用扩散模型 ODE 轨迹的噪声到图像对。为了高效计算回归损失，我们提出了 E-LatentLPIPS，这是一种直接在扩散模型的潜在空间中运行的感知损失，利用一组增强。此外，我们调整了扩散模型来构建具有文本对齐损失的多尺度鉴别器，以构建有效的基于条件 GAN 的公式。
（CVPR-2014）通过预测 10,000 个类别的深度学习人脸表示
顾道长生的科研笔记
04-21 3615
通过预测 10,000 个类别的深度学习人脸表示 paper题目：Deep Learning Face Representation from Predicting 10,000 Classes paper是香港中文大学发表在CVPR 2014的工作 paper地址：链接 Abstract 本文提出通过深度学习学习一组高级特征表示，称为深度隐藏身份特征（DeepID），用于人脸验证。作者认为，DeepID 可以通过具有挑战性的多类人脸识别任务有效地学习，同时它们可以推广到其他任务（例如验证）和训
（Arxiv-2021）掩码自编码器是可扩展的视觉学习者
顾道长生的科研笔记
04-15 1686
掩码自编码器是可扩展的视觉学习者 paper题目：Masked Autoencoders Are Scalable Vision Learners paper是FAIR发表在arxiv 2021的工作 paper地址：链接 Abstract 本文表明，掩码自编码器 (MAE) 是用于计算机视觉的可扩展自监督学习器。MAE方法很简单：屏蔽输入图像的随机patch并重建丢失的像素。它基于两个核心设计。首先，开发了一个非对称的编码器-解码器架构，其中一个编码器只对可见的patch子集（没有掩码toke
【2023CVPR--基于人脑fMRI活动的潜在扩散模型进行高分辨率图像重建】
surging1234的博客
04-21 2204
​ 摘要： 从人类大脑活动中重建视觉体验提供了一种独特的方式来理解大脑如何代表世界，并解释计算机视觉模型与我们的视觉系统之间的联系。虽然深度生成模型最近被用于这项任务，但重建具有高语义保真度的逼真图像仍然是一个具有挑战性的问题。在此，我们提出了一种基于扩散模型(DM)的新方法来重建通过功能磁共振成像(fMRI)获得的人脑活动图像。更具体地说，我们依赖于一种称为稳定扩散的潜在扩散模型(LDM)。该模型降低了DM的计算成本，同时保持了其高生成性能。我们还通过研究LDM的不同组成部分(如图像Z的潜在向量、条件反
卷积神经网络为什么能称霸计算机视觉领域？
热门推荐
SIGAI_CSDN的博客
06-20 1万+
本文及其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造，自2019年1月出版以来已重印3次。 书的购买链接 书的勘误，优化，源代码资源 导言 在机器视觉和其他很多问题上，卷积神经网络取得了当前最好的效果，它的成功促使我们思考一个问题， 卷积神经网络为什么会这么有效？在本文中，SIGAI将为大家分析卷积神经网络背后的...
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 2686
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
【计算机视觉】基于Python的相机标定项目Camera-Calibration深度解析
最新发布
weixin_43988131的博客
05-11 477
基于Python的相机标定项目Camera-Calibration深度解析
【计算机视觉】OpenCV项目实战：基于OpenCV的图像分割技术深度解析与实践指南
weixin_43988131的博客
05-10 742
OpenCV项目实战：基于OpenCV的图像分割技术深度解析与实践指南
OpenCV计算机视觉实战（3）——计算机图像处理基础
qq_30167691的博客
05-07 999
本文全面介绍了计算机视觉和数字图像处理的基础知识。从最基本的像素概念入手，详细讲解了图像在计算机中的表示方式，包括RGB、CMYK等色彩空间的工作原理及其应用场景。还系统分析了常见图像和视频文件格式的特点，梳理了计算机图像处理技术的发展历程，并重点介绍了OpenCV这一强大的开源计算机视觉库的功能与应用领域。
【计算机视觉】OpenCV实战项目：Long-Exposure：基于深度学习的长时间曝光合成技术
weixin_43988131的博客
05-07 1079
Long-Exposure：基于深度学习的长时间曝光合成技术
【计算机视觉】3DDFA_V2中表情与姿态解耦及多任务平衡机制深度解析
weixin_43988131的博客
05-10 788
3DDFA_V2中表情与姿态解耦及多任务平衡机制深度解析
基于计算机视觉的试卷答题区表格识别与提取技术
m0_61786208的博客
05-06 1103
本文介绍的试卷答题区表格识别技术，通过计算机视觉算法实现了高效准确的表格定位和单元格提取。高精度：采用多尺度策略和位置校正算法，提高了表格线识别的精度高适应性：能够处理不同样式的试卷答题区高效率：自动化处理流程大幅提高了试卷处理效率未来我们将继续优化算法，提高对更复杂表格的识别能力，并结合OCR技术实现答案内容的自动识别。
yolov1-v3
嵌入式与人工智能
05-07 902
yolov1 v2 v3
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值