<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u012854516的专栏]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/u012854516</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; u012854516]]></copyright><item><title><![CDATA[CV每日论文--2024.7.25]]></title><link>https://blog.csdn.net/u012854516/article/details/141439866</link><guid>https://blog.csdn.net/u012854516/article/details/141439866</guid><author>u012854516</author><pubDate>Thu, 22 Aug 2024 22:51:29 +0800</pubDate><description><![CDATA[生成具有全面挑战和相关深度信息的新的、用户定义的场景:我们利用具有深度感知控制的先进文本到图像扩散模型,生成高质量图像内容,并保持生成和源图像之间的三维结构的一致性。4. 性能优越:我们进行了全面的实验验证,PartGLEE在各种部件级任务上实现了最先进的性能,并在对象级任务上获得了竞争性的结果。：我们提出了PartGLEE, 这是一个用于定位和识别图像中物体及其部件的部件级基础模型。：这篇论文提出了一种称为SAM-CP的简单方法,可以在SAM模型的基础上建立两种可组合的提示类型,用于灵活的语义分割。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.24]]></title><link>https://blog.csdn.net/u012854516/article/details/141122153</link><guid>https://blog.csdn.net/u012854516/article/details/141122153</guid><author>u012854516</author><pubDate>Mon, 12 Aug 2024 09:06:59 +0800</pubDate><description><![CDATA[我们提出的方法名为AutoAD-Zero,在电影和电视剧的AD生成中表现出色,甚至可与一些基于真实AD进行微调的模型相竞争,实现了最先进的CRITIC分数。与此前方法相比,我们的方法在现实场景中展现出了更强的适应性和广泛性,并提出了更优秀的结果识别机制,为该领域的进一步发展提供了有价值的研究洞见。识别改进:我们引入了一种新的基于聚类的方法,从成千上万个候选项中识别出好的重建结果,显著改进了以往依赖于训练集知识的方法。隐私风险揭示:我们的研究结果揭示了使用迁移学习训练的模型可能存在数据泄露的潜在隐私风险。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.23]]></title><link>https://blog.csdn.net/u012854516/article/details/141122001</link><guid>https://blog.csdn.net/u012854516/article/details/141122001</guid><author>u012854516</author><pubDate>Mon, 12 Aug 2024 09:05:45 +0800</pubDate><description><![CDATA[给定一个带有特定概念标签的图像数据集,我们在文本空间中对示例中的概念进行排列,然后利用文本-图像扩散模型生成对应的图像。现有的图像模型解释方法,如激活图,仅限于像素空间中的基于实例的解释,难以理解模型的全局行为。相比之下,用于表格数据分类器的基于排列的解释方法通过比较对数据进行排列前后的模型性能,来衡量特征的重要性。我们进一步精心设计了基于多模态语言模型(MLLM)、基于检测和基于跟踪的评估指标,这些指标能更好地反映出七个提议类别的组合文本到视频生成质量,共有700个文本提示。]]></description><category></category></item><item><title><![CDATA[PolyDiffusion速读]]></title><link>https://blog.csdn.net/u012854516/article/details/140923267</link><guid>https://blog.csdn.net/u012854516/article/details/140923267</guid><author>u012854516</author><pubDate>Mon, 05 Aug 2024 11:53:36 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.22]]></title><link>https://blog.csdn.net/u012854516/article/details/140600082</link><guid>https://blog.csdn.net/u012854516/article/details/140600082</guid><author>u012854516</author><pubDate>Mon, 22 Jul 2024 09:08:16 +0800</pubDate><description><![CDATA[对于参数合并,我们的实证分析发现,当使用相同的预训练骨干网络时,简单的线性合并就足够了。我们的方法简单高效,在无需访问训练数据的情况下,仍能达到与基于联合训练数据的方法相当的性能。：我们提出了一种基于即时合成的方法来生成长序列的街景视图。我们在Google Street View的大规模数据集上训练了Streetscapes系统,并利用上下文地图数据,使用户能够生成基于任何所需城市布局的城市视图,并控制相机姿态。此外,我们引入了一种基于蒸馏的训练目标,以稳定大型模型的训练,从而导致一致的性能提升。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.19]]></title><link>https://blog.csdn.net/u012854516/article/details/140600047</link><guid>https://blog.csdn.net/u012854516/article/details/140600047</guid><author>u012854516</author><pubDate>Mon, 22 Jul 2024 09:07:02 +0800</pubDate><description><![CDATA[我们提出了一种新颖的风格化运动扩散模型,称为SMooDi,可以生成由内容文本和风格运动序列驱动的风格化运动。最近,新方法展示了生成具有可控相机姿态视频的能力,利用了预训练的基于U-Net的扩散模型,显式地分离了空间和时间生成。通过引入对相机移动的精细控制,我们的方法为文本到视频合成模型开拓了新的可能性,为相关的内容创作、视觉效果和3D视觉应用提供了更强大的工具。总的来说,SMooDi是一种新颖而强大的模型,能够快速生成内容丰富、风格多样的运动,为各种应用提供了有价值的支持。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.16]]></title><link>https://blog.csdn.net/u012854516/article/details/140484408</link><guid>https://blog.csdn.net/u012854516/article/details/140484408</guid><author>u012854516</author><pubDate>Wed, 17 Jul 2024 09:07:28 +0800</pubDate><description><![CDATA[我们开发了理论和实际的计算技术,用于构建辐射场和从SPCs捕获的非传统、随机和高速二进制帧序列估计密集的相机姿态。：现有的深度学习方法在复杂场景中(包括杂乱的背景和半透明物体等)存在一个关键问题,即忽略了语义提示的重要性。因此,我们主张利用众包的方式来构建建筑领域的数据集,这有助于促进自主机器人系统在该领域的发展。结果表明,与现有方法相比,我们的FANet方法取得了最先进的分割性能。该工作通过创新性地融合语义提示,有效地解决了复杂场景下语义分割的关键问题,为该领域的进一步发展提供了新的方向。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.15]]></title><link>https://blog.csdn.net/u012854516/article/details/140484375</link><guid>https://blog.csdn.net/u012854516/article/details/140484375</guid><author>u012854516</author><pubDate>Wed, 17 Jul 2024 09:06:16 +0800</pubDate><description><![CDATA[当在推理过程中标签不可用时,我们的模型可以直接从输入数据中推断出必要的调节嵌入,这得益于在训练阶段学习的前馈网络。我们介绍了 StyleSplat,这是一种轻量级的方法,可在由参考样式图像的三维高斯表示的场景中为三维对象添加风格。我们的结果表明,DeCode 在泛化到未见数据方面显著优于传统的非调节模型,在降低计算成本的同时实现了更高的准确性。：本研究介绍了一种新的方法 DeCode,通过利用标签派生特征来支持解码器在重建过程中动态地进行模型调整,以提高训练效率,解决 3D 分割任务中模型性能提升的挑战。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.12]]></title><link>https://blog.csdn.net/u012854516/article/details/140369580</link><guid>https://blog.csdn.net/u012854516/article/details/140369580</guid><author>u012854516</author><pubDate>Fri, 12 Jul 2024 09:16:39 +0800</pubDate><description><![CDATA[为了克服4D训练数据有限的挑战,我们提倡在3D(仅含相机姿态)、4D(含姿态和时间)和视频(仅含时间)数据上进行联合训练,并提出了一种新的架构来实现这一点。为了对模型进行评估,我们引入了新的指标来补充和克服当前评估方案的不足,并展示了在保真度和姿态控制方面优于现有3D NVS扩散模型的最新结果,同时增加了处理时间动态的能力。然而,现有的开放式LMMs主要集中在单图像任务上,它们在多图像、多帧(视频)、多视角(3D)和多块(单图像)等更复杂的场景中的应用尚未得到充分探索。中文标题：作为动作模型的生成图像。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.11]]></title><link>https://blog.csdn.net/u012854516/article/details/140369551</link><guid>https://blog.csdn.net/u012854516/article/details/140369551</guid><author>u012854516</author><pubDate>Fri, 12 Jul 2024 09:15:33 +0800</pubDate><description><![CDATA[在本文中,我们提出了一项名为无监督概念提取(UCE)的全新任务,它考虑了一个没有任何人类概念知识的无监督设置。然而,一个更实际且具有挑战性的场景是从单个图像中学习多个概念,这种情况下现有的方法严重依赖于广泛的人工标注。：学习从二维人物图像中表示三维人体姿势是一个具有挑战性的问题。此外,作者还提出了基本高斯表示的相关改进,包括使用广义核函数的方法,可以显著减少粒子命中数。3. 光线追踪技术能够处理不连贯的光线,实现诸如阴影和反射之类的二次光照效果,并支持从高度扭曲的相机进行渲染,以及随机采样光线等。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.10]]></title><link>https://blog.csdn.net/u012854516/article/details/140369519</link><guid>https://blog.csdn.net/u012854516/article/details/140369519</guid><author>u012854516</author><pubDate>Fri, 12 Jul 2024 09:14:27 +0800</pubDate><description><![CDATA[在Video-STaR中,LVLM在指令生成和微调之间循环,这表明(I)可以改善一般视频理解,(II)并适应具有现有监督的新领域任务。虽然当前的物体幻觉研究主要集中在单个物体类别的存在上,而非个体实体,但本研究系统地调查了多物体幻觉,研究了当模型同时专注于多个物体时如何出现误判(例如发明不存在的物体或分心)。然而,对3D资产进行详细的编辑和定制仍然是一个长期存在的挑战。为此,我们引入了基于识别的物体探测评估(ROPE),这是一种自动化评估协议,考虑了单个图像中物体类别的分布,并使用视觉指示提示来消除歧义。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.8]]></title><link>https://blog.csdn.net/u012854516/article/details/140285483</link><guid>https://blog.csdn.net/u012854516/article/details/140285483</guid><author>u012854516</author><pubDate>Tue, 09 Jul 2024 09:03:14 +0800</pubDate><description><![CDATA[首先,作者正式建立了表示生物力学约束物理定律的偏微分方程(PDEs),将配准任务视为前向问题(即PDE的数据驱动解决方案),将识别任务视为反向问题(即参数估计)。为此,作者提出了一种新颖的框架VCHAR(基于方差的复杂人类活动识别)。VCHAR将原子活动的输出视为指定时间间隔内的分布,使用生成方法通过基于视频的解释阐明复杂活动分类的推理过程,这些解释对没有机器学习经验的用户也是可访问的。总之,DisCo-Diff通过引入离散潜变量,有效地简化了DMs的学习问题,展现了良好的效果和广泛的应用前景。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.5]]></title><link>https://blog.csdn.net/u012854516/article/details/140258858</link><guid>https://blog.csdn.net/u012854516/article/details/140258858</guid><author>u012854516</author><pubDate>Mon, 08 Jul 2024 09:14:00 +0800</pubDate><description><![CDATA[基于此,我们提出了一种新型的多模态优先偏好数据创建方式-偏见驱动幻觉抽样(BDHS),无需额外注释或外部模型,并展示其在一系列基准测试中可以达到与以前发布的工作相当的性能。通过在关键视频帧中使用多模态流损失无法察觉地嵌入水印,该方法能在保持观看体验的同时,防止视频型大语言模型的误用。总的来说,这种视频水印技术为保护视频内容提供了一种解决方案,在不断发展的视频型大语言模型技术面前确保了视频内容的完整性和保密性。中文标题：视频水印：保护您的视频免受基于视频的法学硕士的（未经授权）注释的影响。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.4]]></title><link>https://blog.csdn.net/u012854516/article/details/140258803</link><guid>https://blog.csdn.net/u012854516/article/details/140258803</guid><author>u012854516</author><pubDate>Mon, 08 Jul 2024 09:11:43 +0800</pubDate><description><![CDATA[此外，IXC-2.5通过引入额外的LoRA参数，增强了两项文本图像融合的应用场景：第一，能够创建结构化且内容丰富的网页；IXC-2.5凭借其强大的7B参数规模，展现了媲美GPT-4V的性能，即便是在处理包含24K交替图像与文本的复杂情境下，也能通过RoPE技术平稳地适应更长达96K的上下文环境。简而言之，面对SSVG任务的固有复杂性，本文提出的ACTRESS方案，通过增强模型置信度、优化伪标签质量以及促进全局最优解搜索，有效提升了基于Transformer的视觉定位模型在半监督环境下的表现。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.7.3]]></title><link>https://blog.csdn.net/u012854516/article/details/140258764</link><guid>https://blog.csdn.net/u012854516/article/details/140258764</guid><author>u012854516</author><pubDate>Mon, 08 Jul 2024 09:10:14 +0800</pubDate><description><![CDATA[模型中全局的平面图和注意力设计确保了生成图像的一致性,从而可以重建完整的3D场景。与基于大型多模态模型的先前SAM方法相比,具有1.32B参数的EVF-SAM实现了显著更高的性能,同时减少了近82%的参数。为了解决这一挑战,本文提出了一种基于注意力的VoxelGridSR模型,可以直接在优化的体积上执行3D超分辨率(SR),以实现多视角一致性的SR。总之,本文提出的EVF-SAM方法通过利用文本提示编码器和早期视觉-语言融合,有效地改善了SAM的指代分割能力,在保持较小模型参数的同时取得了出色的性能。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.6.28]]></title><link>https://blog.csdn.net/u012854516/article/details/140117025</link><guid>https://blog.csdn.net/u012854516/article/details/140117025</guid><author>u012854516</author><pubDate>Tue, 02 Jul 2024 09:07:38 +0800</pubDate><description><![CDATA[与依赖于自回归图像生成的方法相比,后者容易出现漂移和误差积累,MultiDiff同时合成一系列帧,可以产生高质量和多视角一致的结果,即使是具有大相机移动的长期场景生成,同时将推理时间降低一个数量级。基于ChronoMagic-Bench,我们对十个代表性的T2V模型进行了全面的手动评估,揭示了它们在不同提示类别下的优缺点,并提供了一个全面的评估框架,解决了视频生成研究中的当前差距。然而,3DGS的训练目前仅在单个GPU上进行,由于内存限制,它的处理高分辨率和大规模3D重建任务的能力受到限制。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.6.27]]></title><link>https://blog.csdn.net/u012854516/article/details/140116987</link><guid>https://blog.csdn.net/u012854516/article/details/140116987</guid><author>u012854516</author><pubDate>Tue, 02 Jul 2024 09:06:23 +0800</pubDate><description><![CDATA[为了解决这些问题,作者提出了一种创新的方法,称为Text-Animator,用于生成具有可视化文本的视频。此外,还开发了相机控制模块和文本细化模块,通过控制相机移动和可视化文本运动,提高了生成视觉文本的稳定性。广泛的基准测试结果表明,MG-LLaVA在参数量相当的情况下优于现有的MLLMs,展现了显著的效果。然而,在非结构化的视角和无法控制的照明条件下,观察到的信息可能不足以重建物体的外观属性。结果表明,我们的方法在使用极少的时间就能达到与之前工作相似的质量,并且还能提供关键的结果确定性信息。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.6.26]]></title><link>https://blog.csdn.net/u012854516/article/details/140003688</link><guid>https://blog.csdn.net/u012854516/article/details/140003688</guid><author>u012854516</author><pubDate>Thu, 27 Jun 2024 09:04:54 +0800</pubDate><description><![CDATA[具体而言，StableNormal采用自顶向下的策略，首先借助一步法向量估算器（YOSO）快速生成初步但可信的法向量预测，随后通过语义指导的细化流程（SG-DRN）对预测结果进行精炼，以恢复关键的几何细节。为克服这些挑战，我们提出StableNormal，一种旨在降低推理不确定性的方法，它生成精确且清晰的法向量预测，同时避免了额外的整合环节。尽管当前学术探讨多聚焦于依托训练的策略，如条件适配器，然而我们认为，扩散模型内蕴的灵活性足以支撑起生成内容的精妙调控，而无需附加训练环节。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.6.25]]></title><link>https://blog.csdn.net/u012854516/article/details/140003652</link><guid>https://blog.csdn.net/u012854516/article/details/140003652</guid><author>u012854516</author><pubDate>Thu, 27 Jun 2024 09:03:34 +0800</pubDate><description><![CDATA[但该领域面临一个核心挑战：预训练阶段设定的模型上下文长度存在固有限制，这对于多模态ICL尤为重要，特别是当涉及文本与图像的融合时，因额外的标注需求而更为凸显。有鉴于此，我们引入了“影像指挥家”（Image Conductor）概念，这是一种创新技术，能够仅从单一图片出发，创造视频素材，并实现对摄影机移动与物体动作的精细调控。广泛的定量与定性实验结果彰显了我们方法的优越性：即在依据图片生成动态视频时展现出的高度精确度与细致入微的操控能力，有力推进了交互式视频合成技术的实用化进程。]]></description><category></category></item><item><title><![CDATA[CV每日论文--2024.6.24]]></title><link>https://blog.csdn.net/u012854516/article/details/139912287</link><guid>https://blog.csdn.net/u012854516/article/details/139912287</guid><author>u012854516</author><pubDate>Mon, 24 Jun 2024 08:58:22 +0800</pubDate><description><![CDATA[思维白板提示为多模态大型语言模型提供了一个隐喻性的"白板",让模型可以在图像形式上绘制出推理步骤,并将其反馈给模型进行进一步处理。实验结果表明,这种方法在涉及视觉和空间推理的多个困难自然语言任务上取得了最先进的性能,大大超越了仅使用链式文字推理的GPT-4o模型。而现有的大型语言模型则更擅长进行文字链式推理,在算术和符号推理任务上取得了不错的结果。2. 最近,文本到图像的扩散模型为FGVC数据集的增强提供了新的机会。总的来说,这是一个非常有价值的资源,集中了近期该领域的重要工作,并提供了全面的分析和展望。]]></description><category></category></item></channel></rss>