无需精确标注，照样能get细致入微的深度图 你是否曾经想过，如果AI能像人类一样，仅通过观看视频就理解场景的远近关系，那该有多酷？ 最近，一项名为 Jasmine 的研究给出了令人惊喜的答案——它首次

本文讲解了将原始的手绘图表（比如白板照片、流程图、线框图）转换成结构化的、机器可读的 JSON。这事儿听起来简单，实践起来却复杂得惊人。本文将通过我的技术实践历程，介绍实际遇到的困难以及真正有效的解决

开源16小时就登顶HuggingFace Trending全球第一！ 前不久，小编刚刚介绍了PaddleOCR开源最强OCR生态，不靠参数靠实力，56K+ Star见证实力（附开源地址），然而就在17

今天凌晨，在夏威夷举行的国际计算机视觉大会ICCV 2025揭晓了本届会议的最佳论文等奖项。全球计算机视觉三大顶会之一的ICCV今年共收到11239份有效投稿，最终录用2699篇论文，录用率为24%。

无需改变架构，仅通过创新训练策略，就让视觉语言模型具备了与专业视觉模型相媲美的三维感知能力 在多模态人工智能蓬勃发展的今天，一项突破性研究正悄然改写我们对视觉语言模型的认知边界。Meta公司高级研究员

就在百度刚刚发布PaddleOCR-VL，以0.9B参数量重新定义文档解析效率之际，DeepSeek也正式开源了其颠覆性的DeepSeek-OCR模型。不过，它的野心远不止于“识别”，而是直指大模型处

线性时间推理、超长文本处理、硬件高效利用，这条“算法巨蟒”正在悄然蜕变。 在AI领域，Transformer架构自2017年确立统治地位以来，各类“Transformer杀手”就如雨后春笋般涌现。在众

把目标检测变成“下一个点预测”，用2200万数据+强化学习解决行业难题 目标检测技术正在迎来一场范式革命！传统方法如YOLO、DETR依赖复杂的坐标回归，而IDEA（粤港澳大湾区数字经济研究院）研究院

你刷视频的时候是否也遇到过这些烦恼：看教学视频没有字幕，步骤总被错过；看比赛时听不懂专业术语，全程不知所云......别怕，你的救星来啦！新加坡国立大学 Show Lab 与字节跳动公司于 2025

这篇论文主要做的是多传感器融合/视觉-惯性SLAM系统，提出了ORB-SLAM3，一个支持以下配置的开源SLAM系统，而不是基于深度学习的预测模型

将前端跟踪与后端优化统一在一个模型中，实现实时、高一致性的视觉SLAM 在机器人感知领域，同时定位与地图构建（Simultaneous Localization and Mapping，SLAM）技术

导读 你是否曾疑惑，为什么电脑总觉得一张坐着的狗和一张站着的狗是完全不同的两张图？今天，我们来聊聊一个能让电脑像人类一样感知图像相似度的新模型——DreamSim。>>更多资讯可加入CV技术群获取了解

就在9月25日结束的伦敦YOLOVision 2025上，Ultralytics官宣将在10月份推出YOLO26模型。但无论是Glenn Jocher还是Ultralytics的LinkedIn，都没

近日，人工智能公司Thinking Machines发布了名为Tinker的创新API服务，该服务旨在彻底改变开发人员微调开放权重语言模型的方式。对于那些苦于基础设施管理复杂性的AI研究团队来说，这无

每年《State of AI Report》的发布，都像是一场行业体检。 而今年，这份被誉为“AI行业的年度百科”的报告，给出了一个颇冷的诊断结论：“我们以为AI变聪明了，其实很多时候只是更会考试了。

还记得你第一次看到无人驾驶汽车在街头“自己开”的震撼吗？ 或者监控画面里，AI 自动圈出一个可疑人物？ 又或者无人机在空中灵巧地避开障碍？ 这些都离不开同一个核心技术——实时视频目标检测（Real-t

伦敦时间9月25日，YOLO Vision 2025（YV25） 混合盛会如期举行。全场观众屏息凝神，等待传闻中的Ultralytics YOLO14登场。然而，当Ultralytics创始人兼首席执

最近，在AI顶会ICLR 2026的Open Review阶段，一篇匿名提交的论文 《 SAM 3: Segment Anything with Concepts 》 引发网友广泛关注。 对于AI圈的

深度学习 好多好友，经常问我什么是深度学习？ 今天为大家分享一下自己的浅见理解哈 一、 什么是深度学习？ 深度学习（DL, Deep Learning），是指利用神经网络进行训练的机器学习方法。 深度