CVHub

本文研究了主动3D物体检测的三种新标准，它们能以最低的3D边界框标注成本和运行时复杂性的前提下有效实现高性能3D目标检测。

本文致力于轻量级的高效模型结构设计研究，同时考虑模型参数量（#Params）、计算量（FLOPs）和精度（Accuracy）之间的权衡。

GPT-4在自然语言处理（NLP）任务中展现出了卓越的性能，其中包括具有挑战性的数学推理。然而，目前大部分已存在的开源模型仅仅在大规模互联网数据上进行了预训练，并且没有针对数学相关内容进行优化。

本文介绍了一种2D人体全身姿态估计新方法，以及如何通过多种知识蒸馏技术来提高这种方法的效率和准确性。

在本次工作中, 我们针对当前 OoD Segmentation中的两个问题进行了优化, 并且用 consistent checkpoint 在所有数据集上取得了非常好的性能。

本文提出了FeatEnHancer，一种用于低光照视觉任务的增强型多尺度层次特征的新方法。提议的解决方案重点增强相关特征，通过提供强大的语义表示，使其优于现有的低光照图像增强方法。

设计一个统一的网络来处理各种模态（例如自然语言、2D图像、3D点云、音频、视频、时间序列和表格数据）是一项极具挑战性的工作。

本文通过提出一种新方法 SPAE，揭示了冻结的大型语言模型（LLMs）在处理涉及图像和视频的多模态理解和生成任务中的潜力，而无需对这些模态进行显式训练。

本论文介绍了SiLK，一个简单而灵活的关键点检测和描述符框架。SiLK基于独特性和不变性的原则设计， 在3D视觉感知的关键低级任务上实现或超越了SOTA水平。

在本文中，我们介绍了GrammarGPT，这是一个专门用于母语中文语法错误纠正的开源大语言模型（LLM）。

本文介绍了一种名为HQTrack的高质量视频目标跟踪框架。视频目标跟踪是计算机视觉中基础的视频任务。

SCConv，这是一个有效的架构单元，能够通过减少广泛存在于标准卷积中的空间和通道冗余，降低计算成本和模型存储，同时提高CNN模型的性能。

本文基于 CLIP 提出了一种特征提纯的方法为下游图像分类任务选择最具有判别性的特征，以此来提高下游任务的性能并同时提高计算效率。

SegNetr 通过引入 SegNetr 块和信息保留跳跃连接来改进 U 型网络的分割性能。其中，SegNetr 块通过局部-全局交互实现更好的特征表示，而信息保留跳跃连接则提供了更好的特征融合机制。

ICCV2023（International Conference on Computer Vision）国际计算机视觉大会将于今年10月在法国巴黎举行。

本文提出了一种新颖且高效的单图像超分辨率模型SRFormer，其核心是一个新的自注意力机制——PSA。PSA 能够在大窗口内有效地构建配对关联，而不会引入过多的计算成本。

本文提出了一个新颖的实例边界增强模块（IBE）和递归热重启训练策略（RecWR），以克服极度轻量级检测器的优化问题。

PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。

在这项工作中，研究者们提出了一个强大且有效的视觉Transformer模型，称为DilateFormer。这种模型可以为各种视觉任务提供强大且通用的表示。

通过引入自适应频率滤波（AFF）token混合器，本文提出了一种新颖的全局token混合方法，并构建了一种轻量级视觉网络架构AFFNet。