CVHub

论文将神经辐射场（NeRF）扩展到动态大规模城市场景。之前的研究往往重建短时间内的单个视频剪辑（最多10秒）。

本文提出了Voxurf，一种基于体素的高效准确的神经表面重建方法。它包括了几个关键设计：两阶段框架逐步获得连贯的粗糙形状并恢复细节。

本文提出了SA3D，这是一种将SAM推广到使用神经辐射场（NeRF）作为结构先验进行三维物体分割的新框架。

本文介绍的参数高效微调方法可以在单个 GPU 上将同一模型的微调速度提高 9 倍，且所需 GPU 内存减少了 15 倍。

大型语言模型（LLMs）在自然语言处理（NLP）领域产生了革命性的影响，但对于训练而言需要大量的GPU资源。降低LLMs训练的门槛将鼓励更多的研究人员参与，从而使学术界和社会受益。

SAM已经成为许多高级任务（如图像分割、图像描述和图像编辑）的基础步骤。然而，其巨大的计算开销限制了其在工业场景中的广泛应用。

ChatSpot是一个提升多模态大语言模型“精确指代”（亦即交互）能力的探索工作，即非拼接的、能读懂用户“自然语言”以外的指令，如鼠标/手指的点击、拖拽等指代行为的交互式多模态 LLM。

本文提出了HQ-SAM，这是第一个通过对原始SAM引入可忽略开销而实现高质量零样本分割的模型，探讨了如何在数据高效和计算经济的方式下利用和扩展类似SAM的基础分割模型。

结肠镜视频对于辅助临床直肠癌诊断非常重要，因为相比静态图像，结肠镜视频包含更丰富的信息。然而，与常见的固定摄像头视频不同，结肠镜视频中的摄像头移动会引起快速的画面抖动，导致现有的视频检测模型训练不稳定

FasterViT 被设计为一种混合网络结构，综合了 CNN 和 ViT 的优势，旨在实现高效的图像处理速度。

从3D点云中学习有符号距离函数（SDFs）是3D计算机视觉中的一个重要任务。然而，在没有真实有符号距离、点法线或干净点云的情况下，当前的方法仍然难以从噪声点云中学习SDFs。

研究人员提出了 InternImage，这是一种新的基于 CNN的大规模基础模型，可以为图像分类、对象检测和语义分割等多功能视觉任务提供强大的表示。

文将空间条件中物体的形状、位置以及它们之间的关系等性质总结为视觉先验（Visual Prior），并使用Transformer Decoder以Generative Pre-Training的方式创建

小目标检测是计算机视觉领域中的一个极具挑战性的问题。随着深度学习和计算机视觉领域的不断发展，越来越多的应用场景需要对小目标进行准确的检测和识别。

本文提出了一种名为 YONA 的新框架，用于准确和快速检测结肠镜视频中的息肉。该框架通过引入前景和背景对齐模块来处理快速运动情况下的特征，同时引入跨帧对比学习模块来增强模型对息肉和肠壁的区分能力。

单模态文本在生物医学领域的研究已经取得了显著的成果，而多模态对话人工智能则通过利用来自公共网络的数十亿个图像-文本对取得了快速进展。

本文通过在min-max框架中最大化教师模型和学生模型之间的预测差异，提出了一个新的对抗蒸馏目标函数。

今天为掘友们介绍一款CVHub最新开源的自动图片标注工具：X-AnyLabeling，具备多个SOTA级别的深度学习模型和，同时支持多个主流的深度学习框架！

本文主要介绍了一种用于改进夜间辅助驾驶场景分割的方法，该方法通过使用双图像自适应可学习滤波器（DIAL-Filters）来提高夜间驾驶条件下的语义分割性能。

本文提出了一种新颖的网络架构CTO，即Convolution, Transformer 和 Operator，通过结合卷积神经网络、视觉 Transformer 和显式边界检测操作，实现高精度性能。