CVHub

Photometric Stereo（光度立体）是一种计算机视觉技术，用于从多个光照条件下的图像中恢复物体表面的三维形状。它基于光照在不同角度下对物体表面产生不同影响的原理。

本文介绍了一个开源语音识别工具包FunASR，旨在弥合学术研究和工业应用之间的差距。FunASR提供了在大规模工业语料库上训练的模型，并能够将其部署到应用程序中。

在计算机视觉中，三维点云配准（PCR）是寻找最佳位姿以对齐一对点云的基本问题。本文提出了一种基于最大团（maximal cliques,MAC）的三维配准方法。

本文主要介绍了一种基于Transformer的目标跟踪框架。传统的三阶段模型范式，即特征提取、信息交互和位置估计。这些方法大都采用了更统一的单流模型结构来同时进行特征提取和交互。

本文介绍了一种名为Matcher的方法，它通过集成一个多用途特征提取模型和一个无类别限制的分割模型，能够用一次输入对任何物体进行分割。

本文提出了一种名为Hybrid Attention Transformer (HAT)的方法，旨在通过结合深度学习技术和注意力机制来改进图像超分辨率任务。

本文介绍了一种用于半监督医学图像分割的新方法。在医学图像分割中，由于标注数据有限而未标注数据丰富，一致性学习在有效利用有限标注数据的同时，利用未标注数据起到了重要作用。

典型的深度视觉识别模型能够完成它们训练时的单一任务。在本文中，论文解决了将完全不同的、有着不同初始化的、各自解决不同任务的模型合并成一个多任务模型这个极其困难的问题，而不需要进行任何额外的训练。

单目深度估计是3D场景理解和下游应用的基础。然而，即使在监督设置下，由于缺乏完整的几何约束，这仍然具有挑战性和不适定性。

本文介绍了一种名为Multiscale Multiview Vision Transformers, MMViT的模型，它将多尺度特征图和多视角编码引入Transformer模型。

本文介绍一下在 3D 表征学习上的新工作，ReCon: Contrast with Reconstruct，通过生成式学习指导对比学习实现高效的3D表征。

本文提出ACT，将跨模式教师训练为自编码器，利用经过2D图像或自然语言预训练的基础Transformers作为跨模态教师，拥有深厚的知识和强大的表达能力。

本文提出了一个名为InstructBLIP的视觉语言指令调整框架，它基于预训练的BLIP-2模型，对视觉语言指令进行调整。虽然视觉语言预训练已经得到了广泛的研究，但视觉语言指令调整仍相对较少探索

一图胜千言。X-Decoder 经过预训练以后，仅使用同一套参数便可以处理各种图像分割和视觉-语言任务，并且能够处理更复杂的组合任务，例如引用字幕和图像编辑。

人类具有一种与生俱来的能力，可以轻松地想象3D几何和虚构出从不同角度看物体的外观，这基于他们对世界的先验知识。 在本文中，研究者的目标是实现类似的目标。

本文介绍了一种名为EfficientViT的高效视觉Transformer模型，旨在解决传统Vision Transformer模型在计算成本方面存在的问题，使其适用于实时应用。

本文集中探讨了计算机视觉任务中的通用架构问题。最近的一些研究集中于通过精心设计的空间令牌混合器(Spatial Token Mixer, STM)来提高性能。

SoftTriple Loss 是在图像细粒度分类领域提出了新型度量学习方法，该方法可以被广泛应用于各种搜索、识别等领域中，目前谷歌学术引用 240+，相对高引。

欢迎来到CVHub技术文章年中总结专区！本篇文章将为您呈现CVHub平台上的一系列优质技术文章，这些文章包含了各种计算机视觉相关的主题，从科普软文、算法原理到工程实战等。

本项目以LLaMA为基础模型，采用两阶段训练方法，首先在五大中文语料进行训练微调，其次在少量但多样数据上进行指令微调，开发了中文大语言模型Panda LLM。