CVHub

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。