CVHub

受因果推断视角的启发，本文提出了Causality-inspired Backdoor Defense, CBD来学习去混淆表示以进行可靠的分类。

本文重新思考以前的加法或串联方法，并基于所提出的层内多尺度减法模块，以金字塔的方式聚合相邻层来提取低阶和高阶跨级互补信息，再结合级别特定信息增强多尺度特征表示。

本文提出了一种通用的混合视觉转换器，它在多种计算结构上非常高效，包括移动设备和桌面级 GPU。 通过结构重参数化，所提模型FastViT显著降低了内存访问成本，尤其是在高分辨率下提速明显。

随着ChatGPT的病毒式传播，生成式人工智能因其分析和创造文本、图像、视频以及其他方面的出众能力而俨然成为当下最火热的投资赛道

论文重新讨论了现有三维模型中的不可学习组件，并提出了 Point-NN，一个用于三维点云分析的纯非参数网络。没有任何参数或训练， Point-NN在各种三维任务上取得了良好的准确性。

本文提出了一个新的网络MP-Former，主要由多层掩模驱动训练、点噪声和标签引导训练等关键部分组成。实验结果表明，作者提出的训练方法有效地缓解了邻层预测不一致性问题。

本文提出了一种新的轻量级单目自监督单目深度估计方法。设计了一种混合的CNN和Transformer架构来建模多尺度增强的局部特征和全局上下文信息。

Auto GPT 是一款人工智能应用程序，可以帮助用户自动化和优化业务流程，生成测试用例，调试代码，甚至还能产生新的业务创意。

团队简介 团队成员来自上交、同济、中科院、UCLA、早稻田等名校硕博士，在计算机视觉顶会顶刊上有较多发表研究工作的经验和成果。