CVHub

在不断发展的人工智能（AI）领域中，数据一直被视为最宝贵的资源之一。数据驱动的AI正以前所未有的方式塑造着未来，尤其在XR（扩展现实）领域，其中硬件和算法快速迭代。

生成式AI作为当前人工智能领域的前沿技术，已被广泛的应用于各类视觉合成任务。随着DALL-E2，Stable Diffusion和DreamFusion的发布，AI 作画和3D合成实现了令人惊讶的效果

由于光学器件固有的局限性和外部成像条件的限制，低光图像是一类常见的低质量图像。下图中我们列出了两种低光图像，分别是在光照不均匀的环境下和逆光下拍摄的。

由于单个 RGB 图像存在低对比度和低能见度问题，低光图像增强（LLE）仍然具有挑战性。在本文中，我们回答了一个有趣的与学习相关的问题—利用可获得的非配对的/曝光不足的图像和高级语义指导。

本文旨在解决在边缘设备上部署最先进的语义分割模型所面临的计算成本过高的问题。作者指出，先前的语义分割模型通常依赖于自注意力机制、计算密集型的大卷积核或复杂的拓扑结构，以获得良好的性能。

CLIP 得以成功的关键在于来源于网络所收集的高质量数据集（WIT400M），但关于 CLIP 数据集策划过程的细节一直是个谜。 CLIP的数据策划具有明显的优势。

近期，神经场（Neural Fields）领域的巨大进展，已经显著推动了神经场景表示和神经渲染的发展。为了提高3D场景的计算效率和渲染质量，一个常见的范式是将3D坐标系统映射到另一种测量系统，例如2D

多任务学习旨在使用一个单一模型来学习多个任务，并同时提高所有这些任务的性能，这个概念类似于人类能够同时学习多个任务并将所学的知识应用到其他任务上。

今天为大家介绍的 S3IM 这个工作背后的想法实际上很简洁，作者从这个 idea 在脑海里形成到最后提交到 ICCV-2023 不过2个月时间。