CVHub

在计算机视觉领域，开放词汇实例分割（Open Vocabulary Instance Segmentation）是一个十分具有挑战性的任务，它需要模型能够识别并分割出图像中的各种对象。

本文研究了主动3D物体检测的三种新标准，它们能以最低的3D边界框标注成本和运行时复杂性的前提下有效实现高性能3D目标检测。

本文致力于轻量级的高效模型结构设计研究，同时考虑模型参数量（#Params）、计算量（FLOPs）和精度（Accuracy）之间的权衡。

GPT-4在自然语言处理（NLP）任务中展现出了卓越的性能，其中包括具有挑战性的数学推理。然而，目前大部分已存在的开源模型仅仅在大规模互联网数据上进行了预训练，并且没有针对数学相关内容进行优化。

本文介绍了一种2D人体全身姿态估计新方法，以及如何通过多种知识蒸馏技术来提高这种方法的效率和准确性。

在本次工作中, 我们针对当前 OoD Segmentation中的两个问题进行了优化, 并且用 consistent checkpoint 在所有数据集上取得了非常好的性能。

本文提出了FeatEnHancer，一种用于低光照视觉任务的增强型多尺度层次特征的新方法。提议的解决方案重点增强相关特征，通过提供强大的语义表示，使其优于现有的低光照图像增强方法。

设计一个统一的网络来处理各种模态（例如自然语言、2D图像、3D点云、音频、视频、时间序列和表格数据）是一项极具挑战性的工作。

本文通过提出一种新方法 SPAE，揭示了冻结的大型语言模型（LLMs）在处理涉及图像和视频的多模态理解和生成任务中的潜力，而无需对这些模态进行显式训练。