Transformer的诞生[23]开启了大型模型的时代，并加速了自然语言处理领域的发展。Transformer的提出解决了传统卷积神经网络（CNNs）[1]在捕捉全局特征方面的不足，并提高了模型的泛化能力。与传统的循环神经网络相比，Transform...

在图像分割领域，圣杯是能够基于文本 Query 准确分割任意概念图像。随着视觉-语言模型（VLMs）如CLIP的迅速发展，这一任务变得更加可行。当这些模型应用于语义和全景分割时，显示出在处理广泛的视觉数据词汇方面的潜力。然而，尽...

深度学习最近的进展极大地推动了计算机视觉领域的发展，尤其是引入了视觉 Transformer （ViTs）。这些模型一旦在大规模数据集上预训练，就已在广泛的视觉任务中展示了卓越的能力。通过特殊的学习层或 Token 等机制，ViTs能够适...

精确的逐像素深度估计对于理解几何场景结构至关重要，其应用包括3D建模[10]、机器人学[11, 63]和自动驾驶车辆[38, 51]。然而，为了有效地进行3D重建，提供可靠的度量尺度深度输出是必要的，这促使了单目度量深度估计（MMDE）这一...

ALDI++ 在 Cityscapes Foggy Cityscapes 上的AP50超过了先前最先进的方法+3.5，在 Sim10k Cityscapes 上超过了+5.7 AP50（作者的方法是唯一一种超过公正基准线的方法），在 CFC Kenai Channel 上超过了+2.0 AP50。作者的...

今天七七给大家带来一款非常好用的辅助编程工具，“腾讯云 AI 代码助手”，它是一款定位代码智能补全和生成的工具，基于自研代码大模型，实现技术沟通、代码补全、自动补全单元测试等功能。在当今数字化高速发展的时代，编程领...

DETR是一种最近的框架，它将目标检测视为一个通过 Transformer 编码器-解码器[2]直接预测集合的问题。在没有手动设计的样本选择[3]和非最大值抑制（NMS）的情况下，DETR甚至可以达到与Faster R-CNN[4]相竞争的性能。然而，DETR...

在低光照条件下捕捉图像常常会导致各种摄影挑战，如细节数据丢失、色彩强度降低、对比度和动态范围减小以及曝光不均。这些问题会降低视觉数据的质量和清晰度，进而显著阻碍后续基于视觉的任务。例如，它们可能妨碍自动驾驶...

生成模型的进展令人印象深刻，使得创建高度逼真的图像变得更加轻松且无需专业知识。随着这些模型能够生成足够逼真的图像，越来越多的研究者探索如何改进视频创作。目前，某些生成算法，如Sora（Brooks等人，2024）和Gen2（Research，20...

近年来，在视觉语言模型领域取得了重大进展，例如CLIP、Flamingo 、ALIGN 和CoCa。这些模型通过结合两个基本组成部分，在获取可迁移且鲁棒的图像表示方面取得了卓越成就：...