稠密图像分割问题一直在计算机视觉领域中备受关注。

大模型（LLMs）爆火的背后，离不开多种不同基础算法技术的支撑，例如基础语言架构Transformer、自回归语言建模、提示学习和指示学习等等。

本文提出了一个可控人物图像生成方法HumanSD，旨在高效、准确、原生地控制以人为中心的图片的生成。

本文介绍一篇MIT和哈佛大学合作完成的研究论文，提出了一种实时检测、跟踪和跟随任何物体的机器人系统，被称为“follow everything”（FAn）。

在本文中作者提出了一种名为SuS-X的微调方法，SuS-X可以实现一种“仅靠名称迁移的效果，即在微调过程中，模型对下游任务所掌握的唯一知识就是下游目标类别的名称

我们提出的神经先验网络，既可以解决传统离线高精度地图更新缓慢，制作成本高的问题，又克服了在线生成地图受限于传感器的局限性。

本文提出了一种拥有三维感知能力的对象布局生成器，其可以学习360全景照片中的对象隐藏向量，以便实现场景中各种布局的控制。

在本文中，我们提出了一个系统的框架RmLR，通过结合结构化文本知识增强HOI检测。

本文中， 针对结构数据检索，我们提出了面向结构感知的稠密向量检索方法SANTA。

本文介绍一篇发表在ICCV 2023上的工作，提出了一种全新的视频异常检测方法，称为运动条件引导的扩散模型MoCoDAD。

本文提出了一个统一的token剪枝与token合并流程，并提出可微压缩率以根据计算量约束自适应决定网络每一层的token剪枝和token合并压缩率。

本文提出了鲁棒关键微调，通过微调对抗训练模型的非鲁棒关键性模块，充分利用其冗余能力提升泛化性。

我们提出了一种用于3D目标检测的分层主动学习方案，该方案可根据提出三个选择标准逐步筛选出少部分的点云用以人工标注。

本文提出了一种层次化的协同降尺度(HCD)的图像重缩放方法。首先，该方法为降尺度模型的输入HR图像生成协同样本，以便将其下采样后生成更好的LR初始化图像。

本文提出一种同时利用图像空间和通道特征的 Transformer 模型，用于图像超分辨任务。

面对三千多种物体在任意位姿下的泛化视觉强化学习困难，我们提出了基于几何的课程学习，对视觉空间进行划分，并进行多轮交替的专家策略学习和向通用策略的蒸馏

本文是一篇专注于减轻大型Transformer语言模型训练代价的工作。

作者发现了 LLM 在时间理解上存在严重的偏差，于是提出了一个全面的时间问答的评测数据集 TempReason，该数据集包含三个层级的时间推理和广泛的时间跨度。

文章旨在通过从不受限制的图像集合（例如从互联网中爬取的图像）中合成新视角图片，提供 3D 沉浸式体验。

我们通过生成可靠、多样且类别平衡的伪3D物体，实现了单模型多类别同时自训练，从而将检测器自适应到目标域的三维场景中。