当研究人员将 large language models 用于文献审阅或假设生成等自主任务时，计算费用会迅速累积。A...

链式思考（CoT）推理已成为多模态大型语言模型在视频理解任务中的强大工具。然而，它的必要性和...

具身问答（EQA）在3D环境中通常需要收集分布在多个视角且部分被遮挡的上下文。Ho...

针对作物病害分析的 Visual Question Answering 需要准确的视觉理解和可靠的语言生成。本工作提出了一种轻量级的 vi...

将学术界的最佳方法应用于实践，以获得最大收益。文章《How to Improve the Performance of Visual Anomaly Detection Models》...

了解更多关于人工智能在农业中的应用...

深度学习已经彻底改变了视觉数据分析，卷积神经网络（CNN）在学习有意义的特征表示方面表现出极高的效能……

🍝 从像素到卡路里——多模态 AI 与自动卡路里追踪 我们都有过这样的经历：盯着一盘美味的意面，想弄清楚它是否……

我们物理的4D（3D + 时间）世界中的动态对象不断演化、变形并与其他对象相互作用，导致多样的4D场景动态……

现有的视觉定位方法通常要么是 2D image-based 的，这类方法易于构建和维护，但在有效的几何推理方面受限，或者……

病理基础模型（PFMs）已成为计算病理学的核心，旨在提供用于从全切片图像中提取特征的通用编码器……

远程光电容积描记（rPPG）从普通摄像头捕获的面部视频中估计血容量脉冲（BVP）波形。虽然最近的深度模型 i...

Direct Preference Optimization (DPO) 最近通过提升视觉保真度和文本对齐，改进了文本到视频（T2V）生成。然而，当前的方法…

音视频联合生成已经快速发展，但仍然存在重大挑战。非商业方法仍然存在音视频不同步的问题，...

随着世界模型在 Embodied AI 中获得动力，越来越多的工作探索使用 video foundation models 作为预测性世界模型，以用于下游 embo...

卫星持续产生海量数据，尤其是用于地球观测，包括卫星图像时间序列（SITS）。然而，大多数深度学习...

代表用户与图形界面交互的 GUI 代理代表了实用 AI 助手的一个有前景的方向。然而，训练此类代理……

自动血液形态分析可以在低收入和中等收入国家（LMICs）支持血液学诊断，但仍然对 dataset shifts 敏感……

Large Multimodal Models (LMMs) 已展示出在通过 Chain-of-Thought (CoT) 进行视频推理方面的惊人能力。然而，它们推理的鲁棒性…

在静态图像上训练的前馈人工神经网络（ANNs）仍然是灵长类动物腹侧视觉通路的主导模型，然而它们本质上……

我们提出了 Muses，这是首个在前馈范式下实现奇幻 3D 生物生成的无训练方法。之前的方法依赖于部件感知的 opt...

现有的深度估计方法根本上受限于在离散的图像网格上预测深度。这类表示方式限制了它们在任意…

随着 AIGC（AI 生成内容）技术的进步，越来越多的生成模型正在革新视频编辑、音乐等领域。

近期的 text-to-video diffusion 模型能够生成引人入胜的视频序列，但它们仍然是无声的——缺失语义、情感和氛围线索……