· ai
[Paper] 使用衍射解码器的快照3D图像投影
3D图像显示对于下一代体积成像至关重要；然而，密集深度复用用于3D图像投影仍然具有挑战性，因为diff…
-
- · ai
[Paper] 生成式数字孪生：视觉‑语言仿真模型用于可执行工业系统
我们提出了一种视觉-语言仿真模型（VLSM），它统一了视觉和文本理解，以从布局草图中合成可执行的FlexScript……
- · ai
[Paper] 棱镜假设：通过统一自编码协调语义与像素表示
跨模态的深度表征本质上是交织在一起的。在本文中，我们系统地分析了各种语义和……的光谱特性。
- · ai
[Paper] Interact2Ar：通过自回归扩散模型实现全身人对人交互生成
生成逼真的 human-human 交互是一项具有挑战性的任务，它不仅需要高质量的单体身体和手部动作，还需要连贯的……
- · ai
[Paper] 推动视听感知前沿：大规模多模态对应学习
我们引入 Perception Encoder Audiovisual（PE-AV），一种用于音频和视频理解的新型编码器家族，采用缩放对比学习进行训练。构建于...
- · ai
[论文] Visual-Aware CoT：在统一模型中实现高保真视觉一致性
最近，Chain-of-Thought（CoT）的引入在很大程度上提升了统一模型的生成能力。然而，观察到当前的...
- · ai
[Paper] Zero-shot 重建视频中的场景内对象操作
我们构建了首个系统来解决从单目 RGB 视频中重建场景内对象操作的问题。由于该问题本质上是病态的……
- · ai
[Paper] 从室内到开放世界：揭示 MLLMs 中的空间推理差距
虽然多模态大语言模型（MLLMs）已经在语义任务上取得了令人印象深刻的表现，但它们的空间智能——对稳健和...
- · ai
[论文] WorldWarp: 使用异步视频扩散传播3D几何
生成长距离、几何一致性的视频面临一个根本性的困境：虽然一致性要求在像素空间严格遵守3D geometry，……
- · ai
[Paper] 高效 Vision Mamba 用于 MRI 超分辨率的混合选择扫描
背景：高分辨率 MRI 对诊断至关重要，但长时间的采集限制了临床使用。超分辨率（SR）可以在扫描后提升分辨率……
- · ai
[Paper] 多模态 LLMs 用于从档案图像扫描构建历史数据集：德国专利（1877-1918）
我们利用多模态大型语言模型（LLMs），从 9,562 张档案图像扫描中构建了一个包含 306,070 项德国专利（1875‑1918）的数据集，使用我们的 LLM‑b…
- · ai
[Paper] 超越 CLIP：知识增强的多模态Transformer用于糖尿病视网膜病变诊断中的跨模态对齐
糖尿病视网膜病变（DR）是全球可预防失明的主要原因之一，需要准确的自动化诊断系统。虽然通用领域的视觉‑la…