· ai
[Paper] 频率感知的 Token 缩减用于高效 Vision Transformer
Vision Transformers 在各种计算机视觉任务中表现出卓越的性能，但它们相对于 token 的二次计算复杂度……
-
- · ai
[Paper] MobileI2V：在移动设备上实现快速且高分辨率的图像到视频转换
最近，视频生成取得了快速进展，越来越多的关注集中在移动设备上的图像到视频（I2V）合成上。然而，子...
- · ai
[Paper] EvRainDrop: HyperGraph 引导的完成用于有效的帧和事件流聚合
事件相机产生的异步事件流在空间上稀疏，但在时间上密集。主流的 event representation learning algorithms 通常…
- · ai
[Paper] E-M3RF：一种等变多模态3D重新组装框架
3D 重组是一个基本的几何问题，近年来它越来越多地受到深度学习方法的挑战，而不是传统的优化方法。
- · ai
[论文] SAM 引导的语义与运动变化区域挖掘用于遥感变化标题生成
遥感变化描述是一个新兴且受欢迎的研究任务，旨在用自然语言描述已发生变化的感兴趣内容……
- · ai
[Paper] Monet: 在潜在视觉空间中进行超越图像和语言的推理
‘以图像思考’已成为推进视觉推理的有效范式，通过注入视觉证据，超越仅文本的思考链……
- · ai
[Paper] 使用边界框进行思考：通过强化微调提升时空视频定位
时空视频定位（STVG）需要根据自然语言描述，在未剪辑的视频中同时在时间和空间上定位目标对象。
- · ai
[Paper] Endo-G$^{2}$T：几何引导 & 时间感知的时间嵌入 4DGS 用于内镜场景
内镜（endo）视频表现出强烈的视角依赖效应，例如 specularities、wet reflections 和 occlusions。纯 photometric supervision 会导致对齐错误……
- · ai
[Paper] PFF-Net：用于点云法线估计的补丁特征拟合
估计点的法线需要构建局部补丁以提供中心‑周围的上下文，但确定合适的邻域大小是……
- · ai
SurgMLLMBench：用于外科场景理解的多模态大语言模型基准数据集
Recent advances in multimodal large language models (LLMs) have highlighted their potential for medical and surgical applications. However, existing surgical da... 近期在多模态大型语言模型（LLMs）方面的进展凸显了它们在医学和外科应用中的潜力。然而，现有的外科数据……
- · ai
[Paper] 混合 SIFT‑SNN 用于交通流量控制基础设施的高效异常检测
本文提出了 SIFT‑SNN 框架，这是一种低延迟神经形态信号处理管道，用于实时检测运输中的结构异常。
- · ai
[论文] 越多越好：用于高阶多模态对齐的对比融合
https://arxiv.org/abs/2305.12345 学习跨多模态的联合表示仍然是多模态机器学习中的核心挑战。当前的主流方法主要依赖于...（此处省略其余内容的中文翻译）