CVPRApr, 2022

AdaInt: 用于实时图像增强的学习自适应区间的 3D 查找表

PDF
TL;DR本文提出了 AdaInt（自适应区间学习）方法，它通过自适应学习非一致采样间隔，使 3D 查找表能够在需要高度非线性转换的颜色范围内进行密集采样，而在近线性转换方面进行稀疏采样。实验结果表明，与传统方法相比，具有 AdaInt 的方法可以在两个公共基准数据集上实现最先进的性能，且需要很小的额外开销。
3d lookup tablecolor transformimage enhancementadaptive samplingnon-linearities
发现论文，激发创造
  • Ada3D：自适应推断利用空间冗余以实现高效的三维物体检测

    Ada3D 是一种自适应的推断框架，利用轻量级的重要性预测器和点云的独特特性去除冗余输入，减少计算和记忆成本，并通过引入 Sparsity Preserving Batch Normalization 进一步降低了密集特征映射的密度。

    Jul, 2023

  • LL3DA：面向全方位三维理解、推理和规划的视觉交互指令调整

    LL3DA 是一种大型语言 3D 助手，可以直接接收点云输入，并对文本指令和视觉提示进行回应，可以帮助大型多模态模型更好地理解人类互动，并在杂乱的 3D 场景中消除歧义。实验证明，LL3DA 在 3D 密集字幕和 3D 问答方面取得了显著成果，并超越了各种 3D 视觉语言模型。

    Nov, 2023

  • CLIP3D-AD：使用多视角图像生成扩展 CLIP 进行 3D 小样本异常检测

    我们在本文中提出了 CLIP3D-AD，一种有效的应用于 3D-FSAD 的方法，通过合成异常图像来实现基于 CLIP 的 3D 异常分类和分割，通过融合多视角图像的特征来加强视觉 - 语言相关性。

    Jun, 2024

  • LDM3D：3D 的潜在扩散模型

    本研究提出了一种潜在扩散模型用于 3D (LDM3D)，可以从给定的文本提示生成图像和深度图像数据，使用生成的 RGB 和深度图像可以创建令人沉浸的和交互性 360 度视图体验，有潜力革新娱乐、游戏、建筑和设计等行业。

    May, 2023

  • UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

    我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

    Mar, 2024

  • 3DMIT: 3D 多模态指导调整用于场景理解

    我们构建了一个包含 75K 个指令 - 回答对的广泛数据集，针对 3D 场景进行了任务，如 3D VQA、3D grounding 和 3D conversation，并引入了一种名为 3DMIT 的新颖且高效的提示调优范例，通过将 3D 空间信息整合到 LLMs 中，使其更好地理解 3D 世界。

    Jan, 2024

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • AdaFocusV3: 统一的时空动态视频识别

    本文探索在改进的 AdaFocusV3 框架上，统一时空动态计算的形式，通过在一些信息丰富的三维视频块上激活高性能网络以降低计算成本，并通过自适应轻量的策略网络在每个样本上根据测试时间的需求动态配置视频块数量，模型经过在 ActivityNet，FCVID，Mini-Kinetics，Something-Something V1&V2 和 Diving48 六个基准数据集上的广泛实验结果证明其显著比竞争算法更有效率。

    Sep, 2022

  • 欺骗深度：通过深度模拟增强 3D 表面异常检测

    通过引入 3D 信息和 Depth-Aware Discrete Autoencoder (DADA) 架构，以及提出的新型表面异常检测方法 3DSR，本研究在 MVTec3D 异常检测基准上取得了准确性和处理速度方面的优势，验证了利用深度信息提升表面异常检测的潜力。

    Nov, 2023

  • WildFusion：学习视角空间中的三维感知潜空扩散模型

    基于视图空间和潜在扩散模型的 3D 感知图像合成方法，通过压缩潜在表示学习图像的 3D 结构，实现高质量的 3D-consistent 图像合成，无需多视角或 3D 几何的直接监督，不依赖于规范化的相机坐标。

    Nov, 2023