我们设计了一个局部操作流程，融合了 SAM、ChatGPT 和生成模型，并提出了 GIM 数据集，该数据集具有大规模、丰富的图像内容和多样的生成操纵，能够更全面地评估 IMDL 方法并扩展其在不同图像上的适用性。此外，我们还提出了一种新颖的 IMDL 框架 GIMFormer，在 GIM 数据集上进行的大量实验证明了其在两个不同基准测试上明显超过了先前的最新工作。

Jun, 2024

本文提出一种简单有效的方法，将预先训练好的语言 - 图像模型直接应用于视频识别中，使用跨帧注意力机制及视频特定提示方案，实现对长时序列的检测，提高了零样本下的准确率。

Aug, 2022

本论文提出了一种基于无监督学习方法的计算机视觉问题图像匹配解决方案，通过训练卷积神经网络进行帧间插值并颠倒网络，提取相关性，能够应用于真实世界视频序列中自然包含的时间相关性，该方法的性能具有可比性。

Mar, 2016

通过在多个尺度上迭代地探索几何相似性，并使用一种额外的不确定性估计模块进行稀疏化，我们提出了一种名为 RGM（Robust Generalist Matching）的深度模型，用于稀疏和密集匹配。通过生成具有较大间隔的光流监督，我们构建了一个包含稀疏对应关系真值的新的大规模数据集，从而缩小了合成训练样本和真实场景之间的差距。通过在大型混合数据上以两阶段方式学习匹配和不确定性估计，我们显著提高了我们所提出的 RGM 模型的泛化能力。在多个数据集上实现了零样本匹配和下游几何估计的卓越性能，优于先前的方法很多。

Oct, 2023

提出了一种多信息集成网络（MIANet），它有效地利用了一般知识和实例信息进行准确的分段，通过多种信息聚合，MIANet 高效地利用了语义词嵌入和实例信息，最终提高了 PASCAL-5i 和 COCO-20i 数据集的性能并取得了新的最佳效果。

May, 2023

本文通过对预训练模块重构和加入新模块，实现了稠密几何匹配任务的最优表现，并提供了相应的代码和模型。

Mar, 2023

本文提出了一种名为 GeoMIM 的多相机视觉转换器，通过预训练 - 微调的方法将 LiDAR BEV 模型的知识传递给 GeoMIM，以改善多视图基于相机的三维检测，并在 nuscenes 基准测试中取得了最新的表现。

Mar, 2023

本研究提出了一种基于深度学习和几何图像匹配的光学流估计方法 MatchFlow，通过先使用几何图像匹配（GIM）作为预训练任务，再进行光流估计，从而提高了图像特征的匹配性能，实验结果表明该模型性能优异，相较于已发表的方法，拥有最优的表现。

Mar, 2023

本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

May, 2016

本文研究了广义零样学习问题，提出了一种新的模型联合了三种不同的方法：视觉 -> 语义映射，语义 -> 视觉映射和度量学习，并且将它们统一在一个框架内，最终的实验结果表明该模型不仅在分类已知类别的图像上具有较高的准确性，而且在分类未知类别的图像上性能也比现有的最先进模型要更好。

Nov, 2018