complex scenes | BriefGPT - AI 论文速递

关键词complex scenes

搜索结果 - 13

2024 PVUW 工作坊 CVPR 赛道多目标视频分割冠军解决方案
在视频目标分割领域，尤其是对象被遮挡和分割成部分的复杂场景中，追踪和分割多个对象一直是一项挑战。本研究提出了一种基于语义嵌入的视频目标分割模型，使用对象的显著特征作为查询表征，通过语义理解帮助模型识别对象的部分，并捕捉对象更具辨识性的特征。
PDF23 days ago
DLoRA-TrOCR：基于 Transformer 的混合文本模式光学字符识别
本研究旨在通过对预训练基础 OCR 模型进行有效的参数微调，在各种下游任务中展示出卓越的性能。我们提出了一种基于预训练 OCR Transformer 的参数高效混合文本识别方法，即 DLoRA-TrOCR。该方法将 DoRA 嵌入图像编码
PDF2 months ago
负责任的视觉编辑
本研究探索了将有害图像转化为负责任的图像的新任务，并提出了一种名为 Cognitive Editor 的模型，通过两个认知阶段的过程来提高其性能。研究还创建了一个名为 AltBear 的数据集，用泰迪熊代替人类来表达有害信息。实验结果表明，
PDF3 months ago
利用 Torch 单元的神经辐射场
提出了一种名为 Torch-NeRF 的新方法，通过扩大光线感知领域和构建样本点交互来提高神经辐射场在复杂场景中的重建性能。
PDF3 months ago
扩散镜：在文本到图像处理过程中解释文本编码器
我们提出了扩散镜，一种用于分析 T2I 模型中的文本编码器的方法，通过从其中间表示生成图像。通过扩散镜，我们对两个最近的 T2I 模型进行了广泛分析。我们发现，描述多个对象的复杂场景相对简单的场景被逐步且更慢地生成；我们还发现，表示不常见概
PDF4 months ago
在自然环境中情感识别的图像数据集：FindingEmo
我们引入了 FindingEmo，一个新的图像数据集，包含对 2.5 万张图片的注释，专门用于情绪识别。与现有数据集相反，它专注于描绘多个人物在各种自然、社交环境中的复杂场景，注释是整体进行的，超越了传统对人脸或单个人的关注。注释的维度包括
PDF5 months ago
像素跳舞：高动态视频生成
基于扩散模型的 PixelDance 结合图像指令和文本指令，展现了合成复杂场景与精细动作的视频生成能力，创立了新一代的视频生成标准。
PDF7 months ago
一个用于图像去噪的交叉变压器
通过交互作用和残差块，在复杂场景下提取干净图像所需的有效结构信息，我们提出了一个串行块、并行块和残差块的交叉 Transformer 去噪卷积神经网络（CTNet）。经实验证明，CTNet 在真实和合成图像去噪方面优于一些流行的方法，适用于
PDF8 months ago
Sketch2CADScript：基于 Visual Transformer 和 Rhino Grasshopper 的 2D 素描到 3D 场景重建
本文介绍了一种新颖的 3D 重建方法，利用视觉转换器从单一线框图中预测 “场景描述符”，该描述符包含了关键信息，如物体类型、位置、旋转和大小参数，通过使用类似 Blender 或 Rhino Grasshopper 的可编程界面的 3D 建
PDF9 months ago
散射介质中使用相位场的非直视成像
非直视成像通过利用相位场来重建浸泡在散射介质中的复杂场景，对面临挑战的情况如散射媒体中的场景进行了实证分析，并将该方法应用于真实场景，表明其与最新的弥散光学层析成像方法性能相似。
PDF10 months ago
DreamWaltz：使用复杂的三维动画化头像制作场景
DreamWaltz 是一个新型的框架，用于基于文本指导和参数人体先验生成和创建复杂的 3D 化身，该方法使用 3D 一致、遮挡感知的分数蒸馏采样优化隐式神经表示，并通过 3D 感知骨骼调节提供视角对齐的监督，其使复杂的化身生成更加完美且没
PDFa year ago
通过精细面部深度生成和 RGB-D 互补特征学习来提高 2D 面部识别
本文提出了一种 Fine-grained 面部深度生成网络和改进的多模式补充特征学习网络，实验结果表明，该方法可提高 RGB-D 面部识别的准确性并实现最先进性能。
PDFa year ago
ICCV基于流等变性的自监督表征学习
在视频流的场景中，通过流变换目标使神经网络预测另一个帧的特征，实现了一种新的自我监督学习表示框架，学习到的高分辨率原始视频表示可用于静态图片的下游任务，例如语义分割、实例分割和目标检测，超越了 SimCLR 和 BYOL 等先前最先进算法得
PDF3 years ago