- GFPack++:学习梯度场与注意力提高二维不规则装箱
GFPack++ 是一个基于注意力机制梯度场学习方法,可以有效地进行 2D 不规则装箱优化,获得更高的空间利用率,支持连续旋转,并拥有较快的运算速度和对任意边界的良好泛化能力。
- CVPR传感器无关深度估计的深度提示
通过解耦输入模态(例如图像和深度),我们设计了一种新颖的深度提示模块来减轻测量偏差,提供绝对尺度深度图,并通过广泛的评估证明了其有效性。
- 学习可变形物体的对应关系
我们研究了可变形物体(布料和绳索)的像素级对应问题,比较了传统方法和基于学习的方法。我们选择布料和绳索,因为它们在解析建模方面是最难的可变形物体之一,而且在机器人任务(如布料折叠、绳结打结、T 恤折叠、窗帘合拢等)中具有意义。我们提出了对于 - 经典和基于学习的多波束点云配准的基准测试
通过西南极无人潜水器构建的半合成 MBES 数据集,系统评估了 2 种经典方法和 4 种基于学习的方法的性能,结果表明基于学习的方法在粗对齐方面表现良好,并能在高重叠度(20-50%)时一致地恢复粗略变换。相比之下,GICP(ICP 的变种 - 高斯散角法:3D 重建与新景象合成综述
图像基于的三维重建是一项具有挑战性的任务,涉及从一组输入图像中推断出对象或场景的三维形状。基于学习的方法因其直接估计三维形状的能力而受到关注。本综述论文着重介绍了三维重建的最新技术,包括生成新颖未见视角的方法。论文提供了对高斯激波方法的最新 - 基于运动变压器的轨迹预测的迁移学习研究
基于变压器模型的模拟研究进行了转移学习技术的研究,旨在为在现实世界中实现有效的转移提供性能与计算时间之间可能的权衡的见解。
- CVPRDr.Hair: 基于可微分线段渲染的无需预训练重建头皮连接的头发丝
通过优化方法无需预先训练即可实现准确重建真实世界数据中头发的多个关键方面,包括与修复方式和逆渲染相关的技术。
- 匹配立体视频:一致的动态立体匹配的双向对齐
基于学习的方法在动态对象的立体视频中优化单个立体对的有力表现,但存在时间上的不一致性。本文提出了一种双向对齐机制和一个新的框架 BiDAStereo,通过局部匹配和全局聚合的方式实现了一致的动态立体匹配,从而在多个常用基准测试中展示了预测质 - 提前预计以避免迟到:解决困难约束旅行推销员问题
使用前瞻信息作为特征,提出一种利用学习方法改善具有时间窗口的 TSP 解决方案合法性的新方法,并构建了具有硬约束条件的 TSPTW 数据集进行准确评估和基准测试。通过对多种数据集进行综合实验,MUSLA 优于现有基线算法且具有一定的泛化能力 - 神经执行:针对提示注入攻击的学习(和对学习的利用)执行触发器
我们引入了一种新型的注入攻击家族,被称为神经执行。与依赖手工制作字符串(例如 “忽略之前的指令并...”)的已知攻击不同,我们展示了将执行触发器的创建概念化为可微分的搜索问题,并使用基于学习的方法自动生成它们的可能性。我们的结果表明,一个有 - ICLR从互联网视频中学习通用图像匹配器的方法
提出了 GIM:一个基于互联网视频的自我训练框架,通过结合标准领域特定数据集和互补匹配方法,在新的视频中创建密集标签,并通过强化增强的传播数据来训练单一通用模型,能够提高跨领域图像匹配的零样本性能。同时,引入了 ZEB 作为图像匹配的首个零 - QCQP-Net: 可靠地学习交流最优功率流解决方案
ACOPF 学习的创新框架结合了经典的基于优化的方法和基于神经网络的方法,通过特殊的激活函数和损失函数,实现了高效可靠的解决方案,提高了可行性率和发电成本。
- 优化与简化:一种自顶向下的图像矢量化方法
提出一种名为 Optimize & Reduce(O&R)的自顶向下矢量化方法,通过迭代优化 Bézier 曲线参数并显著减少形状数量,实现输入图像的紧凑表示,该方法在固定形状数量下,在重建和感知质量方面优于现有方法,并且比最先进的基于优化 - 基于强化学习的 RAN 优化中的可扩展任务分组的异常检测
使用基于学习的方法优化移动通信网络 (RAN) 在最近几年得到了越来越多的关注,本文提出了一个可扩展的框架,用于构建一个策略库,可以在大量具有不同流量模式的基站上进行 RAN 优化,并将异常检测技术应用于判断任务与策略库的兼容性,以高效地使 - 利用采样和隐式神经表示的高光谱图像压缩
基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器,通过对每个像素位置进行评估以重建原始图像,并通过采样方法来降低压缩时间,实验证明该方法在低比特率下比 JPEG、JPEG2000 和 PCA-DCT 实现更好的压缩性能,与学 - CLIP 引导的图像感知式提示学习用于图像增强
通过结合 CLIP 模型和相对简单的基线方法,我们提出了一种称为 CLIP-LUT 的简单结构,用于图像增强,并证明该方法能够获得令人满意的结果。
- 基于物理引导的降噪神经代理方法用于低光原始图像去噪
通过学习物理引导噪声神经代理(PNNP)从暗帧中来精确建模噪声,我们开发了一个新颖的框架,它集成了三种高效的技术:物理引导噪声解耦(PND),物理引导代理模型(PPM),可微分的分布导向损失(DDL),以提高低光原始图像降噪的性能。
- 基于边缘感知的图自编码器用于规模不平衡数据的旅行商问题
该论文提出了一种数据驱动的图表示学习方法,用于解决具有不同数量城市的旅行推销员问题,并通过实验证明该方法在解决旅行推销员问题方面具有与最先进的基于学习的方法相媲美的性能。
- Q-REG: 基于曲率的端到端可训练点云配准
通过利用丰富的几何信息,我们提出了一种新的解决方案 Q-REG,用于从单个对应关系估计刚性姿态,并在 3DMatch、KITTI 和 ModelNet 基准测试中取得了最新的最佳成果。
- 高分辨率低光照图像增强的 Bootstrap 扩散模型曲线估计
使用 BDCE,一种基于学习的曲线参数分布估计模型,来解决高分辨率图像的计算成本高和同时增强和去噪效果不佳的问题,并通过大量实验证明其在常用基准数据集上达到了最先进的定性和定量性能。