cs.CV（2024-11-07）

📊 共 21 篇论文 | 🔗 7 篇有代码

🎯 兴趣领域导航

支柱三：空间感知与语义 (Perception & Semantics) (8 🔗4) 支柱九：具身大模型 (Embodied Foundation Models) (4 🔗1) 支柱二：RL算法与架构 (RL & Architecture) (3) 支柱七：动作重定向 (Motion Retargeting) (2) 支柱六：视频提取与匹配 (Video Extraction) (2 🔗1) 支柱四：生成式动作 (Generative Motion) (1 🔗1) 支柱一：机器人控制 (Robot Control) (1)

🔬 支柱三：空间感知与语义 (Perception & Semantics) (8 篇)

#题目一句话要点标签🔗⭐
1 Discretized Gaussian Representation for Tomographic Reconstruction 提出离散高斯表示(DGR)用于高效高质量的CT断层重建 3D gaussian splatting gaussian splatting splatting ✅
2 VAIR: Visuo-Acoustic Implicit Representations for Low-Cost, Multi-Modal Transparent Surface Reconstruction in Indoor Scenes 提出VAIR，利用视觉-声学隐式表示实现低成本室内透明表面重建 implicit representation latent optimization
3 Planar Reflection-Aware Neural Radiance Fields 提出反射感知神经辐射场，解决NeRF在平面反射建模中的缺陷。 NeRF neural radiance field
4 MVSplat360: Feed-Forward 360 Scene Synthesis from Sparse Views MVSplat360：基于稀疏视角的360度场景前馈式合成方法 3D gaussian splatting 3DGS gaussian splatting ✅
5 D$^3$epth: Self-Supervised Depth Estimation with Dynamic Mask in Dynamic Scenes D$^3$epth：提出动态掩码的自监督深度估计方法，解决动态场景下的深度估计难题。 depth estimation monocular depth ✅
6 Enhancing Bronchoscopy Depth Estimation through Synthetic-to-Real Domain Adaptation 提出基于合成数据到真实数据域适应的支气管镜深度估计方法 depth estimation monocular depth
7 GANESH: Generalizable NeRF for Lensless Imaging GANESH：用于无透镜成像的可泛化NeRF，实现多视角图像的三维重建与优化 NeRF ✅
8 Breaking The Ice: Video Segmentation for Close-Range Ice-Covered Waters 提出UPerFlow模型，用于近距离冰覆盖水域的视频分割，提升复杂冰况下的鲁棒性。 optical flow

🔬 支柱九：具身大模型 (Embodied Foundation Models) (4 篇)

#题目一句话要点标签🔗⭐
9 VideoGLaMM: A Large Multimodal Model for Pixel-Level Visual Grounding in Videos VideoGLaMM：用于视频像素级视觉定位的大型多模态模型 large language model multimodal visual grounding
10 Explainable Search and Discovery of Visual Cultural Heritage Collections with Multimodal Large Language Models 利用多模态大语言模型实现视觉文化遗产集合的可解释搜索与发现 large language model multimodal
11 CAD-MLLM: Unifying Multimodality-Conditioned CAD Generation With MLLM CAD-MLLM：提出一种统一的多模态条件CAD生成框架，利用MLLM实现文本、图像、点云等多模态输入驱动的CAD模型生成。 large language model multimodal
12 Dynamic Brightness Adaptation for Robust Multi-modal Image Fusion 提出BA-Fusion框架，解决多模态图像融合在动态亮度变化下的鲁棒性问题 multimodal ✅

🔬 支柱二：RL算法与架构 (RL & Architecture) (3 篇)

#题目一句话要点标签🔗⭐
13 ProEdit: Simple Progression is All You Need for High-Quality 3D Scene Editing ProEdit：通过渐进式扩散蒸馏实现高质量3D场景编辑 distillation 3D gaussian splatting 3DGS
14 LLM2CLIP: Powerful Language Model Unlocks Richer Visual Representation LLM2CLIP：利用大型语言模型增强CLIP的视觉表征能力 contrastive learning large language model multimodal
15 A Reinforcement Learning-Based Automatic Video Editing Method Using Pre-trained Vision-Language Model 提出基于预训练视觉-语言模型的强化学习自动视频剪辑方法，用于通用场景视频编辑。 reinforcement learning

🔬 支柱七：动作重定向 (Motion Retargeting) (2 篇)

#题目一句话要点标签🔗⭐
16 LidaRefer: Context-aware Outdoor 3D Visual Grounding for Autonomous Driving LidaRefer：面向自动驾驶的上下文感知室外3D视觉定位 spatial relationship visual grounding
17 ProGraph: Temporally-alignable Probability Guided Graph Topological Modeling for 3D Human Reconstruction ProGraph：时序对齐概率引导的图拓扑建模用于3D人体重建，解决遮挡和模糊问题。 human motion

🔬 支柱六：视频提取与匹配 (Video Extraction) (2 篇)

#题目一句话要点标签🔗⭐
18 HourVideo: 1-Hour Video-Language Understanding 提出HourVideo基准数据集，用于评估和推进1小时长视频的视频-语言理解能力。 egocentric Ego4D multimodal
19 Social EgoMesh Estimation 提出SEE-ME框架，利用社交交互信息提升自中心视角下的人体网格估计精度 egocentric ✅

🔬 支柱四：生成式动作 (Generative Motion) (1 篇)

#题目一句话要点标签🔗⭐
20 DanceFusion: A Spatio-Temporal Skeleton Diffusion Transformer for Audio-Driven Dance Motion Reconstruction DanceFusion：时空骨骼扩散Transformer用于音频驱动的舞蹈动作重建 motion generation ✅

🔬 支柱一：机器人控制 (Robot Control) (1 篇)

#题目一句话要点标签🔗⭐
21 DimensionX: Create Any 3D and 4D Scenes from a Single Image with Controllable Video Diffusion 提出DimensionX以解决单图生成3D和4D场景的问题 manipulation

⬅️ 返回 cs.CV 首页 · 🏠 返回主页