cs.CV（2024-12-29）

📊 共 11 篇论文 | 🔗 5 篇有代码

🎯 兴趣领域导航

支柱九：具身大模型 (Embodied Foundation Models) (4 🔗2) 支柱三：空间感知与语义 (Perception & Semantics) (3 🔗1) 支柱二：RL算法与架构 (RL & Architecture) (3 🔗1) 支柱一：机器人控制 (Robot Control) (1 🔗1)

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

#题目一句话要点标签🔗⭐
1 Diff4MMLiTS: Advanced Multimodal Liver Tumor Segmentation via Diffusion-Based Image Synthesis and Alignment Diff4MMLiTS：基于扩散模型的多模态肝肿瘤分割与对齐方法 multimodal
2 Do Current Video LLMs Have Strong OCR Abilities? A Preliminary Study 提出FG-Bench基准，评估视频LLM的视频OCR能力，揭示现有模型的不足。 large language model multimodal ✅
3 ReTaKe: Reducing Temporal and Knowledge Redundancy for Long Video Understanding ReTaKe：通过减少时序和知识冗余提升长视频理解能力 large language model ✅
4 Image Augmentation Agent for Weakly Supervised Semantic Segmentation 提出图像增强代理IAA，利用LLM和扩散模型提升弱监督语义分割性能 large language model

🔬 支柱三：空间感知与语义 (Perception & Semantics) (3 篇)

#题目一句话要点标签🔗⭐
5 MetricDepth: Enhancing Monocular Depth Estimation with Deep Metric Learning MetricDepth：利用深度度量学习增强单目深度估计性能 depth estimation monocular depth metric depth
6 MaskGaussian: Adaptive 3D Gaussian Representation from Probabilistic Masks 提出MaskGaussian以解决3D高斯表示的内存消耗问题 3D gaussian splatting 3DGS gaussian splatting ✅
7 DPBridge: Latent Diffusion Bridge for Dense Prediction DPBridge：用于密集预测的潜在扩散桥模型，提升深度估计和法向量预测性能。 depth estimation foundation model

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

#题目一句话要点标签🔗⭐
8 Defending Multimodal Backdoored Models by Repulsive Visual Prompt Tuning 提出排斥视觉Prompt调整(RVPT)防御多模态后门模型，提升视觉特征抗扰动性。 contrastive learning multimodal
9 Bringing Objects to Life: training-free 4D generation from 3D objects through view consistent noise 提出一种免训练的4D生成方法，通过视角一致的噪声处理，从3D物体生成动态4D内容。 distillation NeRF neural radiance field
10 PTQ4VM: Post-Training Quantization for Visual Mamba PTQ4VM：面向Visual Mamba的后训练量化方法，显著提升推理速度。 Mamba ✅

🔬 支柱一：机器人控制 (Robot Control) (1 篇)

#题目一句话要点标签🔗⭐
11 ESVQA: Perceptual Quality Assessment of Egocentric Spatial Videos 提出ESVQAnet，用于评估第一人称视角空间视频的感知质量，并构建了ESVQAD数据集。 Apple Vision Pro egocentric ✅

⬅️ 返回 cs.CV 首页 · 🏠 返回主页