图像生成是当前AIGC领域最热门的方向之一。近期发布的图像生成模型如DALL・E2、Imagen、StableDiffusion等等，开创了图像生成的新时代，实现了前所未有的图像质量和模型灵活性水平。扩散模型也成为目前占据主导地位的范式。然而，扩散模型依赖于迭代推理，这是一把双刃剑，因为迭代方法可以实现具有简单目标的稳定训练，但推理过程需要高昂的计算成本。在扩散模型之前，生成对抗网络（GAN）是图像生成模型中常用的基础架构。相比于扩散模型，GAN通过单个前向传递生成图像，因此本质上是更高效的，但由于训练过程的不稳定性，扩展GAN需要仔细调整网络架构和训练因素。因此，GAN擅长对单个或多个对象类
图像生成是当前AIGC领域最热门的方向之一。近期发布的图像生成模型如DALL・E2、Imagen、StableDiffusion等等，开创了图像生成的新时代，实现了前所未有的图像质量和模型灵活性水平。扩散模型也成为目前占据主导地位的范式。然而，扩散模型依赖于迭代推理，这是一把双刃剑，因为迭代方法可以实现具有简单目标的稳定训练，但推理过程需要高昂的计算成本。在扩散模型之前，生成对抗网络（GAN）是图像生成模型中常用的基础架构。相比于扩散模型，GAN通过单个前向传递生成图像，因此本质上是更高效的，但由于训练过程的不稳定性，扩展GAN需要仔细调整网络架构和训练因素。因此，GAN擅长对单个或多个对象类
最近，来自谷歌的研究员提出了一种用于描述多事件视频的预训练视觉语言模型——Vid2Seq，目前已被CVPR23接收。在以前，理解视频内容是一项具有挑战性的任务，因为视频通常包含在不同时间尺度发生的多个事件。比如，一个雪橇手将狗拴在雪橇上、然后狗开始跑的视频涉及一个长事件（狗拉雪橇）和一个短事件（狗被拴在雪橇上）。而促进视频理解研究的一种方法是，通过密集视频标注任务，该任务包括在一分钟长的视频中对所有事件进行时间定位和描述。论文地址：https://arxiv.org/abs/2302.14115Vid2Seq架构用特殊的时间标记增强了语言模型，使其能够在同一输出序列中无缝预测事件边界和文本描述
最近，来自谷歌的研究员提出了一种用于描述多事件视频的预训练视觉语言模型——Vid2Seq，目前已被CVPR23接收。在以前，理解视频内容是一项具有挑战性的任务，因为视频通常包含在不同时间尺度发生的多个事件。比如，一个雪橇手将狗拴在雪橇上、然后狗开始跑的视频涉及一个长事件（狗拉雪橇）和一个短事件（狗被拴在雪橇上）。而促进视频理解研究的一种方法是，通过密集视频标注任务，该任务包括在一分钟长的视频中对所有事件进行时间定位和描述。论文地址：https://arxiv.org/abs/2302.14115Vid2Seq架构用特殊的时间标记增强了语言模型，使其能够在同一输出序列中无缝预测事件边界和文本描述
三维重建是计算机视觉（CV）和计算机图形学（CG）的热点主题之一，它通过CV技术处理相机等传感器拍摄的真实物体和场景的二维图像，得到它们的三维模型。随着相关技术的不断成熟，三维重建越来越广泛地应用于智能家居、AR旅游、自动驾驶与高精度地图、机器人、城市规划、文物重建、电影娱乐等多个不同领域。典型的基于二维图像的三维人脸重建。图源：10.1049/iet-cvi.2013.0220传统三维重建大致可以分为光测度和几何方法，前者分析像素点的亮度变化，后者依靠视差完成重建。近年来又开始采用机器学习尤其是深度学习技术，在特征检测、深度估计等方面取得很好的效果。虽然当前一些方法利用空间几何模型与纹理贴图
三维重建是计算机视觉（CV）和计算机图形学（CG）的热点主题之一，它通过CV技术处理相机等传感器拍摄的真实物体和场景的二维图像，得到它们的三维模型。随着相关技术的不断成熟，三维重建越来越广泛地应用于智能家居、AR旅游、自动驾驶与高精度地图、机器人、城市规划、文物重建、电影娱乐等多个不同领域。典型的基于二维图像的三维人脸重建。图源：10.1049/iet-cvi.2013.0220传统三维重建大致可以分为光测度和几何方法，前者分析像素点的亮度变化，后者依靠视差完成重建。近年来又开始采用机器学习尤其是深度学习技术，在特征检测、深度估计等方面取得很好的效果。虽然当前一些方法利用空间几何模型与纹理贴图
0、关键词annotatedvideos,3Dobjectdetection,object-centricvideos,poseannotations,Objectrondataset,3Dobjecttracking,3Dshaperepresentation,object-centricshortvideos,annotatedimages,robotics,imageretrieval,augmentedreality1、链接该论文来自谷歌研究院（GoogleResearch It'sGoogle:-(内地需要VPN才能访问）。秉承其形成技术壁垒的一贯作风，要么“力大砖飞”，使用大规模集
0、关键词annotatedvideos,3Dobjectdetection,object-centricvideos,poseannotations,Objectrondataset,3Dobjecttracking,3Dshaperepresentation,object-centricshortvideos,annotatedimages,robotics,imageretrieval,augmentedreality1、链接该论文来自谷歌研究院（GoogleResearch It'sGoogle:-(内地需要VPN才能访问）。秉承其形成技术壁垒的一贯作风，要么“力大砖飞”，使用大规模集
论文提出新颖的混合网络用于解决长尾图片分类问题，该网络由用于图像特征学习的对比学习分支和用于分类器学习的交叉熵分支组成，在训练过程逐步将训练权重调整至分类器学习，达到更好的特征得出更好的分类器的思想。另外，为了节省内存消耗，论文提出原型有监督对比学习。从实验结果来看，论文提出的方法效果还是很不错的，值得一看来源：晓飞的算法工程笔记公众号论文:ContrastiveLearningbasedHybridNetworksforLong-TailedImageClassification[图片上传失败...(image-c3ac3-1654002352477)]论文地址：https://arxiv
论文提出新颖的混合网络用于解决长尾图片分类问题，该网络由用于图像特征学习的对比学习分支和用于分类器学习的交叉熵分支组成，在训练过程逐步将训练权重调整至分类器学习，达到更好的特征得出更好的分类器的思想。另外，为了节省内存消耗，论文提出原型有监督对比学习。从实验结果来看，论文提出的方法效果还是很不错的，值得一看来源：晓飞的算法工程笔记公众号论文:ContrastiveLearningbasedHybridNetworksforLong-TailedImageClassification[图片上传失败...(image-c3ac3-1654002352477)]论文地址：https://arxiv
