点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【计算机视觉】微信技术交流群

2023 年 2 月 28 日凌晨，CVPR 2023 顶会论文接收结果出炉！这次没有先放出论文 ID List，而是直接 email 通知作者（朋友圈好友纷纷晒截图，报喜讯~你被刷屏了没？！）。

CVPR 2023 主委会官方发布这次论文接收数据：有效投稿 9155 篇（比 CVPR 2022 增加12%），收录 2360 篇（CVPR 2016 投稿才 2145 篇），接收率为 25.78 %。

CVPR 2023 会议将于 2023 年 6 月 18 日至 22 日在加拿大温哥华（Vancouver）举行。这次线下参加人数一定会比去年多很多，因为将会有一大波国内的学者线下参加学术交流（公费旅游bushi）。

Amusi 简单预测一下，CVPR 2023 收录的工作中 " 扩散模型、多模态、预训练、MAE " 相关工作的数量会显著增长。

本文快速整理了10篇 CVPR 2023 最新工作，内容如下所示。如果你想持续了解更多更新的CVPR 2023 论文和代码，大家可以关注CVPR2023-Papers-with-Code，在CVer公众号后台回复：CVPR2023，即可下载，链接如下：

https://github.com/amusi/CVPR2023-Papers-with-Code

这个项目是从2020年开始，累计提交了600+次！Star数已经破万+！覆盖CVPR 2020-2023的论文工作，很开心能帮助到一些同学。

如果你的 CVPR 2023 论文接收了，欢迎提交issues~

Backbone

1. Integrally Pre-Trained Transformer Pyramid Networks

• 单位：国科大, 华为, 鹏城实验室
  

• Paper: https://arxiv.org/abs/2211.12735

• Code: https://github.com/sunsmarterjie/iTPN

本文提出整体预训练的ViT金字塔网络(iTPN)：通过整体预训练主干和金字塔网络缩小上游预训练和微调的gap，表现SOTA！性能优于CAE、ConvMAE等网络，代码已开源！

2. Stitchable Neural Networks

• 单位：蒙纳士大学ZIP Lab
  

• Homepage: https://snnet.github.io/

• Paper: https://arxiv.org/abs/2302.06586

• Code: https://github.com/ziplab/SN-Net

Stitchable 神经网络（SN-Net）：一种用于模型部署的新的可扩展和高效的框架，它可以快速地生成具有不同复杂性和性能权衡的大量网络，促进了现实世界应用的深度模型的大规模部署，代码即将开源！

MAE

3. Learning 3D Representations from 2D Pre-trained Models via Image-to-Point Masked Autoencoders

• 单位：上海AI Lab, 港中大MMLab, 北大
  

• Paper: https://arxiv.org/abs/2212.06785

• Code: https://github.com/ZrrSkywalker/I2P-MAE

I2P-MAE：Image-to-Point掩码自编码器，一种从2D预训练模型中获得卓越的3D表示方法，在3D点云分类上表现SOTA（刷新ModelNet40和ScanObjectNN新记录）！性能优于P2P、PointNeXt等网络，代码即将开源！

NeRF

4. NoPe-NeRF: Optimising Neural Radiance Field with No Pose Prior

• 单位：牛津大学
  

• Home: https://nope-nerf.active.vision/

• Paper: https://arxiv.org/abs/2212.07388

• Code: None

NoPe-NeRF：一个端到端可微模型，用于联合相机姿势估计和从图像序列中进行新颖的视图合成，在真实室内和室外场景上实验表明：此方法在新颖的视图渲染质量和姿态估计精度方面优于现有方法。

Diffusion Models(扩散模型)

5. Video Probabilistic Diffusion Models in Projected Latent Space

• 单位：KAIST, 谷歌
  

• Homepage: https://sihyun.me/PVDM/

• Paper: https://arxiv.org/abs/2302.07685

• Code: https://github.com/sihyun-yu/PVDM

据称PVDM：是第一个用于视频合成的latent扩散模型，它学习低维隐空间中的视频分布，可以在有限资源下使用高分辨率视频进行有效训练，以使用单个模型合成任意长度的视频，代码刚刚开源！单位：KAIST, 谷歌

6. Solving 3D Inverse Problems using Pre-trained 2D Diffusion Models

• 单位：KAIST, 洛斯阿拉莫斯国家实验室

• Paper: https://arxiv.org/abs/2211.10655

• Code: None

本文提出DiffusionMBIR：一种用于3D医学图像重建的扩散模型重建策略，实验证明：其能够实现稀疏视图CT、有限角度CT和压缩感知MRI的最先进重建。

视觉和语言(Vision-Language)

7. GIVL: Improving Geographical Inclusivity of Vision-Language Models with Pre-Training Methods

• 单位：UCLA, 亚马逊Alexa AI
  

• Paper: https://arxiv.org/abs/2301.01893

• Code: None

本文提出GIVL：一种地理包容性视觉和语言预训练模型，在地理多样化的V&L任务上实现了最先进的和更均衡的性能。

目标检测(Object Detection)

8. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

• 单位：YOLOv4 原班人马
  

• Paper: https://arxiv.org/abs/2207.02696

• Code: https://github.com/WongKinYiu/yolov7

超越YOLOv5、YOLOX、PPYOLOE、YOLOR等目标检测网络！

9. DETRs with Hybrid Matching

• 单位：北大, 中科大, 浙大, MSRA
  

• Paper: https://arxiv.org/abs/2207.13080

• Code: https://github.com/HDETR

本文提出一种非常简单且有效的混合匹配方案，以解决基于 DETR 的方法在多种视觉任务(2D/3D目标检测、姿态估计等)上的低训练效率，并提高准确性，如助力PETRv2、TransTrack和可变形DETR等网络性能提升，代码已开源！

10. Enhanced Training of Query-Based Object Detection via Selective Query Recollection

• 单位：CMU, Meta AI
  

• Paper: https://arxiv.org/abs/2212.07593

• Code: https://github.com/Fangyi-Chen/SQR

即插即用！本文提出选择性查询回忆(SQR)：一种基于查询的目标检测器训练新策略，可以很容易地插入到各种DETR变体中，显著提高它们的性能，代码已开源！

点击进入—>【计算机视觉】微信技术交流群

最新CVPP 2023论文和代码下载

后台回复：CVPR2023，即可下载CVPR 2023论文和代码开源的论文合集

后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF

目标检测和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer333，即可添加CVer小助手微信，便可申请加入CVer-目标检测或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer333，进交流群
CVer学术交流群（知识星球）来了！想要了解最新最快最好的CV/DL/ML论文速递、优质开源项目、学习教程和实战训练等资料，欢迎扫描下方二维码，加入CVer学术交流群，已汇集数千人！

▲扫码进群
▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看