#CVPR

该项目展示了一种无需人体检测器的实时多人人体姿态估计方法，曾获2016年MSCOCO关键点挑战赛冠军等多个奖项。项目提供了C++、TensorFlow、Pytorch等多种实现版本，适用于不同应用场景。页面还包括详细的测试与训练步骤，以及相关的代码库和资源链接，适合研究人员和开发者使用。

本页面汇总了包括CVPR、AAAI、和ICCV在内的顶级会议上视觉对象跟踪领域的论文。详细介绍包括Siam R-CNN、PrDiMP等在内的多种跟踪技术及其实现代码与研究要点。

SiamMOT是一种基于区域的连体多目标追踪网络，通过在帧间估算对象实例的运动，实现目标检测和关联。项目展示了显式和隐式运动建模的重要性，显著提升了在MOT17、TAO-person和Caltech Roadside Pedestrians数据集上的性能，且在HiEve数据集上超越了ACM MM'20 HiEve Grand Challenge的获胜者。SiamMOT在单个现代GPU上以每秒17帧的速度运行，支持对人或人和车辆的联合追踪，并提供丰富的预训练模型供用户使用。

本页面汇总了关于自动驾驶世界模型的最新论文和研究成果，涵盖包括CVPR、ECCV、ICML和ICLR等知名会议和期刊的前沿研究。通过这些世界模型，研究人员能够预测未来状态，提升基础模型性能，并生成未来的点云数据。此外，页面还介绍了重要的研讨会与挑战赛，以及业界专家的技术博客和视频，提供了对自动驾驶世界模型应用的全面视角。

Pointcept 是一个专为点云感知研究设计的开源代码库，集成了 Point Transformer V3、OA-CNNs 和 PonderV2 等顶尖技术。通过多数据集预训练架构和高效的场景对比学习框架，Pointcept 在室内外场景中表现出色。用户可以使用统一接口和预处理支持，快速部署点云感知解决方案。项目持续更新，最近的新版本优化数据集结构，提升整体性能。

了解单目3D物体检测的最新研究进展，页面涵盖2024至2016年的相关学术论文，并持续更新。您可浏览详细的文章列表，涉及单目3D检测领域的各种关键主题和方法。此外，网站还提供Pytorch代码，方便研究和应用。适合研究人员、开发人员和单目3D检测领域的爱好者。

DisCo 是一个生成逼真人类舞蹈的多用途工具包，支持图像与视频生成。它具有优秀的泛化能力，无需人类特定的微调，同时提供特定人类的细调，以满足多样化的研究需求。其框架操作简便，支持高效训练和多种研究方向。DisCo 在实际应用中表现出色，支持预训练、细调和人类特定细调，适用于广泛的应用场景。用户可以通过在线演示或本地部署模型推理，研究人员也可以利用该代码库进行再实现和开发。

本项目汇集了手部姿态估计的核心资源，包括评估方法、权威期刊论文、顶级会议论文和预印本等，从2014年到2024年覆盖最前沿的研究成果，囊括了多视角视频数据集和RGB+深度数据集。本项目提供该领域的最新动态，适合研究人员和开发者参考，用户亦可贡献资源，共同完善这一知识库。

GenerateU项目提出新型开放式目标检测方法，通过生成式区域语言预训练实现无需预定义类别的检测。在LVIS数据集零样本迁移测试中，即使推理时未见类别名称，也达到开放词汇目标检测方法GLIP的性能水平。该项目入选CVPR2024，为通用目标检测领域带来创新突破，特别适用于用户缺乏精确物体类别知识的场景。

RAVE是一种基于预训练文本到图像扩散模型的视频编辑技术，无需额外训练即可实现高质量视频编辑。通过创新的噪声重排策略，RAVE提高了视频的时间一致性和处理效率。它支持从局部属性调整到形状变换等多种编辑类型，并可处理任意长度的视频。在多种编辑场景中，RAVE展现出优于现有方法的性能，为视频创作提供了高效灵活的解决方案。

SyncTalk项目通过三平面哈希表示法实现高度同步的说话头像视频合成。该技术生成同步的唇部运动、面部表情和稳定的头部姿势，同时还原发型细节，创造高分辨率视频。在保持人物身份的同时，项目显著提升了说话头像的自然度和真实感。

CFLD项目提出粗到细潜在扩散方法，用于姿态引导的人像合成。该方法采用多阶段策略，先生成粗略草图再逐步细化，提高了生成图像质量和准确性。作为CVPR 2024亮点论文，CFLD在人像合成领域展现了重要进展。

该项目整理了CVPR 2020至2024年底层视觉领域的重要论文和代码，包括超分辨率、图像去雨、去雾、去模糊、去噪等任务。项目为研究人员提供全面资源，促进底层视觉技术发展。此外，还收录了其他相关会议和研究组信息，是计算机视觉研究的重要参考。项目收录了数百篇论文及其相应的代码实现链接，为研究者提供了丰富的学习和实践资源。

这个项目整理了6D物体姿态估计、单视图3D物体重建和3D手-物体姿态估计领域的重要资源。内容包括arXiv论文、期刊会议论文、学位论文、数据集、研讨会和挑战赛信息。资源按年份和会议分类,涵盖2014年至今的研究进展,为相关研究人员提供了全面的参考。

Mip-Splatting是一个创新的3D高斯渲染项目，通过3D平滑滤波器和2D Mip滤波器消除渲染伪影，实现无锯齿效果。该技术在CVPR 2024获得最佳学生论文奖，体现了其在计算机视觉和图形学领域的重要性。项目提供在线演示，展示了其高质量的渲染效果。

LIVE-Layerwise-Image-Vectorization是一个图像矢量化项目，采用逐层生成SVG的方法拟合栅格图像。该技术通过递归学习视觉概念，添加和优化闭合贝塞尔路径来重建输入图像。LIVE能以更少的路径实现精确的图像重建，展示了紧凑的层次化表示能力。这一方法在图像矢量化领域具有潜在应用价值，可能对图形设计和图像处理等领域产生影响。

HumanBench项目致力于开发通用人体感知基础模型，包含PATH和UniHCP两个子项目，均发表于CVPR 2023。该项目采用投影辅助预训练技术，旨在提升模型性能，为计算机视觉领域提供新的研究方向。项目代码已开源，上海人工智能实验室正在招募相关研究人员和工程师，共同推进人体感知基础模型的研究。

MAD是一个用于视频语言定位研究的大规模数据集，源自电影音频描述。它包含384K个句子，涵盖650部电影的1.2K小时视频内容。数据集横跨22个电影类型和90年电影史，提供多样化的动作、场景和语言素材。MAD的独特之处在于其长形式定位设置，具有庞大的语言词汇量，对准确性和效率提出了挑战。这一资源为研究人员开拓了视频语言理解的新领域。

VoxFormer是一种基于Transformer的创新框架，仅通过2D图像即可生成完整的3D语义体素。它采用两阶段设计：先从深度估计生成可见占据体素查询，再通过密集化阶段生成完整3D体素。在SemanticKITTI数据集上，VoxFormer在几何和语义方面分别提升了20.0%和18.1%，同时将训练所需GPU内存减少约45%。这为相机驱动的3D语义场景补全任务提供了一个强有力的基线。

项目收录了CVPR、ICCV、ECCV、AAAI、IJCAI、NeurIPS等AI顶级会议论文，覆盖计算机视觉和人工智能多个领域。研究人员可快速检索特定主题论文或相似研究。数据源自官方网站，确保信息准确。资源库持续更新，是AI研究人员的重要参考工具。

KL-Loss提出了一种新型边界框回归损失函数,同时学习边界框变换和定位方差。该方法显著提高了物体检测的定位精度,几乎不增加计算量。在MS-COCO数据集上,KL-Loss将多种检测架构的平均精度(AP)提升1.8%-5.5%,尤其在高IoU阈值下表现出色,大幅超越现有方法。

ECON是一种从单张彩色图像进行人体数字化的先进技术。它结合隐式和显式表示的优点,能从日常图像中重建高保真3D着装人体模型,即使对象穿着宽松服装或处于复杂姿势。该技术支持多人重建和SMPL-X动画,采用创新的d-BiNI方法优化前后2.5D表面,保证细节与法线图一致并与SMPL-X表面对齐。ECON在处理各种实际场景中的人体重建任务时表现出色。