#ECCV

XMem项目采用Atkinson-Shiffrin记忆模型，提供了一种全新的视频对象分割（VOS）方法。通过结合不同时间尺度的记忆单元，有效避免在处理长时视频时出现的计算和GPU内存问题。XMem可处理超过10000帧的视频，在有限GPU资源下仍保持高效，处理速度达每秒20帧，并附带简化版GUI。项目中还提供了详细的训练和推理指南，适用于实验和实际应用。

本资源库汇集了ECCV2024和2020年底层视觉领域的论文及代码。涵盖超分辨率、图像去雨、去雾、去模糊、去噪、恢复和增强等多个研究方向。项目提供了便捷的平台，使研究人员和开发者能够快速获取最新成果。此外，仓库还链接了CVPR、ICCV等相关会议论文集，以及底层视觉和AIGC研究组的整理资料。

PARSeq是一种创新的场景文本识别模型，采用置换自回归序列方法，实现了上下文无关和上下文感知推理及迭代预测细化。该模型统一了现有STR解码方法，无需独立语言模型，在多个基准数据集上展现出优异性能，同时保持较低计算成本。PARSeq支持灵活的字符集训练和多种评估配置，为OCR应用提供了高效而强大的解决方案。

这个项目提出了一种新型无监督夜间图像增强方法,结合层分解和光效抑制技术来提升夜间图像质量。该方法能有效去除不必要的光效,同时提高图像整体可见度。在多个低光照数据集上,这种方法展现出优异性能,为夜间图像处理领域开辟了新思路。项目公开了源代码、预训练模型和数据集,便于研究人员进行深入研究和应用。