标签： 全部 强化学习 扩散模型 大语言模型 基准测试 视频生成 视觉语言模型 世界模型 GRPO 多模态大模型 多智能体系统 多模态学习 智能体 知识蒸馏 图像生成 代码生成 LLM智能体 注意力机制 LLM Agent 具身智能 流匹配 多模态大语言模型 视频理解 数学推理 检索增强生成 可解释性 图像编辑 多模态 机器人学习 机器人操作 自监督学习 工具使用 Transformer 基准评测 对比学习 长上下文 RLVR 多模态推理 计算机视觉 数据合成 LLM评估 信息检索 推理加速 3D重建 扩散语言模型 自回归模型 视觉推理 RAG 参数高效微调 LoRA 视觉-语言-动作模型 Flow Matching 模型压缩 自回归生成 视觉-语言模型 后训练 工具调用 持续学习 高效推理 RLHF 策略优化
找到 61 条结果
相关性 | 日期

MuSViT：乐谱表示的基础视觉模型

👍 7

首个通过MAE在970万页IMSLP乐谱上预训练的ViT基础模型

Carlos Penarrubia, Antonio Rios-Vila, Eliseo Fuentes-Martinez, Juan C.... 2026-07-01
乐谱识别 掩码图像建模 自监督学习 视觉Transformer 计算机视觉
✅ 已总结
详情 →

SAM2Matting：通用图像与视频抠图

👍 12

解耦tracking和matting，仅用图像训练实现零样本视频抠图SOTA

Ruiqi Shen, Guangquan Jie, Chang Liu, Henghui Ding 2026-06-30
图像抠图 视频抠图 视频目标分割 计算机视觉 零样本学习
✅ 已总结
详情 →

Lite Any Stereo V2：更快更强的零样本高效立体匹配

👍 3

LAS2通过纯2D架构和三阶段训练策略，在实现高效零样本立体匹配的同时显著降低延迟

Junpeng Jing, Ronglai Zuo, Zhelun Shen, Shangchen Zhou, Rolandos Alexandros... 2026-06-25
深度估计 立体匹配 计算机视觉 零样本学习 高效神经网络
✅ 已总结
详情 →

文本-视觉协同指导的图像编辑

👍 19

联合文本语义和视觉空间提示实现精准意图感知的图像编辑

Chenxi Xie, Yuhui Wu, Qiaosi Yi, Lei Zhang 2026-06-17
图像编辑 多模态学习 扩散模型 计算机视觉
✅ 已总结
详情 →

UniSHARP：通用单目视图合成

👍 15

统一多种相机类型的单目3D高斯视图合成框架

Meixi Song, Dizhe Zhang, Hao Ren, Ruiyang Zhang, Bo Du, Ming-Hsuan Yang, Lu Qi 2026-06-08
3D重建 3D高斯泼溅 多相机系统 视图合成 计算机视觉
✅ 已总结
详情 →

自动驾驶前方的道路：KITScenes 多模态数据集

👍 18

首个包含完整拓扑高精地图和超长距传感器的欧洲多模态自动驾驶数据集。

Richard Schwarzkopf, Fabian Immel, Alexander Blumberg, Jonas Merkert, Nils... 2026-06-05
传感器融合 数据集 空间学习 自动驾驶 计算机视觉
✅ 已总结
详情 →

VLM3：视觉语言模型是天生的3D学习者

👍 26

通过焦距统一、文本像素引用和数据缩放，标准VLM无需复杂设计即可掌握多样化3D任务

Zhipeng Cai, Zhuang Liu, Yunyang Xiong, Zechun Liu, Vikas Chandra, Yangyang Shi 2026-06-01
3D理解 多视图几何 深度估计 视觉语言模型 计算机视觉
✅ 已总结
详情 →