← CVPR 各届
CVPR 2024· Computer Vision and Pattern Recognition
CVPR 2024
亮点精读
8 篇 · 获奖 / oral / 高引🏆 Best Paper
Generative Image Dynamics
提出从单张图片生成连续运动视频的生成式图像动力学模型。
💡 将静态图转化为动态视频，开启新应用场景。
📈 1.9k 引用
Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data
利用大规模无标注数据训练单目深度估计模型，实现鲁棒的零样本深度估计。
💡 释放无标注数据潜力，显著提升深度估计泛化能力。
arXiv
📈 1.3k 引用
Video-MME: The First-Ever Comprehensive Evaluation Benchmark of Multi-modal LLMs in Video Analysis
提出首个全面评估多模态大模型视频分析能力的基准Video-MME。
💡 填补了视频多模态评估的空白，推动模型发展。
arXiv
📈 896 引用
YOLO-World: Real-Time Open-Vocabulary Object Detection
YOLO-World实现实时开放词汇目标检测，通过视觉-语言建模和预训练，无需特定数据集即可检测任意类别。
💡 显著提升开放词汇检测的实时性，推动实际应用。
arXiv
📈 855 引用
SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities
提出SpatialVLM，通过3D空间数据增强视觉语言模型的空间推理能力。
💡 首次系统提升VLM的3D空间推理，推动具身智能发展。
arXiv
📈 767 引用
Eyes Wide Shut? Exploring the Visual Shortcomings of Multimodal LLMs
探究多模态大语言模型在视觉感知上的盲区，揭示其视觉理解缺陷。
💡 首次系统揭示多模态LLM的视觉短板，推动模型改进。
arXiv
📈 702 引用
Structured 3D Latents for Scalable and Versatile 3D Generation
提出结构化3D隐空间，实现可扩展且多功能的3D生成。
💡 统一3D表示，提升生成质量与灵活性。
arXiv
📈 626 引用
VideoCrafter2: Overcoming Data Limitations for High-Quality Video Diffusion Models
提出数据受限下高质量视频扩散模型，通过空间微调与时间训练克服数据限制。
💡 解决高质量视频合成中数据不足的关键问题。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点