视觉

基于预训练的视觉基础模型、大语言模型（LLMs）和视觉-语言模型（VLMs）的成功，视觉-语言-动作模型已经证明其在应对这些挑战方面的能力。

研究者引入了一种新的ViT架构，称为分层图像金字塔变换器 (HIPT)，它利用WSI中固有的自然分层结构，使用两个级别的自监督学习来学习高分辨率图像表示。

纯视觉的标注方案的核心在于高精度的pose重建。我们采用Structure from motion (SFM) 的pose重建方案，来保证重建精度。

从收集阶段开始，就应注意要选择多种类型的数据，如Idefics2就使用的数据就包括三类——图文对齐的文档（如网页）、图像-文本对（如图片标题），以及带OCR标注的PDF文档。

总结来说，PaliGemma 是一个强大的视觉语言模型，适用于多种需要视觉和语言结合的应用场景，特别是在图像处理和自然语言处理领域。

这里介绍了一种多功能的混合视觉SLAM系统，旨在提高在诸如低光条件、动态光照、弱纹理区域和严重抖动等挑战性场景中的适应性。

在人工智能领域，关键点检测技术一直是计算机视觉研究的重要课题。近期，来自Linköping大学、Chalmers大学、香港中文大学以及Texas A&M大学的科研团队，成功推出了DeDoDe v2——一款革新性的关键点检测器。今天，就让我们一起揭开DeDoDe v2的神秘面纱，看看它是如何引领科技前沿，让AI的“眼睛”更加明亮。

本文首先介绍了基于视觉的三维占用预测的背景，并讨论了这项任务中的挑战。

在人工智能的推动下，自动驾驶技术近年来取得了快速发展，逐渐重塑了人类交通运输的范式。配备了一系列传感器，自动驾驶车辆模仿人类的视觉和听觉等感知能力，以感知周围环境并解释交通场景以确保安全导航。

颜水成团队联合新加坡国立、南洋理工大学共同开源了Vitron模型，持从视觉理解到视觉生成、从低层次到高层次的一系列视觉任务，为下一代通用视觉大模型的终极形态奠定了基础，也标志着大模型迈向通用人工智能（AGI）的又一大步。

在过去的几十年里，人们提出了越来越多的点云配准方法，从经典的ICP算法到与深度学习技术相结合的解决方案。

计算机视觉识别领域的发展如何？华为天才少年谢凌曦分享了万字长文，阐述了个人对其的看法。

正如WHEE的相关负责人表示，“AI改图流程非常简单，用户只需要上传图片，手动涂抹想要重新编辑的区域再输入相应的关键词，就能在保持图像主体特征的前提下，进行任意编辑。”

在VIO开源框架（如VINS-MONO）中，IMU预积分部分属于前端部分，是在采集了IMU数据之后就立刻进行的运算。

视觉语言模型虽然强大，但缺乏空间推理能力，最近 Google 的新论文说它的 SpatialVLM 可以做，看看他们是怎么做的。