大型语言模型（LLM）等大型语言的兴起已大大提高了自动代码的生成，从而提高了软件开发效率。但是，这引入了学术界的挑战，尤其是在区分人写的和LLM生成的代码方面，这使学术完整性问题变得复杂。现有的检测方法，例如预训练的模型和水印，面临适应性和计算效率的限制 ...
在这项调查中，我们详细介绍了神经问题生成（NQG）的进步的详细检查，该领域利用神经网络技术来产生来自知识库，文本和图像等各种输入的相关问题。该调查始于NQG背景的概述，包括任务的问题制定，普遍的基准数据集，已建立的评估指标和著名的应用程序。然后，它有条不紊地将NQG方法分类为三个主要类别：结构化NQG，它利用有组织的数据源，非结构化的NQG，重点是更松散的结构化输入，例如文本或视觉内容，以及混合N ...
准确而快速的场景理解是自动驾驶的挑战性任务之一，它需要充分利用LiDar Point Clouds进行语义细分。在本文中，我们提出了一个\ textbf {concise}和\ textbf {有效}基于图像的语义分割网络，名为\ textbf {cenet}。为了提高学习特征的描述能力并降低计算和时间复杂性，我们的CENET将卷积与较大的内核大小而不是MLP，精心挑选的激活功能以及多个辅助分割头 ...
本文评估了LLM从上下文产生的问题，将其与六个维度的人类生成的问题进行了比较。我们介绍了一种基于LLM的自动化评估方法，重点介绍了问题长度，类型，上下文覆盖和答复性等方面。我们的发现突出了LLM生成的问题的独特特征，促进了可以支持有关质量和下游应用程序的进一步研究的见解 ...
文本对图像（T2I）扩散模型在按用户提示下生成视觉上引人入胜的图像时显示出令人印象深刻的结果。在此基础上，各种方法进一步调整了针对特定任务的预训练的T2I模型。但是，这需要单独的模型体系结构，培训设计和多个参数集来处理不同的任务 ...
动态场景渲染是一个有趣而又具有挑战性的问题。尽管基于NERF的当前方法已经达到了令人满意的性能，但它们仍然无法达到实时水平。最近，由于其出色的渲染质量和实时速度，3D高斯（3DGS）（3DGS）引起了研究人员的关注 ...
在本文中，我们介绍了Salsanext，以实时对完整的3D激光点云进行不确定性感知的语义分割。 Salsanext是Salsanet [1]的下一个版本，该版本具有一个编码器架构，其中编码器单元具有一组重新网络块，而解码器部件结合了从残差块中的UPS采样功能。与Salsanet相反，我们引入了一个新的上下文模块，用新的残留扩张卷积堆栈替换Resnet编码器块，并逐渐增加接受场，并在解码器中添加Pi ...
我们提出了一种新型的变形隐式场（DIF）表示，用于建模类别的3D形状并在形状之间产生密集的对应关系。使用DIF，一个3D形状由整个类别共享的模板隐式字段以及3D变形字段和每个形状实例专用的校正字段表示。可以使用其变形字段轻松建立形状对应关系 ...
