鉴于像您和我这样的未经训练的业余爱好者的抽象，变形，普通的草图，本文将其变成了逼真的图像 - 就像图1（a）所示的那些未挑选的图1（a）所示。我们与先前的艺术有很大差异，因为我们不决定要开始使用类似Edgemap的草图，而是要使用抽象的自由人类草图 ...

自动驾驶技术是交通和城市出行革命的催化剂，它倾向于从基于规则的系统过渡到数据驱动的策略。传统的基于模块的系统受到级联模块之间的累积误差和不灵活的预设规则的限制。相比之下，端到端自动驾驶系统由于其完全数据驱动的训练过程而有可能避免错误累积，尽管它们由于其“黑匣子”性质而常常缺乏透明度，从而使决策的验证和可追溯性变得复杂 ...

使大型语言模型（LLMS）能够理解3D物理世界是一个新兴而又具有挑战性的研究方向。处理点云的当前策略通常将场景置于样本或将其分为较小的部分以进行单独分析。但是，这两种方法都有丢失关键本地细节或全球上下文信息的风险 ...

预期一个人将如何与环境中的对象相互作用对于活动的理解至关重要，但是现有方法仅限于视频框架捕捉``什么'''的2D空间，而忽略了'where'和''shere和''。我们从视频中介绍了4D将来的互动预测。鉴于人类活动的输入视频，目标是预测该人在下一个时期将与3D位置相互作用的3D位置的对象（e ...

现有的多人人类重建方法主要集中于恢复准确的姿势或避免渗透，但忽略了密切相互作用的建模。在这项工作中，我们解决了从单眼视频中重建紧密互动的人的任务。这项任务的主要挑战是由于深度歧义和严重的人际关系遮挡引起的视觉信息不足 ...

最近的研究表明，在具有大规模数据的通用视觉学习任务中预先训练的视觉模型可以为各种视觉感知问题提供有用的功能表示。但是，很少有尝试在Visual Place识别（VPR）中利用预训练的基础模型。由于模型预训练和VPR任务之间的培训目标和数据的固有差异，如何弥合差距并完全释放了对VPR的预训练模型的能力仍然是要解决的关键问题 ...

在多模式大语言模型（MLLM）中的最新突破已在深度学习社区中获得了重大认可，在深度学习社区中，视频基础模型（VFM）和大语言模型（LLMS）的融合已证明在构建强大的视频理解系统方面有效地构建了与预期的视觉任务相关的约束。这些复杂的MLLM在理解视频方面表现出了极大的熟练程度，迅速在各种基准测试中达到了前所未有的绩效水平。但是，他们的操作需要大量的内存和计算资源，强调了传统模型在视频理解任务中的持续 ...

命名的实体识别试图在名称现实世界对象的文本中提取子字符串并确定其类型（例如，它们是指人还是组织）。在这项调查中，我们首先概述了最近的流行方法，包括基于变形金刚的方法和大型语言模型（LLMS）的进步，这些方法在其他调查中没有太多覆盖。此外，我们讨论了强化学习和基于图的方法，突出了它们在增强NER性能中的作用 ...