通用多模式嵌入模型在诸如交织的图像文本检索，多模式抹布和多模式聚类等任务中起着至关重要的作用。但是，我们的经验结果表明，经过标准Infonce损失训练的现有基于LMM的嵌入模型在正面和负面对之间的相似性分布中表现出高度的重叠，因此有效区分硬性负面对的挑战。为了解决这个问题，我们提出了一个简单而有效的框架，该框架可以根据其歧视性难度动态地改善嵌入模型的负面对象 ...

我们发布了BevDet的新代码库版本，称为Branch Dev2.0。使用Dev2 ...

最近，由于其强大的建模能力和大规模的预处理，普通视觉 Transformer （VIT）在各种计算机视觉任务上表现出了令人印象深刻的性能。但是，他们尚未征服图像垫子的问题。我们假设VIT也可以提高图像垫，并提出一种新的高效且基于VIT的基于Vitmatte的新型和强大的基于Vitmatte ...

人体运动预测的目标是估计未来一段时间内人类的行为，是许多现实应用中的一项基本任务。然而，现有的工作通常集中于预测人体的主要关节，而没有考虑人手的微妙运动。在实际应用中，手势在人类与现实世界的交流中发挥着重要作用，表达了人类的首要意图... ...

细分任何模型（SAM）已成为分割任务中零击学习的领先方法，从而提供了避免像素式注释的优势。它在医学图像细分中尤其有吸引力，在此，注释过程是费力和专业知识。但是，与常规完全监督的分割网络相比，SAM的直接应用通常会产生较低的结果 ...

顺序依赖性在部署大规模自回归模型时表现出基本的瓶颈，尤其是用于实时应用程序。虽然传统的优化方法诸如修剪和量化之类的方法经常损害模型质量，但最新一代框架的进步表明，这种权衡可以大大减轻。这项调查介绍了一代框架框架的全面分类，分析了自回归序列任务的方法 ...

我们提出了有机化：基于开放式扩散扩散的全景分段，该分割统一了预训练的文本图像扩散和判别模型，以执行开放式杂质的全磁盘分割。文本对图像扩散模型具有出色的能力，可以产生具有不同开放式语言描述的高质量图像。这表明他们的内部表示空间与现实世界中的开放概念高度相关 ...

投机解码表明了其在加速大型语言模型的推断的同时，保持了一致的采样分布方面的有效性。但是，训练单独的模型以实现令人满意的 Token 接受率的常规方法可能是昂贵的。从早期退出的灵感中，我们提出了一种新颖的自我指导解码框架\ emph {kangaroo}，该框架将固定的浅子网络用作自由放养模型，其余层用作较大的目标模型 ...