![[SOK-Bench] 利用视频中的真实](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/February2025/sok-bench-520x300.png)
[SOK-Bench] 利用视频中的真实世界知识进行情景视频推理基准测试
[SOK-Bench] 利用视频中的真实世界知识进行情景视频推理基准测 ...
计算机视觉
计算机视觉
Vript-Hard 是测试长视频理解能力的新基准
Vript-Hard 是测试长视频理解能力的新基准
大型语言模型
利用仓本模型在非欧几里得空间进行机器学习
利用仓本模型在非欧几里得空间进行机器学习
计算机视觉
![[InsectMamba]利用状态空间模](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/August2024/insectmamba-520x300.png)
[InsectMamba]利用状态空间模型对害虫进行分类，以支持智能农业
[InsectMamba]利用状态空间模型对害虫进行分类，以支持智能农 ...
计算机视觉
![[CoMat] 解决文本与图像之间的差异](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/August2024/comat_1_-520x300.png)
[CoMat] 解决文本与图像之间的差异
[CoMat] 解决文本与图像之间的差异
计算机视觉
![[OW-VISCap]注意看不见的物体-](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/August2024/ow-viscap-520x300.png)
[OW-VISCap]注意看不见的物体--理解开放世界视频的新方法
[OW-VISCap]注意看不见的物体--理解开放世界视频的新方法
计算机视觉
通过 CLIP 评估零镜头图像理解模型的鲁棒性
通过 CLIP 评估零镜头图像理解模型的鲁棒性
对比学习
![[VideoAgent] 使用大规模语言](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/June2024/videoagent-520x300.png)
[VideoAgent] 使用大规模语言模型作为代理来理解长视频
[VideoAgent] 使用大规模语言模型作为代理来理解长视频
计算机视觉
![[任何分割] 零镜头分割模型](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/June2024/segment_anything-520x300.png)
[任何分割] 零镜头分割模型
[任何分割] 零镜头分割模型
分段
苹果公司开发了一种大规模自回归图像模型，它可以像 LLM 一样进行扩展。
苹果公司开发了一种大规模自回归图像模型，它可以像 LLM 一样进行扩展 ...
计算机视觉
![Swin 变形金刚] 基于变形金刚的图像](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/February2024/swin_transformer-520x300.png)
Swin 变形金刚] 基于变形金刚的图像识别模型，你现在要抓紧了
Swin 变形金刚] 基于变形金刚的图像识别模型，你现在要抓紧了
图片识别
![[DiffYOLO] 改进低质量数据物体](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/February2024/diffyolo-520x300.png)
[DiffYOLO] 改进低质量数据物体检测的创新框架
[DiffYOLO] 改进低质量数据物体检测的创新框架
计算机视觉
InstructPix2Pix：用户导向图像编辑模式的出现
InstructPix2Pix：用户导向图像编辑模式的出现
计算机视觉
![[mPLUG-Owl]开发能理解图像和文](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/January2024/mplug-owl-520x300.png)
[mPLUG-Owl]开发能理解图像和文本的 LLM
[mPLUG-Owl]开发能理解图像和文本的 LLM
计算与语言
T2I-适配器：文本到图像转换技术的前沿
T2I-适配器：文本到图像转换技术的前沿
计算机视觉
ImageBind：汇集所有信息，创造新知识
ImageBind：汇集所有信息，创造新知识
机器学习
[Set-of-Mark Visual Prompting] 提示技术可增强 GPT-4V 的图像识别能力
[Set-of-Mark Visual Prompting] 提示技术 ...
提示方法
![[CoDi]可处理几乎所有模式的任意扩散](https://aisholar.s3.ap-northeast-1.amazonaws.com/media/December2023/composable_diffusion-520x300.png)
[CoDi]可处理几乎所有模式的任意扩散模型
[CoDi]可处理几乎所有模式的任意扩散模型
扩散模型