基于传感器有效性掩码的掩码深度建模：在8个掩码/稀疏深度基准测试中的7个上取得最佳RMSE，以及受控编码器初始化研究[R]
摘要
本文提出了基于传感器有效性掩码的掩码深度建模，在8个掩码/稀疏深度基准测试中的7个上取得了最佳RMSE，并进行了受控编码器初始化研究。
暂无内容
相似文章
同一场景，两种深度：探索单目基础模型中的几何模糊性
引入MultiDepth-3k基准，用于评估单目深度基础模型中的深度层偏好，并展示拉普拉斯视觉提示（Laplacian Visual Prompting）可以改变报告的深度层，表明不同模型之间存在互补的几何假设。
3D Masked Autoencoders是显微镜下体积和多模态细胞表示的鲁棒学习器
本文提出了用于体积显微镜数据的3D Masked Autoencoders，并展示了在下游单细胞任务中，3D建模优于2D最大投影和基于切片的变体，而通过与蛋白质语言模型的跨模态对齐进一步提升了性能。
面向密集空间感知的视觉预训练
本文提出了一种名为掩码边界建模（masked boundary modeling）的自监督视觉预训练范式，该范式通过学习亚像素边界表示来提升密集空间感知能力。由此得到的模型LingBot-Vision在深度估计及其他下游任务中展现出显著改进，证明边界建模是一种可扩展的预训练原则，可用于学习空间结构化的视觉表示。
@a1zhang: RLM arXiv 论文更新：depth>1 的结果、更多比较、更多训练和更多错误分析！我们增加了 depth=2/3 的实验…
此次RLM arXiv论文更新增加了使用递归RLM调用的depth>1实验，在OOLONG-Pairs和其他基准测试中显示出显著的性能提升，同时还增加了与OpenCode和Claude Code的新比较、在MRCRv2上的额外训练结果，以及扩展的错误分析。
解锁VLM中的稠密度量深度估计
DepthVLM通过轻量级深度头和统一的视觉-文本监督增强了视觉语言模型，实现了稠密度量深度估计和改进的3D空间推理，同时保持了多模态能力。