标签
介绍 Labelme——一款基于 Python/Qt 的开源图像标注工具，支持绘制多边形、矩形框、圆形和点，并可通过 SAM、EfficientSAM、YOLO-World 和 SAM3 实现 AI 辅助标注，支持 VOC/CCO 格式导出以及视频标注。
精选的 10 个开源 GitHub 仓库，利用 AI 从卫星图像中提取洞察，涵盖分割、洪水制图、树木检测和土地覆盖分析等地球观测任务。
本文提出了一种受控评估框架，将独立类别支持与表征分配分离，以确定在长尾识别中进行分类器校正后，何时仍值得对编码器进行适配，并表明仅改变基准的构建方式就能逆转这一训练决策。
Vathography 是一种全新的创作方式，将从照片中推断出的深度图转化为艺术作品，利用扩散 Transformer 估计深度，让创作者将对焦视为深度到色调与色彩的映射。受 Marigold V2 精细深度分解的启发，它将通常隐藏在幕后的技术处理步骤重新诠释为一种艺术表达形式。
video-grep 是一款以终端为主要交互界面的工具，让你能够用简单的英语描述动作或场景来搜索视频内容，通过在本地为视频帧建立索引，无需离开 SSH 会话即可找到精确的时间戳。
论文提出 Bottle-SPU（Bottle-SKU）大规模多SKU洗发水瓶表面缺陷检测基准，包含13,119张图像与20,419个实例级标注框，并提出原型引导的动态域调制方法 ProDMM，通过SKU视觉原型生成低秩查询/值调制，以提升跨产品变体的缺陷检测泛化能力。
Shire Intelligence 将餐厅现有的闭路电视摄像头转化为实时运营管理层，通过追踪餐桌状态、服务员工作量和顾客需求，将翻台时间缩短 12%，每年为餐厅节省约 31,000 美元。这家获得 Y Combinator 支持的初创公司目前已在 13 家餐厅上线，并正在拓展其由 AI 驱动的收银、排班和预订平台。
ReLift 将单目视频中的稠密 3D 跟踪重新表述为几何轨迹修复，采用前馈式轨迹校正器，沿提升后的轨迹及跨轨迹交替施加注意力。它在 WorldTrack 上取得了最先进的平均准确率，在不使用图像进行训练的情况下，相较于最强基线，在所有点上的 APD 提升了 2.1，在动态点上提升了 3.0。
Arrowmax 的 Arrowspace S1 电动螺丝刀利用内置摄像头和 AI 识别螺丝类型与尺寸，推荐合适的批头，并自动选择安全的扭矩设置。该产品通过 Kickstarter 发起众筹，预计于 2027 年 4 月发货。
罗切斯特大学和NVIDIA的研究人员开发了一种像素空间扩散模型，能够对AI生成的图像进行精确的局部编辑，而不会意外改动无关的细节，这与ChatGPT和Google Gemini等系统所采用的潜在空间模型不同。
一款名为 Rivet 的约会应用会将用户配对，并向其他用户展示配对结果，让他们投票选择赞成或反对。该应用使用 AI 生成的两人融合图像作为“情侣照”，引导用户作出判断，由此引发了一个问题：将外貌偏见公开呈现，是否比将其隐藏在排名算法中更好。
该论文提出了 FDSML，一种公式驱动的监督度量学习方法，在精细化的分形数据集（FineFractalDB）上使用参数感知三元组损失，以改进用于图像检索的合成数据预训练。与 FDSL 相比，该方法在 Stanford Online Products 和 Stanford Cars 数据集上的 Recall@1 指标均有显著提升。
AB-Attention提出一种免训练的块稀疏注意力方法，通过块内聚类选择、包含概率加权采样和细粒度核收集来近似稠密注意力，在Wan2.1和HunyuanVideo上跳过89-92%注意力计算，同时PSNR提升最高4.4dB，端到端加速最高2.23倍。
论文提出了 ImagiRep——一个基于模拟器的基准，表明空间推理的收益来自超越 RGB 的多样化表征；同时提出了 GEARS——一种轻量级的测试时策略，可自适应地选择表征，以改进对未观测状态的推理。
Sperid Labs 发布 Idol，能将单张物体照片在 2 秒内转换为包含被遮挡面的 3D Gaussian splat（最多约 100 万个高斯），可在消费级 GPU 上以 7.2GB 显存运行。
提出了增强引导的对抗训练（AGAT）框架，利用基于增强的局部稳定性（ALS）得分选择邻域不稳定的样本进行对抗训练，在仅对 20–30% 的样本施加对抗监督的情况下达到相当或更高的鲁棒准确率，同时降低训练成本。
datalab-to 发布了 Tesseract OCR 引擎的继任者 indra，其突出之处在于仅有 100 万个参数，却在基准测试中展现出质量和速度的显著提升。
Hi3D 发布了 Hi3D V1.0，这是一款基于 Sparc3D 构建的开源 3D 模型，能够根据参考图像为粗糙的 3D 网格添加细节。推理代码和几何细化权重已在 GitHub 上提供，而纹理生成功能仍保留在商业版 V3 中。
Unlimited OCR 2 目前是 Papers with Code 上的热门论文第一名，用户可以通过聊天界面对论文 PDF 进行对话式问答。
论文提出 Isharah-Selfie 数据集，这是一个完全通过前置智能手机自拍视角采集的大型阿拉伯手语（ArSL）数据集，包含 16 名签名者的 8,997 段视频和 1,493 个句子，用于连续手语识别与翻译，并揭示现有方法在自拍条件及未见句子泛化上的不足。