vision-foundation-models

标签

Cards List
#vision-foundation-models

@qingke_ai: 空间感知的评测一直错位:大家都在考「看得懂这张图吗」,很少有人考「走过两步之后还知道东西在哪吗」。这篇把 10 个视觉基座模型按 4 个层级探了一遍,评测轴换成了状态能否跨观测保持。做具身和 VLA 的值得看。

X AI KOLs Timeline ↗ · 2026-11-02 缓存

该推文介绍一篇评测论文,对 10 个视觉基础模型在 4 个层级上进行探测,评测轴从单帧图像理解转向跨观测保持的空间状态,对具身智能与 VLA 研究者有参考价值。

0 人收藏 0 人点赞
#vision-foundation-models

在正确的潜空间中进行超分辨率:一个冻结的视觉基础基底

Hugging Face Daily Papers ↗ · 2026-10-08 缓存

提出RAESR,利用冻结DINOv3-L的23层融合层作为超分辨率的潜空间基底,训练415M解码器将退化嵌入映射回流形,在RealSR、DRealSR、LSDIR和DIV2K-Val上实现最优的保真度-感知权衡,且单张H20 GPU上每512×512图像仅需37ms。

0 人收藏 0 人点赞
#vision-foundation-models

Latent-Foresight:面向隐空间世界模型的端到端可预测表征学习

Hugging Face Daily Papers ↗ · 2026-10-01 缓存

Latent-Foresight 提出了一种端到端框架,联合学习隐空间分词器与基于流的生成式动力学模型,显式地为时序可预测性构建隐空间结构,在未来场景理解任务上优于两阶段流水线方法。

0 人收藏 0 人点赞
#vision-foundation-models

Self-Geometry:无真值且即插即用的测试时自适应方法,用于几何一致的3D视觉基础模型

Hugging Face Daily Papers ↗ · 2026-08-11 缓存

提出了Self-Geometry,一种即插即用的测试时自适应流程,利用2D像素对应关系施加显式的多视图几何约束,以改进几何一致的3D视觉基础模型。

0 人收藏 0 人点赞
#vision-foundation-models

RaysUp:通过几何感知射线表示的超轻量通用特征上采样

Hugging Face Daily Papers ↗ · 2026-06-22 缓存

RaysUp 是一个超轻量、任务无关的特征上采样框架,利用几何感知射线域技术从低分辨率VFM输出重建高分辨率特征,以比先前工作减少84%的参数和7倍更快的推理速度实现了最先进的性能。

0 人收藏 0 人点赞
#vision-foundation-models

IDEAL:深度对齐实现离散表示自编码器

Hugging Face Daily Papers ↗ · 2026-06-09 缓存

IDEAL提出了一种用于离散表示自编码的深度对齐框架,联合对齐量化令牌与浅层和深层VFM特征,以实现卓越的重建和生成性能。

0 人收藏 0 人点赞
#vision-foundation-models

基于视觉基础模型引导的注意力一致性纵向医学视觉问答

arXiv cs.AI ↗ · 2026-06-08 缓存

提出了一种用于纵向医学视觉问答的注意力引导编码器-解码器,使用冻结的基于DINO的掩码生成器和辅助损失函数来提高一致性和可解释性,在Medical-Diff-VQA基准上取得了强劲的结果。

0 人收藏 0 人点赞
#vision-foundation-models

SOCO:视觉基础模型中语义对象对应性的基准测试

Hugging Face Daily Papers ↗ · 2026-05-29 缓存

SOCO基准通过一致的部件级标注和关键点描述来评估视觉模型中的结构化对象理解,揭示了语言驱动定位与视觉对应之间的差距,同时证明了其对下游任务性能的强大预测能力。

0 人收藏 0 人点赞
#vision-foundation-models

表征先于像素:语义引导的分层视频预测

Hugging Face Daily Papers ↗ · 2026-04-13 缓存

Re2Pix 是一个分层视频预测框架,通过首先使用冻结的视觉基础模型预测语义表征,然后将这些预测作为条件输入到潜在扩散模型中以生成逼真的帧,从而改进未来视频生成。该方法通过嵌套丢弃和混合监督策略解决了训练-测试不匹配问题,在自动驾驶基准测试中实现了更好的时间语义一致性和感知质量。

0 人收藏 0 人点赞
← 返回首页

提交意见反馈