← CVPR 各届
CVPR 2023· Computer Vision and Pattern Recognition
CVPR 2023
亮点精读
8 篇 · 获奖 / oral / 高引🏆 Best Paper
Visual Programming: Compositional visual reasoning without training
提出视觉编程方法，通过组合模块实现无需训练的视觉推理。
💡 无需训练即可解决复杂视觉任务，降低计算成本。
📈 5.3k 引用
Improved Baselines with Visual Instruction Tuning
通过视觉指令微调改进多模态大语言模型基线，提升零样本任务性能。
💡 简单有效，为多模态模型训练提供新基线。
arXiv
📈 3.5k 引用
DETRs Beat YOLOs on Real-time Object Detection
提出Real-Time DETR，通过改进编码器架构和训练策略，使DETR在实时检测中超越YOLO。
💡 首次证明DETR在实时场景下性能优于YOLO，推动端到端检测实用化。
arXiv
📈 3.0k 引用
Intern VL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks
提出InternVL，通过大规模视觉基础模型与语言模型对齐，提升视觉-语言任务性能。
💡 首次将视觉基础模型扩展到6B参数，显著提升多模态能力。
arXiv
📈 2.3k 引用
MMMU: A Massive Multi-Discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI
提出MMMU基准，包含多学科多模态问题，评估专家级AGI的理解与推理能力。
💡 首个覆盖多学科、需专家级知识的综合多模态基准。
arXiv
📈 1.8k 引用
Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks
设计更高效卷积，通过增加FLOPS而非减少来提升推理速度。
💡 颠覆直觉，证明高FLOPS可更快推理。
arXiv
📈 1.7k 引用
ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders
提出ConvNeXt V2，结合掩码自编码器与纯卷积网络协同设计，实现高效视觉学习。
💡 证明纯卷积网络在自监督学习中也能达到SOTA性能。
arXiv
📈 1.7k 引用
Align Your Latents: High-Resolution Video Synthesis with Latent Diffusion Models
提出高分辨率视频合成方法，通过潜在扩散模型对齐帧间潜在特征。
💡 首次实现高分辨率视频的潜在扩散模型，提升视频生成质量。
arXiv
全部论文
加载中…正在从 DBLP 加载全量论文…
全量索引来自 DBLP · 完整 proceedings 见 官方站点