← ICCV 各届
ICCV 2024· International Conference on Computer Vision
ICCV 2024
亮点精读
8 篇 · 获奖 / oral / 高引📈 498 引用
LlaVA-CoT: Let Vision Language Models Reason Step-By-Step
提出LlaVA-CoT框架，让视觉语言模型通过分步推理提升多模态理解能力。
💡 首次将思维链引入视觉语言模型，显著增强推理可解释性。
arXiv
📈 361 引用
LVBench: An Extreme Long Video Understanding Benchmark
提出LVBench，一个包含长视频理解任务的极端长视频基准。
💡 推动长视频理解研究，挑战现有模型极限。
arXiv
📈 354 引用
LLaVA-Prumerge: Adaptive Token Reduction for Efficient Large Multimodal Models
提出自适应token缩减方法，在保持性能的同时减少视觉token数量。
💡 显著降低多模态模型计算成本，提升效率。
arXiv
📈 312 引用
OminiControl: Minimal and Universal Control for Diffusion Transformer
提出OminiControl，用最小参数实现扩散Transformer的通用控制。
💡 首次实现扩散Transformer的通用、轻量控制。
arXiv
📈 247 引用
Shape of Motion: 4D Reconstruction From a Single Video
从单段视频重建4D动态场景，无需多视角或先验知识。
💡 突破单视频4D重建，简化动态场景获取。
arXiv
📈 202 引用
MetaMorph: Multimodal Understanding and Generation via Instruction Tuning
提出MetaMorph，通过指令微调实现多模态理解与生成统一模型。
💡 统一多模态理解与生成，简化模型设计。
arXiv
📈 185 引用
LLaVA-3D: A Simple Yet Effective Pathway to Empowering LMMs with 3D Capabilities
提出LLaVA-3D，通过简单有效的方式赋予大语言模型3D感知能力。
💡 首次实现2D视觉语言模型向3D的零样本迁移。
arXiv
📈 180 引用
Flowedit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models
利用预训练流模型实现无需反转的文本驱动图像编辑。
💡 无需反转，提升编辑效率与质量。
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