CONFERENCE ARCHIVE
ECCV 2024
自动驾驶 · 具身智能论文归档
从 200 篇 Oral 论文中,收录 84 篇相关研究
本页 Oral 名单来自第三方论文聚合平台,以官方公布为准。
端到端驾驶与规划 2
BEV与占用感知 2
3D检测与多模态融合 19
世界模型 3
VLA与机器人操作 7
人形与运动控制 2
具身导航与空间智能 1
定位与建图 12
仿真数据与评测 5
3D重建与渲染 14
基础模型与部署 17
01
端到端驾驶与规划
2 篇
Making Large Language Models Better Planners with Reasoning-Decision Alignment
💡 用推理-决策对齐增强LLM驾驶规划
🚗 提升端到端自动驾驶决策的可解释性与一致性
Zhijian Huang · Tao Tang · Shaoxiang Chen 等 8 人
DriveLM: Driving with Graph Visual Question Answering
💡 用图结构VQA建模感知-预测-规划推理链
🚗 将VLM融入端到端驾驶,提升泛化性与人机交互推理能力。
Chonghao Sima · Katrin Renz · Kashyap Chitta 等 10 人
02
BEV与占用感知
2 篇
Mask2Map: Vectorized HD Map Construction Using Bird's Eye View Segmentation Masks
💡 用实例级掩码查询驱动矢量化地图生成
🚗 提升在线HD地图构建精度,服务自动驾驶感知与规划
Sehwan Choi · Jun Won Choi · JUNGHO KIM 等 4 人
MapTracker: Tracking with Strided Memory Fusion for Consistent Vector HD Mapping
💡 将建图建模为跟踪任务,用跨步记忆融合保证时序一致
🚗 提升矢量高精地图在线构建的时序一致性与稳定性,服务自动驾驶感知
Jiacheng Chen · Yuefan Wu · Tan Jiaqi 等 5 人
03
3D检测与多模态融合
19 篇
Rethinking Data Augmentation for Robust LiDAR Semantic Segmentation in Adverse Weather
💡 分析恶劣天气对LiDAR影响并提出选择性抖动增强
🚗 提升自动驾驶LiDAR感知在雨雾天气下的鲁棒性
Junsung Park · Kyungmin Kim · Hyunjung Shim
SEA-RAFT: Simple, Efficient, Accurate RAFT for Optical Flow
💡 混合拉普拉斯损失与立体预训练加速光流
🚗 高效光流估计可支撑自动驾驶运动感知与里程计
Yihan Wang · Lahav Lipson · Jia Deng
RAPiD-Seg: Range-Aware Pointwise Distance Distribution Networks for 3D LiDAR Segmentation
💡 提出距离感知点对距离分布特征,实现刚性变换不变的点云分割
🚗 提升自动驾驶户外LiDAR点云分割的鲁棒性与密度适应性
Luis Li · Hubert P. H. Shum · Toby P Breckon
Oral双向上下文注意力用于3D密集描述
Bi-directional Contextual Attention for 3D Dense Captioning
💡 双向上下文注意力建模全局物体关系
🚗 3D场景理解与语言描述,助力具身智能场景语义感知
Minjung Kim · Hyung Suk Lim · Soonyoung Lee 等 5 人
PointLLM: Empowering Large Language Models to Understand Point Clouds
💡 将点云编码器与LLM结合实现点云指令理解
🚗 点云-语言多模态大模型可用于机器人3D场景理解与交互。
Runsen Xu · Xiaolong Wang · Tai Wang 等 6 人
RISurConv: Rotation Invariant Surface Attention-Augmented Convolutions for 3D Point Cloud Classification and Segmentation
💡 基于局部三角面片构造旋转不变注意力卷积
🚗 提升点云旋转不变特征学习,可用于自动驾驶3D感知
Zhiyuan Zhang · Licheng Yang · Zhiyu Xiang
Projecting Points to Axes: Oriented Object Detection via Point-Axis Representation
💡 提出点-轴表示解耦位置与旋转的有向检测
🚗 有向目标检测方法可迁移至自动驾驶旋转目标感知
Zeyang Zhao · Qilong Xue · Yifan Bai 等 6 人
LiveHPS++: Robust and Coherent Motion Capture in Dynamic Free Environment
💡 单激光雷达在噪声环境下鲁棒捕捉人体动作
🚗 激光雷达人体动捕技术可迁移至机器人感知与建模
Yiming Ren · Xiao Han · Yichen Yao 等 6 人
Integer-Valued Training and Spike-driven Inference Spiking Neural Network for High-performance and Energy-efficient Object Detection
💡 设计SpikeYOLO与整数脉冲神经元提升检测性能
🚗 为自动驾驶感知提供低功耗SNN检测与部署方案
Xinhao Luo · Man Yao · Yuhong Chou 等 5 人
Relation DETR: Exploring Explicit Position Relation Prior for Object Detection
💡 引入位置关系先验作为注意力偏置加速DETR收敛
🚗 提升检测收敛与性能,可应用于自动驾驶3D/2D目标检测。
Xiuquan Hou · Meiqin Liu · Senlin Zhang 等 6 人
WPS-SAM: Towards Weakly-Supervised Part Segmentation with Foundation Models
💡 基于SAM的弱监督部件分割框架,仅需框或点标注
🚗 为机器人操作中的物体部件级感知与抓取提供弱监督分割能力。
xinjian wu · Ruisong Zhang · Jie Qin 等 5 人
Align before Collaborate: Mitigating Feature Misalignment for Robust Multi-Agent Perception
💡 轻量插件通过可变形特征对齐缓解协作感知空间错位
🚗 提升自动驾驶多车协同感知在噪声下的鲁棒性与精度。
Dingkang Yang · Ke Li · Dongling Xiao 等 6 人
M^2Depth: Self-supervised Two-Frame Multi-camera Metric Depth Estimation
💡 融合时空代价体与SAM先验的多相机自监督度量深度估计
🚗 为自动驾驶提供尺度可靠的环视深度感知,支撑BEV与占用感知
Yingshuang Zou · Yikang Ding · Xi Qiu 等 5 人
OP-Align: Object-level and Part-level Alignment for Self-supervised Category-level Articulated Object Pose Estimation
💡 单帧点云自监督实现铰接物体规范重建与部件位姿对齐
🚗 为机器人操作铰接物体提供类别级位姿与关节状态估计
Yuchen Che · Ryo Furukawa · Asako Kanezaki
On Calibration of Object Detectors: Pitfalls, Evaluation and Baselines
💡 提出联合衡量检测校准与精度的评估框架及后处理校准方法
🚗 提升检测器置信度可靠性,对自动驾驶安全关键感知有直接价值。
Selim Kuzucu · Kemal Oksuz · Jonathan Sadeghi 等 4 人
Efficient Active Domain Adaptation for Semantic Segmentation by Selecting Information-rich Superpixels
💡 超像素级主动学习与低不确定性融合的域适应分割
🚗 降低标注成本提升分割域适应,可用于驾驶场景语义分割部署。
Yuan Gao · Zilei Wang · Yixin Zhang 等 4 人
KeypointDETR: An End-to-End 3D Keypoint Detector
💡 用二分匹配损失实现端到端3D关键点检测,免NMS后处理
🚗 可迁移至点云物体位姿估计与机器人抓取的关键点感知
Hairong Jin · Yuefan Shen · Jianwen Lou 等 5 人
HGL: Hierarchical Geometry Learning for Test-time Adaptation in 3D Point Cloud Segmentation
💡 从局部到全局再到时序的层次几何学习实现点云TTA
🚗 提升点云分割在跨域场景下的鲁棒性,利于自动驾驶感知部署
Tianpei Zou · Sanqing Qu · Zhijun Li 等 7 人
Exploring the Feature Extraction and Relation Modeling For Light-Weight Transformer Tracking
💡 将注意力分解为四子模块,浅层提特征深层建关系
🚗 轻量高效目标跟踪可支撑自动驾驶与机器人的实时视觉感知
Jikai Zheng · Mingjiang Liang · Shaoli Huang 等 4 人
04
世界模型
3 篇
Physics-Based Interaction with 3D Objects via Video Generation
💡 用视频生成先验蒸馏物体物理动力学
🚗 为机器人操作与仿真提供可交互3D物体动力学建模能力
Tianyuan Zhang · Hong-Xing Yu · Rundi Wu 等 8 人
Oral面向场景图预测
Towards Scene Graph Anticipation
💡 用NeuralODE/SDE建模物体关系演化以预测未来场景图
🚗 时空关系推理与动态建模能力可迁移至驾驶场景理解与预测
Rohith Peddi · Saksham Singh · Saurabh . 等 5 人
Oral以手为控操控世界
Controlling the World by Sleight of Hand
💡 用手部表征作为视觉条件建模物体交互动态
🚗 为世界模型与动作规划提供细粒度交互预测能力。
Sruthi Sudhakar · Ruoshi Liu · Basile Van Hoorick 等 5 人
05
VLA与机器人操作
7 篇
SemGrasp: Semantic Grasp Generation via Language Aligned Discretization
💡 用离散表示对齐抓取与语义空间生成抓取
🚗 语言驱动的抓取生成,可用于机器人操作与灵巧手
Kailin Li · Jingbo Wang · Lixin Yang 等 5 人
LEGO: Learning EGOcentric Action Frame Generation via Visual Instruction Tuning
💡 用视觉指令微调从第一人称图像生成动作帧
🚗 为具身智能体技能迁移提供第一人称动作图像生成能力
Bolin Lai · Xiaoliang Dai · Lawrence Chen 等 6 人
Language-Driven 6-DoF Grasp Detection Using Negative Prompt Guidance
💡 负提示引导扩散模型实现语言驱动抓取
🚗 语言引导的6-DoF抓取检测,直接服务机器人操作
Tien Toan Nguyen · Minh Nhat Nhat Vu · Baoru Huang 等 8 人
NL2Contact: Natural Language Guided 3D Hand-Object Contact Modeling with Diffusion Model
💡 用语言可控扩散模型生成手物接触
🚗 助力机器人抓取与灵巧操作的手物接触建模
Zhongqun Zhang · Hengfei Wang · Ziwei Yu 等 6 人
OralUGG: 统一生成式抓取
UGG: Unified Generative Grasping
💡 扩散模型统一物体点云与手参数空间生成抓取
🚗 提升灵巧抓取的多样性与成功率,服务机器人操作
Jiaxin Lu · Hao Kang · Haoxiang Li 等 7 人
MaxMI: A Maximal Mutual Information Criterion for Manipulation Concept Discovery
💡 用信息论准则从无标注演示中发现关键物理状态
🚗 助力机器人操作策略学习与泛化,减少人工标注
Pei Zhou · Yanchao Yang
Beyond the Contact: Discovering Comprehensive Affordance for 3D Objects from Pre-trained 2D Diffusion Models
💡 建模人-物交互的相对朝向与空间关系分布的可供性表示
🚗 为机器人抓取与操作提供更全面的物体可供性先验,提升交互规划能力
Hyeonwoo Kim · Sookwan Han · Patrick Kwon 等 4 人
06
人形与运动控制
2 篇
NeRMo: Learning Implicit Neural Representations for 3D Human Motion Prediction
💡 将人体运动表示为连续神经隐式函数以预测未来姿态
🚗 运动预测的连续表示方法可迁移至人体/机器人动作预测与运动规划
Dong Wei · Huaijiang Sun · Xiaoning Sun 等 4 人
Oral可控的人-物交互合成
Controllable Human-Object Interaction Synthesis
💡 基于扩散模型由语言与路点生成同步人-物运动
🚗 生成可控人-物交互运动,可用于机器人操作与具身行为仿真。
Jiaman Li · Alexander Clegg · Roozbeh Mottaghi 等 6 人
08
定位与建图
12 篇
Pose-Aware Self-Supervised Learning with Viewpoint Trajectory Regularization
💡 用无监督轨迹正则提升自监督表示的位姿估计
🚗 提升几何位姿表征,可用于SLAM与机器人视觉定位
Jiayun Wang · Yubei Chen · Stella Yu
Correspondences of the Third Kind: Camera Pose Estimation from Object Reflection
💡 提出反射对应关系以解决位姿估计歧义
🚗 为无背景场景下的相机位姿估计提供新思路,可用于定位
Kohei Yamashita · Vincent Lepetit · Ko Nishino
Oral视图图可解性的直接方法
A Direct Approach to Viewing Graph Solvability
💡 提出直接公式化视图图可解性并引入无穷小可解性概念
🚗 为多相机SfM系统的可解性分析提供理论工具,可支撑SLAM与多传感器标定
Federica Arrigoni · Andrea Fusiello · Tomas Pajdla
Oral基于准直器系统的相机标定
Camera Calibration using a Collimator System
💡 用准直器将标定转化为球面纯旋转模型
🚗 为长工作距离相机提供灵活标定方案,可用于车载与机器人视觉系统。
Shunkun Liang · Banglei Guan · Zhenbao Yu 等 5 人
OralCOMO: 紧凑建图与里程计
COMO: Compact Mapping and Odometry
💡 用紧凑3D锚点编码稠密几何实现实时单目建图与里程计
🚗 为自动驾驶与机器人提供实时准确的单目SLAM与稠密几何重建能力。
Eric Dexheimer · Andrew Davison
Scene Coordinate Reconstruction: Posing of Image Collections via Incremental Learning of a Relocalizer
💡 将增量式SfM重新解释为重定位器的迭代学习与精化
🚗 为自动驾驶与机器人提供无需位姿先验的神经隐式场景重建与重定位。
Eric Brachmann · Jamie Wynn · Shuai Chen 等 7 人
ADen: Adaptive Density Representations for Sparse-view Camera Pose Estimation
💡 自适应密度表示建模位姿概率分布
🚗 提升稀疏视角下相机位姿估计精度,服务SLAM与重建
Hao Tang · Weiyao Wang · Pierre Gleize 等 4 人
SPVLoc: Semantic Panoramic Viewport Matching for 6D Camera Localization in Unseen Environments
💡 用全景语义布局匹配实现无需场景训练的6D定位
🚗 为室内机器人提供无需场景先验的全局6D重定位能力
Niklas Gard · Anna Hilsmann · Peter Eisert
DVLO: Deep Visual-LiDAR Odometry with Local-to-Global Feature Fusion and Bi-Directional Structure Alignment
💡 图像与点云双向结构对齐的局部到全局融合里程计
🚗 提升视觉-激光雷达融合里程计精度,可用于自动驾驶定位与多传感器融合。
Jiuming Liu · Dong Zhuo · Zhiheng Feng 等 7 人
Oral解空间缩减的多相机系统六点法
Six-Point Method for Multi-Camera Systems with Reduced Solution Space
💡 利用光线束约束与旋转平移解耦降低多相机相对位姿求解解数
🚗 为多相机系统的位姿估计提供更稳定高效的求解器,服务SLAM与标定
Banglei Guan · Ji Zhao · Laurent Kneip
Grounding Image Matching in 3D with MASt3R
💡 在DUSt3R点图回归框架上增加稠密匹配头提升匹配精度
🚗 提升极端视角下的3D匹配与重建鲁棒性,服务SLAM与多视图几何
Vincent Leroy · Yohann Cabon · Jerome Revaud
Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration
💡 用SE(3)等变图网络实现稀疏点云配准
🚗 提升点云配准效率与精度,可用于自动驾驶与机器人的3D对齐与重建。
Xueyang Kang · Zhaoliang Luan · Kourosh Khoshelham 等 4 人
09
仿真数据与评测
5 篇
H-V2X: A Large Scale Highway Dataset for BEV Perception
💡 首个大规模高速公路BEV多相机V2X数据集
🚗 为车路协同BEV感知提供真实高速场景数据基准
Chang Liu · MingXu zhu · Cong Ma
Oral基于实例级增强的数据集增强
Dataset Enhancement with Instance-Level Augmentations
💡 用扩散模型重绘物体实例实现实例级数据增强
🚗 可提升检测与分割模型泛化,用于驾驶感知数据合成与增强。
Orest Kupyn · Christian Rupprecht
RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios
💡 用检索增强上下文学习合成交通场景行为
🚗 为自动驾驶仿真提供可控且真实的多智能体行为生成
Wenhao Ding · Yulong Cao · DING ZHAO 等 5 人
OmniNOCS: A unified NOCS dataset and model for 3D lifting of 2D objects
💡 大规模NOCS数据集与可泛化的单目NOCS预测模型
🚗 为机器人提供单目3D物体位姿、形状与分割估计能力
Akshay Krishnan · Abhijit Kundu · Kevis Maninis 等 5 人
VETRA: A Dataset for Vehicle Tracking in Aerial Imagery - New Challenges for Multi-Object Tracking
💡 面向移动相机的航拍多目标车辆跟踪数据集
🚗 为无人机视角车辆跟踪与运动相机补偿提供数据与基准
Jens Hellekes · Manuel Mühlhaus · Reza Bahmanyar 等 5 人
10
3D重建与渲染
14 篇
Gaussian Frosting: Editable Complex Radiance Fields with Real-Time Rendering
💡 基于网格的高斯霜层表示实现实时渲染编辑
🚗 高质量可编辑3D场景重建可用于驾驶或机器人仿真
Antoine Guedon · Vincent Lepetit
Omni-Recon: Harnessing Image-based Rendering for General-Purpose Neural Radiance Fields
💡 基于图像渲染管线的通用NeRF,支持零样本多任务场景理解
🚗 为驾驶或机器人场景提供可泛化的3D重建与多任务理解能力
Yonggan Fu · Huaizhi Qu · Zhifan Ye 等 6 人
Smoothness, Synthesis, and Sampling: Re-thinking Unsupervised Multi-View Stereo with DIV Loss
💡 提出DIV损失改进深度先验与遮挡建模
🚗 多视图深度估计可支撑自动驾驶3D感知与重建
Alex Rich · Noah Stier · Pradeep Sen 等 4 人
FisherRF: Active View Selection and Mapping with Radiance Fields using Fisher Information
💡 用Fisher信息量化辐射场不确定性选视角
🚗 主动建图与不确定性量化可用于机器人SLAM与探索
Wen Jiang · BOSHU LEI · Kostas Daniilidis
Learning 3D-aware GANs from Unposed Images with Template Feature Field
💡 用模板特征场实现无位姿3D感知GAN
🚗 无位姿3D重建与位姿估计可支撑机器人与驾驶感知
XINYA CHEN · Hanlei Guo · Yanrui Bin 等 8 人
Analytic-Splatting: Anti-Aliased 3D Gaussian Splatting via Analytic Integration
💡 用解析积分替代点采样消除3DGS混叠
🚗 提升3D高斯泼溅渲染质量,可用于驾驶与机器人场景重建仿真
Zhihao Liang · Qi Zhang · WENBO HU 等 6 人
AttentionHand: Text-driven Controllable Hand Image Generation for 3D Hand Reconstruction in the Wild
💡 文本驱动生成手部图像扩充3D重建数据
🚗 合成数据缓解手部重建数据稀缺,可迁移至机器人灵巧操作感知
Junho Park · Kyeongbo Kong · Suk-Ju Kang
MVSplat: Efficient 3D Gaussian Splatting from Sparse Multi-View Images
💡 用代价体引导前馈3D高斯泼溅,实现快速稀疏视图重建
🚗 稀疏视图高效3D重建可用于驾驶与机器人场景几何感知与仿真。
Yuedong Chen · Haofei Xu · Chuanxia Zheng 等 8 人
Generative Camera Dolly: Extreme Monocular Dynamic Novel View Synthesis
💡 用扩散先验从单目视频生成任意相机位姿的同步视频
🚗 单目动态新视角合成可支撑驾驶与具身智能的数据合成与场景重建。
Basile Van Hoorick · Rundi Wu · Ege Ozguroglu 等 9 人
ConDense: Consistent 2D-3D Pre-training for Dense and Sparse Features from Multi-View Images
💡 通过体渲染实现2D-3D特征一致性联合预训练
🚗 构建3D基础模型骨干,可用于自动驾驶与具身感知的3D表征学习。
Xiaoshuai Zhang · Zhicheng Wang · Howard Zhou 等 8 人
Animal Avatars: Reconstructing Animatable 3D Animals from Casual Videos
💡 结合连续表面嵌入与隐式纹理重建可动画动物化身
🚗 为具身智能提供单目视频驱动的可动画4D动物建模方法
Remy Sabathier · David Novotny · Niloy Mitra
Oral光栅化边缘梯度:可微处理不连续性
Rasterized Edge Gradients: Handling Discontinuities Differentially
💡 提出微边缘概念实现光栅化渲染的可微梯度计算
🚗 可微渲染技术可用于驾驶/机器人仿真的场景渲染与几何优化
Stanislav Pidhorskyi · Tomas Simon · Gabriel Schwartz 等 6 人
LGM: Large Multi-View Gaussian Model for High-Resolution 3D Content Creation
💡 多视图高斯特征与U-Net骨干实现快速高分辨率3D生成
🚗 高效3D内容生成可支撑机器人仿真与场景资产构建
Jiaxiang Tang · Zhaoxi Chen · Xiaokang Chen 等 6 人
Oral金字塔扩散用于精细3D大场景生成
Pyramid Diffusion for Fine 3D Large Scene Generation
💡 用尺度递进的离散扩散模型由粗到细生成大尺度3D场景
🚗 为自动驾驶与机器人提供可扩展的户外3D场景合成数据生成能力
Yuheng Liu · Xinke Li · Xueting Li 等 6 人
11
基础模型与部署
17 篇
MobileNetV4: Universal Models for the Mobile Ecosystem
💡 提出UIB搜索块与Mobile MQA注意力
🚗 高效骨干网络可用于自动驾驶与机器人端侧模型部署
Danfeng Qin · Chas Leichner · Manolis Delakis 等 14 人
Oral自适应参数化激活函数
Adaptive Parametric Activation
💡 提出统一多种激活函数的APA激活
🚗 通用激活改进可提升感知与决策网络性能
Konstantinos P Alexandridis · Jiankang Deng · Anh Nguyen 等 4 人
Omniview-Tuning: Boosting Viewpoint Invariance of Vision-Language Pre-training Models
💡 构建多视角图文数据集并微调提升视角不变性
🚗 增强VLM视角鲁棒性,利于机器人多视角感知与操作
Shouwei Ruan · Yinpeng Dong · Liu Hanqing 等 6 人
Decoupling Common and Unique Representations for Multimodal Self-supervised Learning
💡 通过冗余缩减解耦模态共性与独有表征
🚗 多传感器多模态表征学习可支撑自动驾驶融合感知
Yi Wang · Conrad M Albrecht · Nassim Ait Ali Braham 等 6 人
GiT: Towards Generalist Vision Transformer through Universal Language Interface
💡 用统一语言接口让ViT自回归处理多视觉任务
🚗 为自动驾驶多任务感知提供统一视觉基础模型框架
Haiyang Wang · Hao Tang · Li Jiang 等 8 人
Mamba-ND: Selective State Space Modeling for Multi-Dimensional Data
💡 将Mamba状态空间模型扩展到任意多维数据
🚗 为点云视频等驾驶感知数据提供线性复杂度骨干网络
Shufan Li · Aditya Grover · Harkanwar Singh
LongVLM: Efficient Long Video Understanding via Large Language Models
💡 将长视频分解为短片段并编码局部特征
🚗 为驾驶场景长时序多模态理解提供视频LLM方法
Yuetian Weng · Mingfei Han · Haoyu He 等 5 人
Oral视频快照压缩成像的低比特量化框架
A Simple Low-bit Quantization Framework for Video Snapshot Compressive Imaging
💡 面向视频SCI重建网络的低比特量化框架
🚗 低比特量化与高效重建技术可迁移至车载感知模型压缩部署。
Miao Cao · Lishun Wang · Huan Wang 等 4 人
Oral自由形状像素的极简视觉
Minimalist Vision with Freeform Pixels
💡 将相机硬件建模为神经网络首层学习像素形状
🚗 极低像素相机可用于交通流量监测等感知任务
Jeremy Klotz · Shree Nayar
POET: Prompt Offset Tuning for Continual Human Action Adaptation
💡 隐私感知的少样本持续动作识别提示微调
🚗 支持XR设备持续学习新动作类别,可迁移至具身交互
Prachi Garg · Joseph K J · Vineeth N Balasubramanian 等 9 人
An Image is Worth 1/2 Tokens After Layer 2: Plug-and-Play Inference Acceleration for Large Vision-Language Models
💡 发现深层视觉token注意力低效并剪枝加速推理
🚗 为驾驶/机器人VLM部署提供免训练推理加速方案
Liang Chen · Haozhe Zhao · Tianyu Liu 等 7 人
Denoising Vision Transformers
💡 两阶段方法去除ViT特征图的网格伪影
🚗 提升ViT在分割/深度预测等密集预测任务中的特征质量
Jiawei Yang · Katie Luo · Jiefeng Li 等 9 人
PiTe: Pixel-Temporal Alignment for Large Video-Language Model
💡 用物体轨迹引导跨模态像素-时序细粒度对齐
🚗 轨迹级视频-语言对齐可迁移至驾驶/机器人多模态时序理解
Yang Liu · Pengxiang Ding · Siteng Huang 等 6 人
Sapiens: Foundation for Human Vision Models
💡 在3亿人体图像上自监督预训练,统一姿态分割深度法线任务
🚗 人体姿态与分割基础模型可迁移至机器人操作中的人体感知与交互
Rawal Khirodkar · Timur Bagautdinov · Julieta Martinez 等 8 人
Turbo: Informativity-Driven Acceleration Plug-In for Vision-Language Large Models
💡 基于信息度剪枝视觉与文本冗余token
🚗 可加速VLM/VLA推理,利于自动驾驶与机器人的模型部署。
Chen Ju · Haicheng Wang · Haozhe Cheng 等 9 人
Improving Knowledge Distillation via Regularizing Feature Direction and Norm
💡 用特征方向与范数正则化提升知识蒸馏效果
🚗 模型压缩技术,有助于自动驾驶与机器人模型的轻量化部署。
Yuzhu Wang · Lechao Cheng · Manni Duan 等 6 人
Chameleon: A Data-Efficient Generalist for Dense Visual Prediction in the Wild
💡 元学习框架实现少样本适配新密集预测任务
🚗 为机器人/驾驶感知提供数据高效的通用密集预测能力
Donggyun Kim · Seongwoong Cho · Semin Kim 等 5 人