03 2024 档案
摘要：LVM: Sequential Modeling Enables Scalable Learning for Large Vision Models LVM: Sequential Modeling Enables Scalable Learning for Large Vision Models
阅读全文
摘要：名称 KOSMOS: Language Is Not All You Need: Aligning Perception with Language Models 时间：23.05 机构：Microsoft TL;DR 一种输入多模型信息的大语言模型，作者称之为多模型大语言模型(MLLM)，可以图多
阅读全文
摘要：名称 VQ-VAE: Neural Discrete Representation Learning 时间：17.11 机构：Google TL;DR VQ全称为Vector Quantised，故名思义，本文相对于VAE最大改进是将VAE的latent representation由连续建模为离散
阅读全文
摘要：名称 Imagen: Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding 时间：22/05 机构：Google TL;DR 发现使用LLM(T5)可以作为text2image任务的text en
阅读全文
摘要：名称 DiT: Scalable Diffusion Models with Transformers 时间：23/03 机构：UC Berkeley && NYU TL;DR 提出首个基于Transformer的Diffusion Model，效果打败SD，并且DiT在图像生成任务上随着Flops
阅读全文
摘要：DALLE3: Improving Image Generation with Better Captions DALLE3: Improving Image Generation with Better Captions 时间：23/10 机构：OpenAI TL;DR 本文认为text-imag
阅读全文
摘要：名称 DALLE2: Hierarchical Text-Conditional Image Generation with CLIP Latents 也叫 UnCLIP 时间：22.04 机构：OpenAI TL;DR OpenAI的首篇从CLIP的image embedding生成图像的方法，实
阅读全文
摘要：GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models GLIDE(Guided Language to Image Diffusion for Generation a
阅读全文
摘要：DALLE: Zero-Shot Text-to-Image Generation DALLE: Zero-Shot Text-to-Image Generation 时间：21.02（与CLIP同期论文） 机构：OpenAI TL;DR 提出一个将文本与图像作为token，利用Transforme
阅读全文
摘要：名称 Latent Diffusion Model, High-Resolution Image Synthesis with Latent Diffusion Models 时间：21.12 机构：runway TL;DR 这篇文章介绍了一种名为潜在扩散模型（Latent Diffusion Mo
阅读全文
摘要：名称 DDIM DENOISING DIFFUSION IMPLICIT MODELS TL;DR 这篇文章介绍了一种名为去噪扩散隐式模型（Denoising Diffusion Implicit Models, DDIMs）的新型生成模型，它是基于去噪扩散概率模型（DDPMs）的改进版本。DDIM
阅读全文
摘要：名称 DDPM: Denoising Diffusion Probabilistic Models 时间：2020.12 TL;DR 这篇文章介绍了一种名为去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM）的新型生成模型。DDPM通过在图
阅读全文
摘要：名称 VAE原文 TL;DR 这篇文章介绍了一种名为Auto-Encoding Variational Bayes (AEVB)的算法。AEVB算法通过引入随机变分推断和学习算法，解决了在大数据集和不可解后验分布情况下的推断和学习问题。文章的主要贡献有两个：首先，提出了一个可以直接使用标准随机梯度方
阅读全文
摘要：Learning Transferable Visual Models From Natural Language Supervision link CLIP 全称 Contrastive Language-Image Pre-training 时间：21.02 机构：OpenAI TL;DR 一种
阅读全文
摘要：VIT: AN IMAGE IS WORTH 16X16 WORDS link TL;DR 首篇使用纯Transformer来做CV任务的文章。 Method 首先将图像拆成多个图片Patch，每个Patch通过LindearProjection变成embedding特征，使用Transformer
阅读全文
摘要：Transformer ) 名称解释： Self-Attention: 类似于CNN里面的Conv层，是Transformer中重复次数最多的特征提取Layer。 Multi-Head Attention: 相对于Self-Attention，将每个节点外接多个q、k、v head。 Cross A
阅读全文
摘要：目录视觉SLAM特征点法2D-2D对极几何3D-2D PnP3D-3D ICP光流法说明直接法理论模型（最小化光度误差）一些细节问题工程问题安装sophus 视觉SLAM 特征点法 特征点提取+匹配 ORB = Fast + ORiented Brief 特征点：Fast10(9/11)，即如果周围
阅读全文
