摘要：
《LLVM编译器原理与实践》，机械工业出版社出版，已于2024年10月出版。 在京东、淘宝天猫、当当等网上都有出售。内容全面详实，实战实践示例多。全面阐述了LLVM原理、尤其突出LLVM实践实战技术，是目前网上全面解析LLVM的最新书籍，内容紧跟LLVM新时代和新潮流。本书内容经过机械工业出版社资深 阅读全文
摘要：
LEAD：用于无源通用域自适应的学习分解 通用领域适应（UniDA）的目标是在存在协变量和标签转移的情况下进行知识转移。最近，出现了无源通用域适配（SF UniDA），可以在不访问源数据的情况下实现UniDA，由于数据保护政策，这往往更实用。主要的挑战在于确定协变量移位样本是否属于目标私有未知类别。 阅读全文
摘要：
无监督域自适应的域不可知相互激励 传统的无监督域自适应（UDA）致力于最大限度地减少域之间的分布差异，这忽视了从数据中利用丰富的语义，并难以处理复杂的域转换。一种有前景的技术是利用大规模预训练视觉语言模型的知识进行更有指导的适应。尽管做出了一些努力，但当前的方法通常会学习文本提示，分别嵌入源域和目标 阅读全文
摘要：
IMPRINT：通过学习身份保持表示进行生成对象合成 生成对象合成作为合成图像编辑的一种有前景的新途径出现了。然而，对象身份保存的要求带来了重大挑战，限制了大多数现有方法的实际使用。作为回应，介绍了IMPRINT，这是一种基于扩散的生成模型，采用两阶段学习框架进行训练，将身份保持学习与合成学习解耦。 阅读全文
摘要：
CuVLER：通过穷尽式自监督Transformer增强无监督对象发现 介绍了VoteCut，这是一种创新的无监督对象发现方法，它利用了来自多个自监督模型的特征表示。VoteCut采用基于归一化切割的图分割、聚类和像素投票方法。此外，还介绍了CuVLER（Cut-Vote-and-LEaRn），一种 阅读全文
摘要：
RealCustom：缩小真实文本词的范围，实现实时开放域文本到图像的定制 文本到图像定制旨在为给定的主题合成文本驱动的图像，最近彻底改变了内容创作。现有的作品遵循伪词范式，即将给定的主题表示为伪词，然后将其与给定的文本组合在一起。然而，伪词与给定文本固有的纠缠扩散范围导致了双重最优悖论，即给定主题 阅读全文
摘要：
超越图像超分辨率的任务驱动感知损失图像识别 在实际场景中，由于低分辨率（LR）内容中缺乏可用信息，图像识别任务（如语义分割和对象检测）通常会带来更大的挑战。图像超分辨率（SR）是解决这些挑战的有前景的解决方案之一。然而，由于SR的病态特性，典型的SR方法很难恢复与任务相关的高频内容，这可能会削弱使用 阅读全文
摘要：
4D医学图像的无中间帧数据高效无监督插值 4D医学图像代表具有时间信息的3D图像，在临床实践中对于捕捉动态变化和监测长期疾病进展至关重要。然而，由于辐射暴露和成像持续时间等因素，获取4D医学图像带来了挑战，需要在实现高时间分辨率和最小化不利影响之间取得平衡。鉴于这些情况，不仅数据采集具有挑战性，而且 阅读全文
摘要：
内视图和跨视图几何知识进行立体匹配 几何知识已被证明对立体匹配任务有益。然而，之前将几何见解整合到立体匹配算法中的尝试，主要集中在单个图像的几何知识上，而忽略了遮挡和匹配唯一性等关键的交叉视图因素。为了解决这一差距，提出了一种新的内视图和跨视图几何知识学习网络（ICGNet），专门用于吸收内视图和交 阅读全文
摘要：
APISR：受动漫制作启发的现实世界动漫超分辨率 虽然现实世界的动漫超分辨率（SR）在SR社区越来越受到关注，但现有的方法仍然采用真实感领域的技术。分析了动漫制作工作，并重新思考了如何为了现实世界的动漫SR而使用它的特点。首先，由于手绘框架的重复使用，视频网络和数据集对于动漫SR来说是不必要的。相反 阅读全文
摘要：
促进通用跨域检索中广义知识的模拟 ProS:促进通用跨域检索中广义知识的模拟 通用跨域检索（UCDR）的目标是在广义测试场景中实现稳健的性能，其中数据在训练过程中可能属于严格未知的域和类别。最近，具有快速调整的预训练模型显示出很强的泛化能力，并在各种下游任务中取得了显著成就，如少镜头学习和视频文本检 阅读全文