这个算法太牛啦！可用于视频编辑和AR！代码即将开源！NeuralMarker！论文速递2022.9.29！

整理：AI算法与图像处理

CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo

ECCV2022论文和代码整理：https://github.com/DWCTOD/ECCV2022-Papers-with-Code-Demo

最新成果demo展示：

标题：NeuralMarker: A Framework for Learning General Marker Correspondence 代码：https://github.com/drinkingcoder/NeuralMarker

摘要：

我们解决了从一般标记（例如电影海报）到捕获此类标记的图像的对应关系估计问题。传统上，这个问题是通过拟合基于稀疏特征匹配的单应性模型来解决的。以处理类似平面的标记并且稀疏特征没有充分利用外观信息。在本文中，我们提出了一种新的框架 NeuralMarker，在各种具有挑战性的条件下训练神经网络来估计密集的标记对应，例如标记变形、强光等。对应学习的性能曾经提供了足够的训练数据。但是，为训练标记对应注释像素级密集对应太昂贵了。我们观察到标记对应估计的挑战来自两个单独的方面：几何变化和外观变化。在 NeuralMarker 中解决这两个挑战。首先，我们创建了一个合成数据集 FlyingMarkers，其中包含具有地面实况密集对应的标记图像对。通过使用 FlyingMarkers 进行训练，鼓励神经网络捕捉各种标记运动。其次，我们提出了新颖的对称对极距离 (SED) 损失，这使得能够从姿势图像中学习密集对应。通过 SED 损失和由运动结构 (SfM) 收集的交叉照明姿势图像进行学习，NeuralMarker 在恶劣的照明环境中非常稳健，并避免了合成此外，我们还提出了一种新的标记对应评估方法，围绕真实标记-图像对的注释，并创建了一个新的基准。我们表明，NeuralMarker 显着优于以前的方法，并支持新的有趣应用，包括增强现实 (AR) 和视频编辑。

最新论文整理

ECCV2022

Updated on : 29 Sep 2022

total number : 5

SEMICON: A Learning-to-hash Solution for Large-scale Fine-grained Image Retrieval

• 论文/Paper: http://arxiv.org/pdf/2209.13833
• 代码/Code: https://github.com/njust-vipgroup/semicon

Towards Regression-Free Neural Networks for Diverse Compute Platforms

• 论文/Paper: http://arxiv.org/pdf/2209.13740
• 代码/Code: None

Mixed-domain Training Improves Multi-Mission Terrain Segmentation

• 论文/Paper: http://arxiv.org/pdf/2209.13674
• 代码/Code: None

Racial Bias in the Beautyverse

• 论文/Paper: http://arxiv.org/pdf/2209.13939
• 代码/Code: None

Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning

• 论文/Paper: http://arxiv.org/pdf/2209.13635
• 代码/Code: https://github.com/xingpingdong/pl-cfe

CVPR2022

NeurIPS

Updated on : 29 Sep 2022

total number : 6

Spatial Pruned Sparse Convolution for Efficient 3D Object Detection

• 论文/Paper: http://arxiv.org/pdf/2209.14201
• 代码/Code: None

TVLT: Textless Vision-Language Transformer

• 论文/Paper: http://arxiv.org/pdf/2209.14156
• 代码/Code: https://github.com/zinengtang/tvlt

Leveraging machine learning for less developed languages: Progress on Urdu text detection

• 论文/Paper: http://arxiv.org/pdf/2209.14022
• 代码/Code: None

Obj2Seq: Formatting Objects as Sequences with Class Prompt for Visual Tasks

• 论文/Paper: http://arxiv.org/pdf/2209.13948
• 代码/Code: https://github.com/casia-iva-lab/obj2seq

Multi-Sample Training for Neural Image Compression

• 论文/Paper: http://arxiv.org/pdf/2209.13834
• 代码/Code: None

An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning

• 论文/Paper: http://arxiv.org/pdf/2209.13777
• 代码/Code: None