DiscoFaceGAN：派息纠缠和Co通过3D模仿，对比学习ntrollable人脸图像生成 这是以下论文的tensorflow实现： 通过3D模仿-对比学习，CVPR 2020进行纠缠和可控的面部图像生成。 （口头） 邓登，杨娇龙，陈东，方文和辛彤 论文： : 摘要：本文提出DiscoFaceGAN，人脸图像生成的虚拟人与DIS纠结了不存在的人，表情，姿势和照明的身份，precisely- CO ntrollable潜表示的方法。我们将3D先验嵌入到对抗性学习中，并训练网络以模仿3D人脸分析和渲染过程的图像形成。为了处理由真实和渲染的面部之间的域间隙引起的生成自由度，我们进一步引入对比学习以通过比较生成的图像对来促进解缠结。实验表明，通过我们的模仿对比学习，可以很好地消除因素变化，并且可以精确控制生成的脸部的特性。我们还分析了学习到的潜在空间，并提出了支持因子解缠结的几个有意义的性

CVPR2021纸的代码 零镜头实例分割 规范要求 的Python：python3.7 英伟达GPU pytorch1.1.0 GCC> = 5.4 NCCL 2 require.txt中的其他python库 安装 conda create -n zsi python=3.7 -y conda activate zsi conda install pytorch=1.1.0 torchvision=0.3.0 cudatoolkit=10.0 -c pytorch pip install cython && pip --no-cache-dir install -r requirements.txt python setup.py develop 数据准备 从下载zsi的训练和测试注解文件，将所有json标签文件放入 data/coco/annotations/ 下载MS

VSPW_code CVPR 2021 VSPW：用于野外视频场景解析的大规模数据集 如果您需要培训和测试代码，请与我联系（ ）。 您也可以在参考良好的重新实现代码。 评估 sh evaluation.sh 引文 @inproceedings{miao2021vspw, title={VSPW: A Large-scale Dataset for Video Scene Parsing in the Wild}, author={Miao, Jiaxu and Wei, Yunchao and Wu, Yu and Liang, Chen and Li, Guangrui and Yang, Yi}, booktitle={Proceedings of the {IEEE} Conference on Computer Vision and Pattern Recogni

浅层和深层卷积网络用于显着性预测 该论文在 （*） （*） （*）平等贡献 之间的联合合作： 抽象的 传统上，基于神经科学原理通过手工制作的功能解决了图像显着区域的预测问题。 但是，本文通过训练卷积神经网络（convnet），以完全数据驱动的方法解决了该问题。 学习过程被表述为损失函数的最小化，该损失函数使用提供的地面真实性来测量预测显着性图的欧几里得距离。 最近发布的显着性预测大型数据集提供了足够的数据来训练快速而准确的端到端体系结构。 提出了两种设计：从头开始训练的浅层卷积网络，以及另一种更深层次的解决方案，其前三层改编自另一种经过训练的分类网络。 据作者所知，这是为显着性预测目的而经过培训和测试的首批端到端CNN 出版物 感谢计算机科学基金会的支持， 得以公开发表。 也可以使用。 请引用以下Bibtex代码： @InProceedings{Pan_2016_CVPR, au

Matlab代码金字塔DCPDN 密集连接的金字塔除雾网络（CVPR'2018） ， []（CVPR'18） 我们提出了一种新的端到端单图像除雾方法，称为密集连接金字塔除雾网络（DCPDN），该方法可以共同学习透射图，大气光和除雾。 通过将大气散射模型直接嵌入到网络中来实现端到端学习，从而确保所提出的方法严格遵循物理驱动的散射模型进行除雾。 受到密集网络的启发，该网络可以最大化沿不同级别特征的信息流，我们提出了一种具有多级金字塔池模块的边缘保持密集连接的编码器/解码器结构，用于估计传输映射。 该网络使用新引入的边缘保留丢失功能进行了优化。 为了进一步结合估计的透射图和去雾结果之间的相互结构信息，我们提出了一种基于生成对抗网络框架的联合判别器，以决定相应的去雾图像和估计的透射图是真实的还是假的。 进行了消融研究，以证明在估算的透射图和除雾后的结果中评估的每个模块的有效性。 大量的实验表明，与现有技术相比，该方法具有明显的改进。 @inproceedings{dehaze_zhang_2018, title={Densely Connected Pyramid Dehazing Net

超图 超图样本代码的回购。 Hypergraph用于我的两篇论文的图像搜索和分割： “通过超图剪切分割视频对象” CVPR2009。“通过概率超图排名检索图像” CVPR 2010。

当前多目标追踪大多遵循了Tracking-by-detection范式完成跟踪任务。Tracking-by-detection范式将追踪任务分为两步完成：目标检测与数据关联。公式解读是针对“Global Transformer Tracking”这篇论文中对训练策略及推理的一些公式理解。

虚拟现实技术顶级会议论文关于SLAM论文集合。主要会议ICRA和CVPR。

一键爬取 ECCV & ICCV & CVPR & NeurIPS 论文并使用关键词筛选，只下载关键词筛选的文章 也能拿来爬别的，反正看完nips代码就会发现基本大同小异了 凑字数： 使用xpath解析某个节点下所有文本(包括该节点的文本和其所有子节点的文本):

（免费下载）CVPR 2022 Oral | TCFormer论文翻译（word版），使用DeepL翻译