论文/代码速递2022.12.27！

最新成果demo展示：

标题：Panoptic Lifting for 3D Scene Understanding with Neural Fields

主页：https://nihalsid.github.io/panoptic-lifting/

论文：https://arxiv.org/abs/2212.09802

摘要： 

本文提出了Panoptic Lifting，这是一种从自然场景的图像中学习全景3D体积表示的新方法。一旦经过训练，我们的模型就可以从新的视点渲染彩色图像以及3D一致的全景分割。与直接或间接使用3D输入的现有方法不同，我们的方法只需要从预先训练的网络推断出的机器生成的2D全景分割掩模。我们的核心贡献是基于神经场表示的全景提升方案，该方案生成场景的统一和多视图一致的3D全景表示。为了解决视图中2D实例标识符的不一致性，我们基于模型的当前预测和机器生成的分割掩码，以成本解决线性分配，从而使我们能够以一致的方式将2D实例提升到3D。我们进一步提出并消除了使我们的方法对噪声、机器生成的标签更加鲁棒的贡献，包括置信估计的测试时间增强、段一致性损失、有界分割域和梯度停止。

最新论文整理

   ECCV2022

    CVPR2023 投稿

Updated on : 27 Dec 2022

total number : 1

DSI2I: Dense Style for Unpaired Image-to-Image Translation

• 论文/Paper: http://arxiv.org/pdf/2212.13253

• 代码/Code: None

   NeurIPS

Updated on : 27 Dec 2022

total number : 1

Unsupervised Representation Learning from Pre-trained Diffusion Probabilistic Models

• 论文/Paper: http://arxiv.org/pdf/2212.12990

• 代码/Code: None