题目：RepresentingNoisyImageWithoutDenoising无需去噪的含噪图像表示作者：ShurenQi;YushuZhang;ChaoWang;TaoXiang;XiaochunCao;YongXiang源码链接：https://github.com/ShurenQi/FMR摘要在人工智能领域，一个长期的话题是从噪声图像中有效识别模式。在这

题目：NICEST:NoisyLabelCorrectionandTrainingforRobustSceneGraphGenerationNICEST：用于鲁棒场景图生成的噪声标签修正与训练作者：LinLi;JunXiao;HanrongShi;HanwangZhang;YiYang;WeiLiu;LongChen摘要几乎所有现有的场景图生成(SGG)模型都忽视

题目：ScalableVideoObjectSegmentationWithIdentificationMechanism具有识别机制的可扩展视频目标分割作者：ZongxinYang;JiaxuMiao;YunchaoWei;WenguanWang;XiaohanWang;YiYang摘要本文探讨了在半监督视频目标分割（VOS）中实现可扩展和有效的多目标建模所

题目：CompositionalSemanticMixforDomainAdaptationinPointCloudSegmentation用于点云分割领域适应的组合语义混合作者：CristianoSaltori;FabioGalasso;GiuseppeFiameni;NicuSebe;FabioPoiesi;ElisaRicci源码链接：https://github.com/saltoricristiano

题目：SMART:Syntax-CalibratedMulti-AspectRelationTransformerforChangeCaptioningSMART:基于语法校准的多方面关系Transformer用于变化描述生成作者：YunbinTu;LiangLi;LiSu;Zheng-JunZha;QingmingHuang摘要变化描述生成旨在描述两幅相似图像之间的语

HyperSOR:Context-AwareGraphHypernetworkforSalientObjectRankingHyperSOR:面向显著对象排序的上下文感知图超网络MinglangQiao;MaiXu;LaiJiang;PengLei;ShijieWen;YunjinChen;LeonidSigal摘要显著对象排序(SOR)旨在对图像中的显著对象进行分

CompositionalSemanticMixforDomainAdaptationinPointCloudSegmentation点云分割领域自适应的组合语义混合CristianoSaltori,FabioGalasso,GiuseppeFiameni,NicuSebe,FabioPoiesi,ElisaRicci代码：https://github.com/saltoricristiano/cosmix-uda摘

题目：WaveletApproximation-AwareResidualNetworkforSingleImageDeraining基于小波近似感知残差网络的单图像去雨作者：Wei-YenHsu;Wei-ChiChang摘要在基于深度卷积神经网络（CNNs）的单图像去雨方面已经取得了巨大进展。大多数现有的深度去雨方法中，CNNs旨在学习从

题目：WeaklySupervisedSemanticSegmentationviaBox-DrivenMaskingandFillingRateShifting基于框驱动掩模和填充率偏移的弱监督语义分割作者：ChunfengSong;WanliOuyang;ZhaoxiangZhang源码链接：https://github.com/developfeng/BCM摘要语义分割通过采用深

DiscreteandBalancedSpectralClusteringWithScalability离散且平衡的谱聚类算法：一种可扩展的方法RongWang,HuiminChen,YihangLu,QianrongZhang,FeipingNie,andXuelongLi摘要谱聚类（SC）因其卓越的聚类性能而成为深入研究的主要课题。尽管取得了成功

题目：AdaptiveRegion-SpecificLossforImprovedMedicalImageSegmentation自适应区域特定损失：提高医学图像分割性能作者：YizhengChen;LequanYu;Jen-YeuWang;NeilPanjwani;Jean-PierreObeid;WuLiu;LianliLiu;NataliyaKovalchuk摘要定义损失函数是神经

题目：FarSeg++:Foreground-AwareRelationNetworkforGeospatialObjectSegmentationinHighSpatialResolutionRemoteSensingImageryFarSeg++：面向高空间分辨率遥感图像中地理空间对象分割的前景感知关系网络作者：ZhuoZheng;YanfeiZhong;JunjueWang;AilongM

题目：StyleTalk++:AUnifiedFrameworkforControllingtheSpeakingStylesofTalkingHeadsStyleTalk++：一个统一框架用于控制会说话头像的说话风格作者：S.Wang;Y.Ma;Y.Ding;Z.Hu;C.Fan;T.Lv;Z.Deng;X.Yu摘要个体拥有独特的面部表情和头部姿势风格，这

前言 本文引入了一个区域特定的损失来提升隐含的均匀加权假设，以实现更好的学习，将整个体积划分为多个子区域，每个子区域都构建了一个针对最佳局部性能的个性化损失。有效地，这个方案对更难分割的子区域施加了更高的权重，反之亦然。此外，在训练步骤中为每个输入图像计算了区域的假阳性

题目：Compressed-SDRtoHDRVideoReconstruction压缩SDR到HDR视频重构作者：HuWang;MaoYe;XiatianZhu;ShuaiLi;XueLi;CeZhu源码链接：https://wanghu178.github.io/KPNet/摘要新一代的有机发光二极管(OLED)显示器设计用于支持高动态范围(HDR)，超越了传统显示

题目：MixFormer:End-to-EndTrackingWithIterativeMixedAttentionMixFormer:基于迭代混合注意力的端到端跟踪作者：Y.Cui;C.Jiang;G.Wu;L.Wang摘要视觉目标跟踪通常采用多阶段流水线，包括特征提取、目标信息集成和边界框估计。为了简化这一流程并统一特征提

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！文章目录前言论文更容易学习的模式:频域易于学习的模式:空间域统一的训练课程EFFICIENTTRAIN++计算约束的顺序搜索高效低频下采样EfficientTrain++的实现技术实验