由于没有大型配对的文本形状数据，这两种方式之间的大量语义差距以及3D形状的结构复杂性，因此文本指导的3D形状生成仍然具有挑战性。本文通过引入2D图像作为垫脚石来连接两种方式并消除对配对的文本形状数据的需求，提出了一个名为“图像”的新框架，称为“垫脚石”（ISS）。我们的关键贡献是一种两阶段的功能空间对准方法，它通过利用具有多视图Supperions的预训练的单视重构造（SVR）模型来映射剪辑功能以形成形状：首先将剪辑图像剪辑剪辑功能到详细信息 - SVR模型中的丰富形状空间，然后将剪辑文本功能映射到形状空间，并通过鼓励输入文本和渲染图像之间的剪辑一致性来优化映射。此外，我们制定了一个文本制定的形状样式化模块，以用新颖的纹理打扮出输出形状。除了从文本上生成3D Shape生成的现有作品外，我们的新方法是在不需要配对的文本形状数据的情况下创建形状的一般性。实验结果表明，我们的方法在忠诚度和与文本一致性方面优于最先进的和我们的基线。此外，我们的方法可以通过逼真的和幻想结构和纹理对生成的形状进行样式化。

随着移动设备的快速开发，现代使用的手机通常允许用户捕获4K分辨率（即超高定义）图像。然而，对于图像进行示范，在低级视觉中，一项艰巨的任务，现有作品通常是在低分辨率或合成图像上进行的。因此，这些方法对4K分辨率图像的有效性仍然未知。在本文中，我们探索了Moire模式的删除，以进行超高定义图像。为此，我们提出了第一个超高定义的演示数据集（UHDM），其中包含5,000个现实世界4K分辨率图像对，并对当前最新方法进行基准研究。此外，我们提出了一个有效的基线模型ESDNET来解决4K Moire图像，其中我们构建了一个语义对准的比例感知模块来解决Moire模式的尺度变化。广泛的实验表明了我们的方法的有效性，这可以超过最轻巧的优于最先进的方法。代码和数据集可在https://xinyu-andy.github.io/uhdm-page上找到。

Tokamak设备创建的核融合能力是作为可持续能源来源的最有希望的方法之一。 Tokamak的一个主要挑战研究领域是预测由执行器线圈和内部Tokamak等离子体的相互作用确定的最后一个封闭的磁通表面（LCF）。这项工作需要高维，高频，高保真，实时工具，这使多种执行器线圈的输入与内部Tokamak等离子体状态相互作用，这使得更加复杂。在这项工作中，我们提出了一种新的机器学习模型，用于从实验性高级超导Tokamak（EAST）重建LCF，该模型从East的实验数据中自动学习。该体系结构可以检查控制策略设计，并将其与Tokamak控制系统集成在一起，以进行实时磁预测。在实时建模测试中，我们的方法在整个放电过程的LCFS重建中达到了99％以上的平均相似性。在离线磁重建中，我们的方法达到了93％以上的平均相似性。

深度学习方法已成功用于各种计算机视觉任务。受到成功的启发，已经在磁共振成像（MRI）重建中探索了深度学习。特别是，整合深度学习和基于模型的优化方法已显示出很大的优势。但是，对于高重建质量，通常需要大量标记的培训数据，这对于某些MRI应用来说是具有挑战性的。在本文中，我们提出了一种名为DUREN-NET的新型重建方法，该方法可以通过组合无监督的DeNoising网络和插件方法来为MR图像重建提供可解释的无监督学习。我们的目标是通过添加明确的先验利用成像物理学来提高无监督学习的重建性能。具体而言，使用denoising（红色）正规化实现了MRI重建网络的杠杆作用。实验结果表明，所提出的方法需要减少训练数据的数量才能达到高重建质量。

深度学习方法在3D语义细分中取得了显着的成功。但是，收集密集注释的现实世界3D数据集非常耗时且昂贵。关于合成数据和对现实世界情景的培训模型成为一种吸引人的选择，但不幸的是，臭名昭著的领域变化。在这项工作中，我们提出了一个面向数据的域适应性（DODA）框架，以减轻由不同的感应机制和跨域的布局放置引起的模式和上下文差距。我们的DODA涵盖了虚拟扫描模拟，以模仿现实世界中的点云图案和尾声的长方体混合，以减轻基于Cuboid的中间域的内部环境差距。 3D室内语义分割上的第一个无监督的SIM到运行适应基准也构建在3D-Front，Scannet和S3DIS上，以及7种流行的无监督域适应（UDA）方法。我们的DODA在3D -Front-> scannet和3d -Front-> S3DIS上都超过了13％的UDA方法。代码可从https://github.com/cvmi-lab/doda获得。

从测试阶段的单个初始示例跟踪视觉对象已被广泛地作为一个/几次射击问题，即初始适应的一次性学习和在线适应的少量学习。近期几次拍摄的在线适应方法通过在离线阶段的复杂元学习优化中，从大量注释的训练数据中纳入了现有知识。这有助于在线深度跟踪器实现快速适应并降低跟踪的过度风险。在本文中，我们提出了一个简单但有效的递归最小二乘估计估计者辅助在线学习方法，但在不需要离线培训的情况下进行了几次拍摄的在线适应。它允许内置的内存保留机制进行模型，以记住关于之前看到的对象的知识，因此可以安全地从训练中安全地移除所看到的数据。这也与在防止灾难性遗忘的新出现的连续学习领域带有某些相似之处。这种机制使我们能够揭示现代在线深度跟踪器的力量，而不会产生过多的计算成本。我们根据在线学习家庭中的两个网络评估我们的方法，即在RT-MDNET中的多层的rceptrons和DIMP中的卷积神经网络。对若干具有挑战性的跟踪基准的一致性改进展示了其有效性和效率。

视频Panoptic semonation（VPS）旨在为每个像素分配类标签，唯一地分割和识别所有帧的所有对象实例。经典解决方案通常将VPS任务分解为多个子任务，并利用多个代理（例如框和掩码，中心和偏移）来表示对象。然而，这种鸿沟和征服策略需要在空间和时间域中进行复杂的后处理，并且易于来自代理任务的失败。在本文中，灵感来自以对象为中心的学习，它学习紧凑且强大的对象表示，我们呈现了Slot-VPS，这是此任务的第一个端到端框架。我们在视频中编码所有Panoptic实体，包括前景实例和后台语义，其中包含称为Panoptic插槽的统一表示。通过提出的视频Panoptic Retriever检索并将相干的时空对象的信息检索并编码到Panoptic插槽中，使其能够以统一的方式本地化，段，区分和关联对象。最后，输出Panoptic插槽可以直接转换为视频中Panoptic对象的类，掩码和对象ID。我们开展广泛的消融研究，并展示了我们对两个基准数据集，CityCAPE-VPS（\ Texit {Val}和测试集）和Viper（\ Texit {val}集）的有效性，实现了新的最先进的性能分别为63.7,63.3和56.2 VPQ。

凝视对象预测（GOP）是一种新的任务，旨在发现人类盯着人物。它具有很大的应用意义，但仍然缺乏统一的解决方案框架。直观的解决方案是将物体检测分支纳入现有的凝视预测方法。然而，先前的凝视预测方法通常使用两种不同的网络来从场景图像和头部图像中提取特征，这将导致繁重的网络架构并防止每个分支联合优化。在本文中，我们构建一个名为Gatector的新框架，以统一的方式解决凝视对象预测问题。特别地，首先提出了一种特定的特定于特定的（SGS）特征提取器以利用共享骨干，以提取场景和头部图像的一般特征。为了更好地考虑输入和任务的特殊性，SGS在共享骨干声间之后引入了共享骨干网之前的两个输入特定块和三个任务特定块。具体地，设计新的Defocus层以在不丢失信息或需要额外计算的情况下生成对象检测任务的对象特征。此外，引入了能量聚集损失以引导凝视热图来集中在凝视的盒子上。最后，我们提出了一种新的MDAP度量，即使在没有重叠区域时也可以揭示盒子之间的差异。 Goo DataSet上的广泛实验验证了我们在所有三个轨道中的方法的优越性，即对象检测，凝视估计和凝视对象预测。

A recent study has shown a phenomenon called neural collapse in that the within-class means of features and the classifier weight vectors converge to the vertices of a simplex equiangular tight frame at the terminal phase of training for classification. In this paper, we explore the corresponding structures of the last-layer feature centers and classifiers in semantic segmentation. Based on our empirical and theoretical analysis, we point out that semantic segmentation naturally brings contextual correlation and imbalanced distribution among classes, which breaks the equiangular and maximally separated structure of neural collapse for both feature centers and classifiers. However, such a symmetric structure is beneficial to discrimination for the minor classes. To preserve these advantages, we introduce a regularizer on feature centers to encourage the network to learn features closer to the appealing structure in imbalanced semantic segmentation. Experimental results show that our method can bring significant improvements on both 2D and 3D semantic segmentation benchmarks. Moreover, our method ranks 1st and sets a new record (+6.8% mIoU) on the ScanNet200 test leaderboard. Code will be available at https://github.com/dvlab-research/Imbalanced-Learning.

We propose a sparse end-to-end multi-person pose regression framework, termed QueryPose, which can directly predict multi-person keypoint sequences from the input image. The existing end-to-end methods rely on dense representations to preserve the spatial detail and structure for precise keypoint localization. However, the dense paradigm introduces complex and redundant post-processes during inference. In our framework, each human instance is encoded by several learnable spatial-aware part-level queries associated with an instance-level query. First, we propose the Spatial Part Embedding Generation Module (SPEGM) that considers the local spatial attention mechanism to generate several spatial-sensitive part embeddings, which contain spatial details and structural information for enhancing the part-level queries. Second, we introduce the Selective Iteration Module (SIM) to adaptively update the sparse part-level queries via the generated spatial-sensitive part embeddings stage-by-stage. Based on the two proposed modules, the part-level queries are able to fully encode the spatial details and structural information for precise keypoint regression. With the bipartite matching, QueryPose avoids the hand-designed post-processes and surpasses the existing dense end-to-end methods with 73.6 AP on MS COCO mini-val set and 72.7 AP on CrowdPose test set. Code is available at https://github.com/buptxyb666/QueryPose.