Cityscapes
PulseAugur coverage of Cityscapes — every cluster mentioning Cityscapes across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
CoopNet or similar methods will be adapted for real-time autonomous driving perception stacks
CoopNet's success in improving self-supervised depth, odometry, and optical flow on datasets like Cityscapes indicates its potential for real-world applications. Given the critical nature of these predictions in autonomous driving, it's plausible that CoopNet or techniques like it will be integrated into perception systems for improved robustness and accuracy in dynamic environments.
Cityscapes benchmark sees increased focus on multi-task dense prediction frameworks
Recent evidence shows multiple papers (CoopNet, B3-Net) leveraging the Cityscapes dataset to improve dense prediction tasks like depth estimation and segmentation. This suggests a growing trend in using Cityscapes to test and validate frameworks that handle multiple, related pixel-level predictions simultaneously.
Unsupervised and self-supervised methods are achieving competitive performance on Cityscapes
The recent papers on unsupervised road segmentation and CoopNet's self-supervised approach highlight a strong trend. These methods are achieving high scores on the Cityscapes benchmark, indicating that supervised approaches may no longer be the sole path to state-of-the-art performance for tasks like segmentation and depth estimation.
Cityscapes benchmark is a common testbed for efficient semantic segmentation models
Multiple recent papers (FoR-Net, DGM-Net) utilize the Cityscapes benchmark to demonstrate the effectiveness of their efficient semantic segmentation architectures. This suggests a trend where researchers are using Cityscapes to validate models that perform well under computational constraints, indicating its importance for evaluating resource-efficient AI.
Cityscapes benchmark to see increased focus on hazard-aware scene generation
Recent research highlights hazard-aware traffic scene graph generation for autonomous vehicles. Given Cityscapes' role as a benchmark for semantic segmentation and related tasks, it's plausible that future research will increasingly incorporate hazard identification and awareness directly into scene generation or segmentation evaluations on this dataset.
-
PixCon框架通过清洁正例对比学习增强半监督分割 · 已追踪2个来源
研究人员推出了PixCon，一个新颖的半监督语义分割框架，旨在通过利用基础模型来提高准确性。PixCon采用清洁正例像素对比学习方法，并带有每类内存库，通过构建确保无污染的正例集。该方法旨在更有效地构建嵌入空间，在PASCAL-VOC、Cityscapes和ADE20K等数据集上提供优于现有基线模型的性能。
-
ViT 分割方法在高压缩下的对比研究
一篇新的研究论文探讨了在极高压缩率和损坏输入数据下，使 Vision Transformers (ViTs) 在语义分割任务中更高效的方法。该研究比较了两种主要方法：结构化剪枝，即移除 ViT 架构内的冗余组件；以及 Token 缩减，即减少输入 Token 的数量。研究结果表明，虽然 Token 缩减在较低压缩水平下有效，但在严重压缩下性能会显著下降，而结构化剪枝则表现出更稳定的性能曲线。该研究提出了一种结合适度剪枝和 Token …
-
新的LUMA适配器可对图像分割骨干网络进行公平的基准测试
研究人员推出了一种新的轻量级通用掩码适配器LUMA，旨在标准化图像分割Transformer骨干网络的基准测试。该适配器充当一种与骨干网络无关的头部，通过将任何骨干网络视为黑盒特征提取器来实现公平比较。使用LUMA进行的实验表明，预训练目标（而非架构）是分割质量的主要驱动因素，并且传统的“高效”令牌混合器在高分辨率下并未提供效率优势。
-
Reload-Mamba 通过新颖的状态空间建模增强语义分割
研究人员开发了 Reload-Mamba，这是一个利用 Mamba 类状态空间模型来增强多类别语义分割的新颖框架。该方法通过引入边界监督局部细节先验、类别不确定性感知重载门（Reload Gate）以及分层多级别重载机制（hierarchical multi-level Reload mechanism），解决了序列传播中的响应稀释问题。这些创新共同提高了模型恢复关键边界和细节敏感响应的能力，在 ADE20K 和 Cityscapes…
-
新框架增强自动驾驶中的物体检测能力
研究人员开发了一个名为 Context-Centric Feature Fusion (CCFF) 的新框架，以改进自动驾驶中的物体检测。该框架使用两个基于注意力（attention-based）的模块：局部上下文融合模块 (LCFM) 用于解决空间交互问题，特别是针对小型或被遮挡的物体；全局上下文注意力模块 (GCAM) 用于在不增加高计算成本的情况下捕获物体共现先验。在 Cityscapes 和 BDD100K 数据集上的评估显示…
-
ViT-Up 框架增强 Vision Transformer 特征上采样
研究人员开发了 ViT-Up，一个用于改进 Vision Transformer (ViTs) 中特征上采样的新框架。与依赖外部图像引导的先前方法不同，ViT-Up 使用中间 ViT 隐藏状态来构建查询，从而能够在任意坐标处进行特征预测，同时保持与骨干特征的对齐。这种方法旨在克服 ViTs 在密集预测任务中因在大网格上计算成本高而带来的局限性。
-
ViT-Up 框架增强 Vision Transformer 特征上采样
研究人员推出了一种名为 ViT-Up 的新颖框架，旨在增强 Vision Transformer (ViTs) 的特征上采样。该方法利用中间隐藏状态进行逐层查询构建，无需外部图像引导，从而避免了特征泄露和碎片化等问题。ViT-Up 能够预测任意连续图像坐标处的特征，从而在语义分割和深度估计等密集预测任务上获得更好的性能，并在 Cityscapes 和 SPair-71k 等基准测试中取得了显著的提升。
-
新策略提升目标检测和分割精度
研究人员开发了一种新的Turbo推理策略，该策略在目标检测和实例分割任务之间迭代地使用信息。该方法包括专门的Turbo检测和Turbo分割头，它们进行通信以提高检测和分割精度。在COCO和Cityscapes等数据集上的实验显示出显著的改进，提供了预测精度和推理速度之间的权衡。
-
几何引导的Mamba增强了CNN语义分割模型
研究人员已将最初来自DGM-Net的几何引导Mamba模型改编为CNN基础语义分割的即插即用上下文模块。该方法将几何引导注入选择性扫描过程，从而实现由边界和向心流线索调制的长距离特征传播。当集成到六种不同的CNN分割模型中时，几何引导的SSM模块在Cityscapes数据集上始终提高了平均交并比（mIoU）分数，而计算成本仅略有增加。
-
新的相位边缘化技术提高了 Vision Transformer 的稳定性
研究人员开发了一种名为相位边缘化（Phase Marginalization）的新技术，以解决 Vision Transformer（ViTs）在执行密集预测任务时出现的稳定性问题。该方法解决了 ViTs 中固定的图像块网格可能导致结果不一致的问题，尤其是在图像边界附近。通过评估不同的图像块网格配置并聚合输出，相位边缘化提供了一种无需训练的方法，提高了分割和深度估计等任务的准确性。
-
新的 EIVE 框架为目标检测提供高效的视觉解释
研究人员开发了 EIVE，一个用于为 DETR 等目标检测模型生成实例特定视觉解释的新框架。与需要额外计算的现有事后方法不同，EIVE 通过重新构建其交叉注意力机制，在模型的前向传播过程中直接生成显著性图。这种方法提高了计算效率，并可应用于各种类似 DETR 的架构，实验表明其在解释质量和检测准确性方面具有竞争力或更优的性能。
-
新的FedS2R框架改进了自动驾驶分割
研究人员推出FedS2R，一个新颖的单次联邦域泛化框架，专门用于自动驾驶中的合成到真实域语义分割。该框架解决了在不共享原始数据的情况下跨不同数据集训练模型的挑战，这是隐私和效率的关键方面。FedS2R采用不一致驱动的数据增强策略和具有特征融合的多客户端知识蒸馏方案来提高模型性能。在多个真实世界数据集上的实验表明，与单个客户端模型相比，FedS2R显著增强了模型能力，取得了接近完全数据访问训练的模型的结果。
-
SA4Depth 改进了自监督单目深度估计
研究人员推出 SA4Depth，这是一种增强自监督单目深度估计的新方法。该方法侧重于改进来自独立深度和姿态网络尺度的对齐，这是先前工作中经常被忽视的关键因素。通过重投影视觉特征和优化姿态估计，SA4Depth 在不增加推理时间的情况下确保了序列间一致的场景尺度预测。该技术无缝集成到现有流程中，并在 KITTI、Cityscapes 和 NYUv2 等基准数据集上显著提高了深度估计的准确性。
-
ATV-Net 通过自适应特征融合增强 CNN 分割
研究人员开发了 ATV-Net，一种自适应三视图网络，旨在增强基于 ResNet 的语义分割模型。该网络利用三个不同的感受野视图——微观、局部和侦察——来捕捉图像数据的不同方面，从逐点响应到放大的上下文线索。与具有固定权重融合的传统方法不同，ATV-Net 采用自适应决策门，根据输入特征动态选择特征响应，并通过全局协调层进一步优化以保持一致性。在 Cityscapes 数据集上的实验表明，ATV-Net 达到了具有竞争力的 80.31…
-
Vision Transformers improved with selective token interaction
研究人员发现了一种称为“语义扩散”的现象，该现象会随着时间的推移降低 Vision Transformers (ViTs) 在密集预测任务中的性能。当全局语义信息不恰当地通过 patch tokens 扩散时会发生这种情况。为了解决这个问题，该研究提出使用稀疏注意力机制，特别是 entmax-1.5，使 token 交互更具选择性。这一改进显著提高了在 VOC、ADE20K 和 Cityscapes 等语义分割基准上的性能，同时保持了…
-
新的MDIC框架利用多模态侧信息改进图像压缩
研究人员开发了一个新的多模态分布式图像压缩（MDIC）框架，旨在在极低比特率下提高图像重建质量。这种新颖的方法独特地以多模态方式利用侧信息，结合文本和视觉数据来保留细粒度的局部细节并增强全局感知质量。该框架采用基于文本到图像扩散的解码器，该解码器以文本侧信息为条件，并采用特征掩码生成器来更好地利用视觉侧信息，从而在基准数据集上取得了最先进的结果。
-
CoopNet improves self-supervised depth, odometry, and optical flow predictions
研究人员开发了CoopNet，一种用于增强深度、里程计和光流预测的自监督学习的新方法。该方法动态调整梯度分配，以确保共训练网络之间的学习进度平衡。CoopNet采用混合损失函数来模拟光度重建误差，特别关注来自运动物体的像素，因为这些像素的深度和光流预测往往会发散。在KITTI和CityScapes数据集上的评估表明，CoopNet在这些预测任务中取得了最先进或相当的性能。
-
新的 B3-Net 框架通过受控证据融合改进多任务密集预测
研究人员推出 B3-Net，一个用于多任务密集预测的新型框架，旨在改进分割和深度估计等像素级任务的交互方式。与先前隐式融合任务证据的方法不同，B3-Net 显式地建模和控制不同任务和空间位置证据的可靠性。这通过一个三阶段过程实现：估计证据精度、构建精度加权后验桥接、以及以有界方式将此桥接重新分配给每个任务分支。在基准数据集上的实验表明，B3-Net 相较于现有方法提供了具有竞争力或更优的性能。
-
新框架通过将数据嵌入语义特征来实现隐蔽通信
研究人员开发了一种用于隐蔽语义通信的自适应双路径框架，将隐蔽消息传输与面向任务的语义编码相结合。这种新颖的架构通过语义级内在编码将隐蔽数据嵌入到特定任务的特征中，而不是传统的功率域信号叠加。在Cityscapes数据集上的实验表明，该方法在攻击者那里达到了56.12%的接近随机猜测的水平，同时在主要语义任务上保持了卓越的性能。
-
开源图像编辑器展现出惊人的零样本视觉能力
研究人员评估了三个开源图像编辑模型——Qwen-Image-Edit、FireRed-Image-Edit 和 LongCat-Image-Edit——在没有任何微调的情况下进行零样本视觉学习的能力。研究发现，这些模型在深度估计、表面法线估计和语义分割等任务上表现出显著的视觉理解能力。值得注意的是，FireRed-Image-Edit 在表面法线估计任务上的表现与一个指令微调模型相当，而 Qwen-Image-Edit 和 LongC…