实体
NYU-Depth V2
NYU-Depth V2
PulseAugur coverage of NYU-Depth V2 — every cluster mentioning NYU-Depth V2 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新研究发现：视觉模型无法验证物理因果关系
一篇题为《几何崩溃：视觉模型何时无法验证物理因果关系》的新研究论文介绍了一种受控的反事实方法，称为 Scrambled Edges。该方法将类似边缘的线索注入视觉数据，同时违反物理合理性，例如表面连续性和遮挡顺序。在 NYU Depth v2 和 KITTI 等数据集上，对包括 CNN 和 ViT 在内的各种深度预测器进行的实验表明，与噪声相比，Scrambled Edges 导致与干净预测的偏差显著更大。研究表明，当前的密集预测器难…
-
视觉 Transformer 学会反映灵长类视觉皮层的空间层级
研究人员调查了视觉 Transformer (ViTs) 在预训练期间如何在没有明确空间监督的情况下编码空间信息。通过探测 ViT-B/16 模型，他们发现边界结构可以在第 5-6 层解码，而需要更多全局线索的深度信息则在之后两到三层才可解码。ViT 中这种学习到的空间层级反映了在灵长类视觉皮层中观察到的进程。
-
通过具有可学习代数群和环结构的神经网络进行单目深度估计
研究人员开发了LAGRNet，这是一个用于单目深度估计的新框架，它融入了代数几何原理。与先前将深度估计视为通用回归问题的先前方法不同，LAGRNet明确地将可学习的群、环和层结构嵌入其深度学习流程中。这种方法旨在强制执行投影等变性并确保全局拓扑一致性，从而在KITTI和NYU-Depth V2等基准测试中提高准确性和泛化能力。