该研究提出了一种名为MA-LMM（Memory-Augmented Large Multimodal Model）的模型，旨在提高对长期视频内容的理解能力。MA-LMM通过在线处理视频帧并将过去的视频信息存储在记忆库中，解决了大型语言模型（LLMs）在处理视频时受到的上下文长度限制和GPU内存限制的问题。该模型不仅能够有效地处理长视频，还能够在不需要额外训练的情况下，作为即插即用的模块集成到现有的

本文提出了一种新颖的双重扩散过程模型——残差去噪扩散模型（RDDM），该模型将传统的单去噪扩散过程分解为残差扩散和噪声扩散。RDDM通过引入残差，将原本不适用于图像恢复的去噪扩散模型扩展为一个统一且可解释的模型，适用于图像生成和恢复任务。具体来说，残差扩散表示从目标图像到退化输入图像的方向性扩散，而噪声扩散表示扩散过程中的随机扰动。RDDM能够有效地统一需要不同确定性或多样性要求的任务，如图像生成

本文介绍了一种名为 DeepCache 的新型训练无关范式，旨在加速扩散模型。DeepCache 通过利用扩散模型反向去噪过程中相邻步骤的固有时序冗余，缓存并检索跨相邻去噪阶段的特征，从而减少冗余计算。该方法利用 U-Net 的结构特性，在更新低级特征的同时重用高级特征，实现了显著的加速效果。实验表明，DeepCache 在不牺牲图像生成质量的前提下，显著提高了扩散模型的推理速度，并且优于现有的需

提出了一种创新方法，用于从单张RGB图像中生成自然振荡动态，如树木、花朵和衣物随风摆动。研究者们通过学习真实视频序列中提取的运动轨迹，在傅里叶域中建立一个称为“光谱体积”的密集、长期运动表示。利用这一表示，结合扩散模型，可以从单张图像预测出整个视频的运动纹理，进而通过图像基础渲染技术生成动画。该方法不仅能创建无缝循环视频，还能实现用户与真实图像中对象的交互式动态模拟，显著提升了从静态图像生成动态内

这篇论文介绍了一种大型深度卷积神经网络（CNN），用于在ImageNet LSVRC-2010比赛中对1.2百万高分辨率图像进行分类，这些图像涵盖了1000个不同的类别。该网络在测试数据上实现了37.5%的top-1错误率和17.0%的top-5错误率，显著优于之前的最佳水平。网络包含6000万参数和650,000个神经元，由五个卷积层组成，其中一些后接最大池化层，以及三个全连接层，最后是一个10

本文提出了VideoMamba，一种基于状态空间模型（SSM）的视频理解模型，旨在解决视频理解中的局部冗余和全局依赖问题。VideoMamba通过其线性复杂度算子，实现了高效的长期建模，这对于高分辨率长视频的理解至关重要。该模型在无需大量数据集预训练的情况下，展现了在视觉领域的可扩展性、对短期动作的敏感性、在长期视频理解中的优越性以及与其他模态的兼容性。广泛的评估表明，VideoMamba在处理短

这篇论文介绍了一种新的动态场景重建和渲染方法，该方法能够处理单目多视图图像，并重建出准确的动态场景几何结构。这种方法特别适用于需要从一组输入图像中高质量重建和逼真渲染动态场景的应用，如增强现实/虚拟现实（AR/VR）、3D内容制作和娱乐。

这篇论文深入探讨了卷积神经网络（ConvNets）在大规模图像识别任务中的深度对识别准确性的影响。作者通过构建具有不同深度的网络架构，发现增加网络深度可以显著提高识别准确性。这些发现支持了他们在2014年ImageNet挑战赛中的参赛，取得了定位和分类任务的优异成绩。此外，作者还展示了这些深度网络在其他数据集上的泛化能力，并取得了领先的结果。为了推动深度视觉表示在计算机视觉领域的研究，他们公开了两

本文探讨了将视觉信息整合到大型语言模型（LLMs）中的安全和安全风险。研究指出，视觉输入的连续性和高维性使其成为对抗性攻击的薄弱环节，扩大了视觉集成LLMs的攻击面。此外，LLMs的多功能性为视觉攻击者提供了更广泛的对抗目标，超越了单纯的错误分类。通过案例研究，作者展示了如何利用视觉对抗样本绕过已对齐LLMs的安全防护，迫使模型遵循有害指令并生成有害内容。研究强调了追求多模态所带来的对抗风险，并将

该论文提出了一种名为Real-Time DEtection TRansformer（RT-DETR）的新型实时目标检测框架，据称是首个能够在速度和准确性上同时超越现有先进YOLO检测器的端到端对象检测器。RT-DETR通过设计高效的混合编码器和不确定性最小的查询选择机制，显著提高了检测速度和准确性，并支持通过调整解码器层数来灵活调整检测速度，以适应不同的实时场景需求。