多视图立体视觉作为计算机视觉领域的一项基本的任务，利用同一场景在不同视角下的多张图片来重构3D的信息。自监督多视角立体视觉(MVS)近年来取得了显著的进展。然而，以往的方法缺乏对自监督MVS中pretext任务提供的监督信号进行有效性的全面解释。本文首次提出在自监督MVS中估计认知不确定性(epistemic uncertainty)。

达摩院开源利用预训练数据增强微调泛化性框架UOT。在这项工作中，我们使用学习理论中流行的超额风险界限，从泛化分析的角度重新审视了这一现象。当下游数据有限时，我们提出利用预训练数据进行微调。使用预训练数据来进行微调的泛化结果表明，当微调中包含适当的预训练数据时，可以改善目标任务的过度风险界限。基于我们的理论分析，我们提出了一种新的选择策略，从预训练数据中选择一个子集，以帮助提高对目标任务的泛化能力。

本文介绍ICML long talk (top 3.02%) 论文 “Dash: Semi-Supervised Learning with Dynamic Thresholding”。该论文提出半监督学习框架Dash，用动态阈值的方式筛选无标签样本进行半监督学习，该框架简单高效，可以应用在众多视觉领域任务中。

在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下（https://github.com/BVLC/caff

本文介绍如何在sd webui中安装facechain插件使用工业级人物写真功能。

针对无监督3D场景的语义分割，提出一套基于深度聚类的自监督学习算法，可以大幅提升3D分割的效果（ScanNet-v2 (+18.4 mIoU)、S3DIS (+11.5 mIoU)）。

最近，一篇名为“Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models”的文章在arXiv上发表，为我们展示了一个简单而有效的框架，旨在提升多模态视觉语言模型（VLMs）的性能。它即能直接提升图像感知能力，也能作为多模态环境下图像生成任务的前置prompt生成器。主要探索了如何增强图像全局感受野，以及探索

本文介绍由FaceChain团队出品的AIGC时代下的SOTA人脸表征提取器TransFace，可广泛应用于人物写真、人物视频等人物类数字孪生的应用研究中。

本文提出了一个新的说话人脸生成任务，即直接从音频中想象出符合音频特征的多样化动态说话人脸，而常规的该任务需要给定一张参考人脸。具体来说，该任务涉及到两个核心的挑战，首先如何从音频中解耦出说话人的身份（性别、年龄等语义信息以及脸型等结构信息）、说话内容以及说话人传递的情绪，其次是如何根据这些信息生成多样化的符合条件的视频，同时保持视频内的一致性。

随着科技的飞速发展，我们迎来了视觉AIGC高光时刻，一个充满无限可能与机遇的新时代。在这个时代里，三大里程碑Dalle-3、Sora和Stable Diffusion 3以其炸裂式的技术发展，引领着AIGC领域的新浪潮。文章首先做相应简要介绍，后半部分着重做新兴技术拆解分析，看看究竟哪些模块值得借鉴！