Sparse Multiview Open-Vocabulary 3D Detection
Centre for Mathematical Sciences, Lund University(数学科学中心,卢德大学);Sony Corporation, Lund Laboratory, Sweden(索尼公司,卢德实验室,瑞典)
本文提出一种无需训练的稀疏多视角开放词汇3D检测方法,通过提升二维检测并优化三维候选框的跨视角特征一致性,在稀疏视角下显著超越现有方法。
2025-09-19 cs.CV
SuperGSeg: Open-Vocabulary 3D Segmentation with Structured Super-Gaussians
Technical University of Munich(慕尼黑技术大学);University of Tübingen(图宾根大学);Google(谷歌);Munich Center for Machine Learning(慕尼黑机器学习中心);VisualAIs(视觉人工智能)
SuperGSeg通过结构化超高斯实现开放词汇3D分割,结合神经3D高斯体和语言特征蒸馏,提升场景理解与分割性能。
2026-01-20 cs.CV
Simpler is Better: off-the-shelf Continual Learning Through Pretrained Backbones
Ca’ Foscari University(威尼斯福斯卡里大学)
在这篇简短的论文中,我们提出了一个基线(现成的)计算机视觉问题的持续学习,通过利用预训练模型的力量。通过这样做,我们设计了一种简单的方法,为大多数常见的基准测试提供了强大的性能。我们的方法是快速的,因为不需要参数更新,并具有最小的内存需求(顺序KNOW)。特别地,“训练”阶段重新排序数据,并利用预训练模型的能力来计算类原型并填充存储体。在推理时,我们通过类似knn的方法匹配最接近的原型,为我们提供预测。我们将看到这个简单的解决方案如何作为一个现成的持续学习系统。为了更好地巩固我们的结果,我们将设计的管道与常见的CNN模型进行了比较,并显示了视觉Transformer的优越性,这表明这种架构有能力产生更高质量的功能。此外,这个简单的管道提出了与以前的作品\cite{gdumb}相同的问题,这些作品涉及CL社区取得的有效进展,特别是在所考虑的数据集和预训练模型的使用方面。代码是活在https://github.com/francesco-p/off-the-shelf-cl
2022-05-23 cs.CV
Superpowering Open-Vocabulary Object Detectors for X-ray Vision
University of Santiago de Compostela(圣地亚哥-德孔波斯特拉大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Trento(特伦托大学)
针对X射线开放词汇目标检测的数据稀缺与模态鸿沟问题,提出无需训练的RAXO框架,通过双源检索和X射线材质迁移构建视觉描述符,显著提升检测性能,并发布含300多类标注的DET-COMPASS基准。
2025-10-28 cs.CV
Face Attribute Prediction Using Off-the-Shelf CNN Features
KTH Royal Institute of Technology(KTH皇家理工学院)
从野外人脸图像中预测属性是一个具有挑战性的计算机视觉问题。为了从包含人脸的图像中自动描述人脸属性,传统上需要级联三个技术模块-人脸定位,人脸描述符构造和属性分类-在一个管道中。作为一个典型的分类问题,人脸属性预测已经使用深度学习来解决。目前最先进的性能是通过使用两个级联的卷积神经网络(CNN)来实现的,CNN是专门训练来学习人脸定位和属性描述的。在本文中,我们尝试了一种利用CNN深度表示能力的替代方法。结合传统的人脸定位技术,我们使用现成的架构训练的人脸识别来建立面部描述符。认识到可描述的人脸属性是多种多样的,我们的人脸描述符是从不同属性的CNN的不同级别构建的,以最好地促进人脸属性预测。在两个大型数据集LFWA和CelebA上的实验表明,我们的方法完全可以与最先进的方法相媲美。我们的研究结果不仅证明了一种有效的人脸属性预测方法,而且还提出了一个重要的问题:如何利用现成的CNN表示的能力来完成新的任务。
2016-06-21 cs.CV
How Far Can Off-the-Shelf Multimodal Large Language Models Go in Online Episodic Memory Question Answering?
Department of Mathematics and Computer Science(数学与计算机科学系)
本文提出一种无需训练的流程,利用现成多模态大语言模型将流式视频转为轻量文本记忆,在QAEgo4D基准上以高内存效率达到与专用系统相当的56.0%准确率。
2025-06-19 cs.CV
Image Aesthetics Assessment Using Composite Features from off-the-Shelf Deep Models
Wuhan University(武汉大学)
深度卷积神经网络最近在图像美学评估任务上取得了巨大成功。在本文中,我们提出了一种有效的方法,该方法考虑了图像的全局,局部和场景感知信息,并利用从相应的预训练深度学习模型中提取的复合特征,使用支持向量机对衍生特征进行分类。与需要微调或从头开始训练新模型的流行方法相反,我们的免训练方法直接采用现成模型生成的深层特征进行图像分类和场景识别。此外,我们从两个方面分析了可能影响性能的因素:深层神经网络的架构和本地和场景感知信息的贡献。事实证明,深度残差网络可以产生更多的美学感知的图像表示和复合功能导致整体性能的提高。在常见的大规模美学评估基准上的实验表明,我们的方法在照片美学评估方面优于最先进的结果。
2019-02-22 cs.CV
Periocular Recognition Using CNN Features Off-the-Shelf
Halmstad University(哈尔姆斯塔德大学)
眼周是指眼睛周围的区域,包括巩膜、眼睑、睫毛、眉毛和皮肤。由于具有令人惊讶的高辨别能力,它是需要最少约束采集的眼模态。在这里,我们将ImageNet大规模视觉识别挑战赛中提出的现有预训练架构应用于眼周识别任务。这些已被证明是非常成功的许多其他计算机视觉任务,除了检测和分类任务,他们的设计。实验是用数码相机拍摄的眼周图像数据库完成的。我们证明,这些现成的CNN功能可以有效地识别基于眼周图像的个人,尽管被训练分类通用对象。与参考眼周特征相比,它们显示出高达~40%的EER降低,其中CNN和传统特征的融合提供了额外的改进。
2018-09-17 cs.CV
docExtractor: An off-the-shelf historical document element extraction
LIGM, École des Ponts, Univ Gustave Eiffel, CNRS(LIGM,法国桥路学院,古斯塔夫·埃菲尔大学,法国国家科学研究中心)
我们提出了docExtractor,一个通用的方法提取视觉元素,如文本行或插图从历史文件,而不需要任何真正的数据注释。我们证明,它提供了高质量的性能,作为一个现成的系统,在各种各样的数据集,并导致结果与国家的最先进的微调时。我们认为,在没有对特定数据集进行微调的情况下获得的性能对于应用程序来说是至关重要的,特别是在数字人文领域,并且我们所解决的行级页面分割对于通用元素提取引擎来说是最相关的。我们依赖于一个快速生成丰富的合成文档的生成器,并设计了一个完全卷积的网络,我们证明它比基于检测的方法更好地推广。此外,我们引入了一个新的公共数据集,称为IlluHisDoc,致力于对历史文档中的插图分割进行精细评估。
2020-12-15 cs.CV
DynamicEarth: How Far are We from Open-Vocabulary Change Detection?
Chinese Academy of Sciences(中国科学院);Wuhan University(武汉大学)
本文提出开放词汇变化检测(OVCD)任务,并设计两种免训练框架M-C-I和I-M-C,利用基础模型在5个基准上超越现有方法,并发布DynamicEarth代码库。
2025-01-22 cs.CV
Combined CNN and ViT features off-the-shelf: Another astounding baseline for recognition
Halmstad University(哈尔姆斯塔德大学)
本研究将ImageNet预训练的CNN与ViT的现成中间层特征用于眼周识别,发现二者特征高度互补、结合可提升准确率,且仅用部分预训练模型搭配手工特征就能得到适用于资源受限环境的高效轻量模型,提供了新的强识别基线。
2024-10-06 cs.CV
Zero4D: Training-Free 4D Video Generation From Single Video Using Off-the-Shelf Video Diffusion
KAIST(韩国科学技术院)
Zero4D通过无需训练的视频扩散模型,将单视频扩展为多视角4D视频,保持空间时间一致性。
2025-12-04 cs.CV
GOI: Find 3D Gaussians of Interest with an Optimizable Open-vocabulary Semantic-space Hyperplane
Xiamen University(厦门大学)
提出 GOI 框架,将 2D 语义特征融入 3DGS,并利用 RES 模型微调可优化的语义空间超平面,实现更精准的 3D 开放词汇目标定位。
2024-07-27 cs.CV
GLRD: Global-Local Collaborative Reason and Debate with PSL for 3D Open-Vocabulary Detection
School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Meituan(美团)
提出GLRD框架,结合局部物体级与全局场景级信息,利用LLM推理、概率软逻辑求解和辩论机制,提升3D开放词汇检测精度,在ScanNet和SUN RGB-D上取得显著改进。
2025-03-26 cs.CV
Off-the-shelf ChatGPT is a Good Few-shot Human Motion Predictor
LightSpeed Studios, Tencent(腾讯光速工作室);Nanyang Technological University(南洋理工大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出FMP-OC框架,无需训练,利用现成的ChatGPT语言模型直接执行小样本人体运动预测,通过新颖设计提取隐含知识并结合上下文学习机制,实验验证其有效性。
2024-05-24 cs.CV
Leveraging Off-the-shelf Diffusion Model for Multi-attribute Fashion Image Manipulation
Seoul National University(首尔国立大学);NAVER(NAVER公司)
服装属性编辑是指在保留服装图像中不相关区域的前提下,对服装图像进行语义属性转换的任务。以前的工作通常采用条件GANs,其中生成器显式地学习目标属性并直接执行转换。然而,这些方法既不是可扩展的,也不是通用的,因为它们只对有限的属性进行操作,并且每个数据集或属性集都需要单独的生成器。受扩散模型最新进展的启发,我们探索了利用现成的扩散模型的分类器引导的扩散,该扩散模型在一般视觉语义(如Imagenet)上进行了预训练。为了实现一个通用的编辑管道,我们把它作为多属性的图像处理任务,其中的属性范围从项目类别,面料,模式,衣领和领口。我们的经验表明,传统的方法在我们的挑战性设置失败,并研究有效的适应方案,涉及最近推出的注意力池技术,以获得多属性分类器的指导。在此基础上,我们提出了一个无掩码的时尚属性编辑框架,利用分类器logits和交叉注意力图进行操作。我们的经验表明,我们的框架实现了令人信服的样本质量和属性对齐。
2022-10-12 cs.CV
Iris Recognition with Image Segmentation Employing Retrained Off-the-Shelf Deep Neural Networks
University of Notre Dame(圣母大学);Research and Academic Computer Network(研究与学术计算机网络)
本文提供了三种新的、开源的、基于深度学习的虹膜分割方法,以及如何在传统的基于Gabor小波的虹膜识别中使用不规则分割掩模的方法。为了训练和验证这些方法,我们使用了由不同团队和不同传感器获取并公开提供的广泛虹膜图像,包括从CASIA-Iris-Interval-v4、BioSec、ND-Iris-0405、UBIRIS、Warsaw-BioBase-Post-Mortem-Iris v2.0(死后虹膜图像)和ND-TWINS-2009-2010(从同卵双胞胎获取的虹膜图像)获取的数据。这种不同的训练数据应该增加所提出的分割技术的泛化能力。在数据库不相交的训练和测试中,我们证明了基于深度学习的分割在获得的结果和手动注释的地面实况之间计算的交集方面优于传统的(OSIRIS)分割。有趣的是,当使用基于深度学习的分割时,基于Gabor的虹膜匹配并不总是更好,并且与采用基于Daugman的分割的方法相当。
2019-01-04 cs.CV
Typographic Text Generation with Off-the-Shelf Diffusion Model
Kyushu University(九州大学)
本文提出一种结合 ControlNet 与 Blended Latent Diffusion 的排版文字生成系统,可在指定字体、颜色和效果的同时,在现有背景上自然添加和修改文字。
2024-02-22 cs.CV
Zero-Shot Video Editing Using Off-The-Shelf Image Diffusion Models
Zhejiang University(浙江大学);Harbin Engineering University(哈尔滨工程大学);Beijing Academy of Artificial Intelligence(北京智源人工智能研究院)
提出vid2vid-zero零样本视频编辑方法,利用现成图像扩散模型,通过空文本反演、跨帧建模和空间正则化模块实现文本到视频对齐、时间一致性和保真度,无需训练即可在真实视频上取得良好编辑效果。
2024-01-04 cs.CV
InVi: Object Insertion In Videos Using Off-the-Shelf Diffusion Models
University of Maryland, College Park(马里兰大学帕克分校);Cruise LLC
本研究提出InVi方法,利用现成文本到图像潜在扩散模型,通过修复匹配两步流程和扩展注意力层,无需视频特定微调,实现视频中对象的可控插入与融合,提升帧间一致性,效果优于现有方法。
2024-07-15 cs.CV
Revisiting the Effectiveness of Off-the-shelf Temporal Modeling Approaches for Large-scale Video Classification
Baidu IDL(百度深度学习研究院);Tsinghua University(清华大学)
本文介绍了我们的解决方案的视频识别任务的ActivityNet动力学的挑战,排名第一位。大多数现有的最先进的视频识别方法都支持端到端的流水线。一个例外是DevNet框架。DevNet的优点是,他们首先使用视频数据来学习网络(即从头开始微调或训练)。他们不是直接使用端到端分类分数(例如softmax分数),而是从学习的网络中提取特征,然后将其输入到现成的机器学习模型中进行视频分类。然而,这条线的工作成效却长期被忽视和低估。在本申请中,我们广泛使用了这一策略。特别地,我们研究了四种使用学习特征的时间建模方法:多组转移注意力网络,时间感知网络,多流序列模型和快进序列模型。具有挑战性的动力学数据集上的实验结果表明,我们提出的时间建模方法可以显着改善现有的方法在大规模的视频识别任务。最值得注意的是,我们最好的单个多组转移注意力网络在验证集上的前1准确率为77.7%,前5准确率为93.2%。
2017-08-12 cs.CV
3D Reconstruction using Structured Light from off-the-shelf components
Visvesvaraya National Institute of Technology(维斯瓦瓦拉亚国家理工学院)
本文利用相机和投影仪等现成组件构建低成本三维扫描仪,通过比较不同三维扫描算法,在广泛物体类型上实现接近坐标测量机(CMM)的精度。
2022-09-24 cs.CV cs.GR
VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
Show Lab, National University of Singapore(新加坡国立大学展示实验室)
本文提出 VLog 框架,将视频叙述组织为可生成式检索和动态更新的分层事件词汇,并在多个视频基准上验证其简洁准确叙述能力。
2025-06-09 cs.CV
GOV-NeSF: Generalizable Open-Vocabulary Neural Semantic Fields
National University of Singapore(新加坡国立大学)
本文提出GOV-NeSF,通过代价体与跨视角注意力融合实现可泛化的开放词汇神经语义场,在无需语义标签和深度先验的条件下取得2D和3D开放词汇分割的最优性能。
2024-04-01 cs.CV
MosaicFusion: Diffusion Models as Data Augmenters for Large Vocabulary Instance Segmentation
S-Lab, Nanyang Technological University(南洋理工大学S-Lab实验室);Nanyang Technological University(南洋理工大学)
本研究提出无需训练的MosaicFusion扩散数据增强方法,通过分区同步生成多实例、聚合交叉注意力图获取掩码,为稀有和新类别生成标注数据,有效提升LVIS基准下实例分割模型性能。
2024-10-03 cs.AI cs.CV cs.LG
A Novel Real-Time Full-Color 3D Holographic (Diffractive) Video Capture, Processing, and Transmission Pipeline Using Off-The-Shelf Hardware
R42 Institute(R42研究所);VividQ(VividQ公司)
本文提出首个基于现成硬件的实时全彩3D全息视频通话流水线,结合iPhone采集RGBZ数据与VividQ SDK生成并显示全息图。
2025-02-02 cs.CV eess.IV
SeeDiff: Off-the-Shelf Seeded Mask Generation from Diffusion Models
本文提出SeeDiff方法,通过深入分析Stable Diffusion的交叉注意力与自注意力机制,结合经典种子分割思想,实现无需额外训练或提示调优即可开箱即用生成高质量像素级标注掩码。
2025-09-15 cs.CV
On the Evaluation and Validation of Off-the-shelf Statistical Shape Modeling Tools: A Clinical Application
Scientific Computing and Imaging Institute, University of Utah(犹他大学科学计算与成像研究所)
统计形状建模(SSM)已被证明是有用的,在许多领域的生物学和医学作为新一代的形态定量分析的解剖形状的方法。最近,高分辨率体内解剖图像的可用性增加,导致开源计算工具的开发和分布,以前所未有的细节和统计能力来模拟解剖形状及其在人群中的变异性。尽管如此,很少有工作的评价和验证等工具的临床应用,依赖于形态定量治疗计划。为了解决这种缺乏确认的问题,我们在设计房颤(AF)患者左心耳(LAA)封堵器以预防卒中的背景下,系统地评估了广泛使用的现成SSM工具(即,ShapeWorks、SPHARM-PDM和Deformetrica)的结局,其中LAA封堵不完全可能比没有封堵更糟糕。本研究的动机是SSM在闭合器械几何设计中的潜在作用,这可以通过人群水平统计学和患者特定器械选择来了解,这是由解剖测量驱动的,可以通过将患者水平解剖结构与人群水平形态测量学相关联来自动化。因此,了解不同SSM工具对最终分析的影响对于在实际临床场景中仔细选择要部署的工具至关重要。结果表明,与Deformetrica和SPHARM-PDM的模型相比,ShapeWorks模型的估计测量值更一致。此外,与SPHARM-PDM模型相比,ShapeWorks和Deformetrica形状模型捕获了临床相关的群体水平变异性。
2018-10-03 cs.CV
Shelf-Supervised Mesh Prediction in the Wild
Carnegie Mellon University(卡内基梅隆大学);Facebook AI Research(脸书人工智能研究院)
我们的目标是从单个图像中推断物体的3D形状和姿态,并提出一种基于学习的方法,该方法可以从非结构化图像集合中进行训练,仅由现成的识别系统(即“货架监督”)的分割输出进行监督。我们首先推断出一个规范帧中的体积表示,以及相机姿势。我们执行的表示几何一致的外观和面具,也是合成的新的意见是无法区分的图像集合。然后将粗略的体积预测转换为基于网格的表示,该表示在预测的相机帧中进一步细化。这两个步骤允许从图像集合中进行形状-姿势分解,并以更精细的细节进行每个实例的重建。我们在合成和真实世界的数据集上研究了该方法,并在野外的50个类别上展示了其可扩展性,比现有作品多了一个数量级。
2021-02-11 cs.CV
An Empirical Evaluation of Four Off-the-Shelf Proprietary Visual-Inertial Odometry Systems
Sookmyung Women’s University(淑明女子大学)
商业视觉惯性里程计(VIO)系统作为一种具有成本效益的现成六个自由度(6-DoF)自我运动跟踪方法而受到关注,该方法用于估计准确且一致的相机姿态数据,此外它们还能够在没有来自运动捕捉或全球定位系统的外部定位的情况下进行操作。然而,从现有的结果来看,还不清楚哪种商业VIO平台在室内和室外机器人应用的状态估计方面是最稳定、一致和准确的。我们通过一系列室内和室外实验评估了四种流行的专有VIO系统(Apple ARKit,Google ARCore,Intel RealSense T265和Stereolabs ZED 2),展示了它们的定位稳定性,一致性和准确性。我们提出我们的完整结果作为研究界的基准比较。
2022-07-14 cs.CV cs.RO
Zero-shot Video Moment Retrieval With Off-the-Shelf Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
对于大多数机器学习社区来说,收集高质量人工注释数据的昂贵性以及无法在有限的计算上有效地微调非常大的最先进的预训练模型是为新任务构建模型的主要瓶颈。我们提出了一个zero-shot简单的方法,这样的任务,视频时刻检索(VMR),不执行任何额外的微调,只是重新使用现成的模型训练其他任务。我们的三步方法包括矩建议,矩查询匹配和后处理,所有这些都只使用现成的模型。在VMR的QVHighlights基准测试中,我们在所有指标上将以前的zero-shot方法的性能提高了至少2.5倍,并将zero-shot和最先进的监督之间的差距缩小了74%以上。此外,我们还表明,我们的zero-shot方法在召回指标上击败了非预训练的监督模型,并且在mAP指标上非常接近;并且在较短的时刻上,它的表现也优于最好的预训练监督模型。最后,我们消融和分析我们的结果,并提出有趣的未来方向。
2022-11-03 cs.CL cs.CV
Evaluating Constrained Iterative Refinement for Scalable Vector Graphics Generation with Off-the-Shelf VLMs
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Central Florida(中佛罗里达大学)
本研究评估结合视觉反馈、结构化编辑与约束解码的约束迭代优化方法,探索用现成VLMs生成SVG的能力,发现约束解码提升编译成功率但VLMs存在视觉推理不足的局限。
2026-09-01 cs.CV cs.GR
Open-Vocabulary Action Localization with Iterative Visual Prompting
Microsoft(微软公司)
本文提出一种免训练的开放词汇视频动作定位方法,通过迭代视觉提示让视觉-语言模型在拼接帧图像上逐步缩小采样窗口,实现与最先进零样本方法相当的定位性能。
2025-04-07 cs.AI cs.CV cs.RO
Lens Factory: Automatic Lens Generation Using Off-the-shelf Components
Brown University(布朗大学);Microsoft Research(微软研究院)
定制光学元件是许多成像应用的必需品。不幸的是,定制透镜设计是昂贵的(数千到数万美元),耗时的(10-12周的典型交付时间),并需要专门的光学设计专业知识。通过仅使用便宜的现成镜头组件,Lens Factory自动设计系统大大降低了成本和时间。设计、订购零件、交付和组装可以在几天内完成,成本低至数百美元。镜头设计的限制,如焦距和视野,是指定的图形社区熟悉的术语,所以没有光学专业知识是必要的。与传统镜头设计系统只使用连续优化方法不同,Lens Factory增加了一个离散优化阶段。该阶段搜索透镜元件的可能组合的组合空间以找到新颖的设计,将简单的规范透镜设计演变成更复杂、更好的设计。智能剪枝规则使组合搜索成为可能。我们已经设计和建造了几个高性能的光学系统,证明了该系统的实用性。
2015-07-16 cs.CV cs.GR
When Healthcare Meets Off-the-Shelf WiFi: A Non-Wearable and Low-Costs Approach for In-Home Monitoring
Beijing University of Posts and Telecommunications(北京邮电大学)
随着老年人口的增长,社会和医疗保健开始面临验证挑战,家庭监测正在成为该领域专业人员的重点。政府迫切需要以更低的成本提高医疗服务质量,同时确保老年人的舒适和独立。这项工作提出了一种基于现成WiFi的家庭监测方法,该方法成本低,不可穿戴,并为护理人员提供全面的日常医疗保健信息。所提出的方法可以捕获细粒度的人体姿势的数字,即使通过墙壁和跟踪详细的呼吸状态,同时通过现成的WiFi设备。基于它们,行为数据、生理数据和导出的信息(例如,异常事件和基础疾病),老人的照顾者可以直接看到。设计了一系列的信号处理方法和神经网络,从WiFi信道状态信息中捕获人体姿态图和提取呼吸状态曲线。进行了大量的实验,根据结果,现成的WiFi设备能够捕获细粒度的人体姿势图,类似于相机,甚至通过墙壁和跟踪准确的呼吸状态,从而证明了我们的方法用于家庭监测的有效性和可行性。
2020-09-21 cs.CV cs.LG eess.SP
The Untapped Potential of Off-the-Shelf Convolutional Neural Networks
Duke University(杜克大学);SRC Inc.(SRC公司)
近年来,开发了无数新颖的卷积网络架构,以提高具有挑战性的识别任务的最先进性能。随着计算资源的改善,大量的努力已经放在有效地扩展现有的设计和生成新的架构与神经架构搜索(NAS)算法。虽然网络拓扑结构已被证明是模型性能的一个关键因素,但我们表明,通过在推理时保持拓扑结构静态,可以获得显着的收益。由于规模变化等挑战,我们不应该期望配置为在训练数据集上表现良好的静态模型能够最佳地配置为处理所有测试数据。在这项工作中,我们试图揭示推理时间动态模型的令人兴奋的潜力。通过只允许四个层在推理时动态更改配置,我们证明了现有的现成模型,如ResNet-50,在ImageNet上的准确率超过95%。这种性能水平目前超过了具有超过20倍参数和更复杂训练程序的模型。
2021-03-17 cs.AI cs.CV
Off-The-Shelf Image-to-Image Models Are All You Need To Defeat Image Protection Schemes
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
现成的图像到图像模型可有效对抗图像保护方案,揭示其存在广泛漏洞,需建立更坚固的防御措施。
2026-02-25 cs.AI cs.CV
Off-the-shelf Vision Models Benefit Image Manipulation Localization
School of Computer Science and Technology, Ocean University of China(中国海洋大学计算机科学与技术学院);Southwest Jiaotong University(西南交通大学)
本文提出ReVi适配器,利用现成通用视觉模型提升图像篡改定位性能,通过解耦语义冗余与篡改信息实现高效训练。
2026-04-10 cs.CV cs.MM eess.IV
General and Practical Tuning Method for Off-the-Shelf Graph-Based Index: SISAP Indexing Challenge Report by Team UTokyo
The University of Tokyo(东京大学)
提出基于黑盒优化的通用图索引调优方法,综合调优向量维度、数据库规模和遍历入口点,在SISAP 2023挑战赛10M和30M赛道获第二名,显著优于暴力方法。
2023-09-01 cs.CV cs.DB cs.IR
The VISIONE Video Search System: Exploiting Off-the-Shelf Text Search Engines for Large-Scale Video Retrieval
ISTI-CNR(意大利国家研究委员会信息科学与技术研究所)
在本文中,我们详细介绍了VISIONE,视频搜索系统,允许用户搜索视频使用文本关键字,发生的对象和它们的空间关系,发生的颜色和它们的空间关系,和图像相似性。这些模态可以组合在一起以表达复杂的查询并满足用户需求。我们的方法的特点是,我们编码的所有信息提取的关键帧,如视觉深度功能,标签,颜色和对象的位置,使用一个方便的文本编码索引在一个单一的文本检索引擎。这在必须合并与查询的各个部分(视觉、文本和位置)相对应的结果时提供了极大的灵活性。此外,我们报告了系统检索性能的广泛分析,使用视频浏览器摊牌(VBS)2019比赛期间生成的查询日志。这使我们能够通过在我们测试的参数和策略中选择最佳参数和策略来微调系统。
2021-03-18 cs.CV cs.MM
Bit-depth color recovery via off-the-shelf super-resolution models
Computer Vision Center(计算机视觉中心);Universitat Autònoma de Barcelona(巴塞罗那自治大学)
针对高位深色彩恢复中现有方法依赖尺度不变信息的局限,本文整合现成超分辨率架构并利用其插值数据与空间特征,实现像素级细粒度色彩恢复,且在基准数据集上优于现有方法。
2025-01-09 cs.CV eess.IV
DOSE: Data Selection for Multi-Modal LLMs via Off-the-Shelf Models
Australian Artificial Intelligence Institute(澳大利亚人工智能研究所);Peking University(北京大学);University of Liverpool(利物浦大学)
本文提出DOSE方法,利用现成预训练模型筛选多模态数据,提升数据质量和对齐性,减少计算成本,增强数据多样性,使模型在标准VQA和数学基准测试中表现优异。
2026-04-18 cs.CL cs.CV
Off-the-Shelf Language-Vision Encoders Predict Human Gaze Preferences in Visual World Experiments
University of Stuttgart(斯图加特大学)
该研究提出结合CLIP双编码器与双模态归因方法的新方法,无需微调或生成式架构,即可复现经典视觉世界研究的人类注视行为预测结果。
2026-10-15 cs.CL cs.CV
Towards Unsupervised Visual Reasoning: Do Off-The-Shelf Features Know How to Reason?
Warsaw University of Technology(华沙工业大学);LIGM, Ecole des Ponts, Univ Gustave Eiffel(古斯塔夫·埃菲尔大学桥路学院LIGM实验室);Tooploox(Tooploox公司);IDEAS NCBR(IDEAS国家研究与发展中心);Jagiellonian University of Cracow(克拉科夫雅盖隆大学)
视觉表示学习的最新进展允许构建大量强大的现成功能,这些功能可以随时用于许多下游任务。这项工作的目的是评估如何以及这些功能保存有关对象的信息,如它们的空间位置,它们的视觉特性和它们的相对关系。我们建议这样做,通过评估他们在视觉推理的背景下,多个对象具有复杂的关系和不同的属性在发挥作用。更具体地说,我们引入了一个协议来评估视觉问答任务的视觉表示。为了将视觉特征提取与推理解耦,我们设计了一个特定的基于注意力的推理模块,该模块在待评估的冻结视觉表示上进行训练,其精神类似于依赖于浅层网络的标准特征评估。我们比较了两种类型的视觉表示,密集提取的局部特征和以对象为中心的,对一个完美的图像表示使用地面真理的表现。我们的主要发现有两个方面。首先,尽管在经典代理任务上表现出色,但这种表示不足以解决复杂的推理问题。其次,以对象为中心的功能更好地保留了执行视觉推理所需的关键信息。在我们提出的框架中,我们展示了如何在方法上接近这种评估。
2022-12-20 cs.AI cs.CV
The Latency Wall: Benchmarking Off-the-Shelf Emotion Recognition for Real-Time Virtual Avatars
Ben-Gurion University of the Negev(贝内尔·本·古里安大学)
研究评估了现成模型在实时虚拟化身情绪识别中的延迟与准确率平衡,发现通用Transformer无法满足实时需求,需轻量级领域专用架构。
2026-01-22 cs.CV cs.HC
Towards Generative Predictive Display for Vision-Based Teleoperation: A Zero-Shot Benchmark of Off-the-Shelf Video Models
Department of Electrical and Computer Engineering, University of Michigan - Dearborn(密歇根大学迪尔伯恩分校电气与计算机工程系)
本文提出一种零样本基准测试,评估现成生成视频模型在短时间预测显示中的性能,发现现有模型无法在低误差、非发散误差行为和实时推断间取得平衡。
2026-05-10 cs.CV cs.RO
Stacked Regression using Off-the-shelf, Stimulus-tuned and Fine-tuned Neural Networks for Predicting fMRI Brain Responses to Movies (Algonauts 2025 Report)
Université Paris Cité(巴黎Cité大学);University of Oxford(牛津大学);University of Turin(都灵大学);Universität Leipzig(莱比锡大学);Max Planck School of Cognition(马克斯·普朗克认知科学学院)
本工作提出一种融合多模态模型与堆叠回归的方法,预测电影刺激下的fMRI大脑反应,在Algonauts 2025挑战赛中获得第10名,并公开代码资源。
2025-10-02 cs.AI cs.CV eess.IV
SpatialPrompting: Keyframe-driven Zero-Shot Spatial Reasoning with Off-the-Shelf Multimodal Large Language Models
Toyota Central R&D Labs., Inc.(丰田中央研究实验室)
SpatialPrompting利用现成多模态大语言模型,通过关键帧驱动提示生成策略,结合视觉-语言相似度、马氏距离、视场角和清晰度等指标选择关键帧并融合相机位姿,在无需专用3D输入和微调的情况下实现三维环境零样本空间推理,并在ScanQA和SQA3D上取得最先进性能。
2025-05-08 cs.AI cs.CL cs.CV
Discovering Bugs in Vision Models using Off-the-shelf Image Generation and Captioning
DeepMind(深度思维)
本文利用现成的图像生成与描述模型,通过生成合成输入、聚类错误分类样本并迭代描述,自动发现视觉模型中的失败案例和虚假相关性,并验证了其可扩展性。
2023-05-11 cs.CV cs.LG stat.ML
Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness
Korea Advanced Institute of Science & Technology (KAIST)(韩国科学技术院(KAIST));Korea University(高丽大学)
提出FT-CADIS微调方案,利用分类器置信度识别去噪平滑中的幻觉图像,仅用有益图像微调少量参数,显著提升了现成模型在各种基准下的认证对抗鲁棒性。
2024-11-15 cs.AI cs.CR cs.CV
Off-the-shelf bin picking workcell with visual pose estimation: A case study on the world robot summit 2018 kitting task
University of Southern Denmark(南丹麦大学);Mærsk Mc-Kinney Møller Institute(马士基·麦金尼·穆勒研究所)
本文针对世界机器人峰会套件装配中的料箱拣选难题,结合新型视觉传感器、位姿估计算法与基于力的抓取构建工作站,并在赛事测试中取得超过所有参赛队的成绩。
2023-09-28 cs.CV cs.RO
Beyond Off-the-Shelf Models: A Lightweight and Accessible Machine Learning Pipeline for Ecologists Working with Image Data
Department of Statistics, LMU Munich(统计学系,慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);Research Unit Wildlife Biology and Management, Bavarian State Institute for Forestry(林业野生动物生物学与管理研究组,巴伐利亚州林业研究所)
本文提出了一种轻量级机器学习流程,帮助生态学家无需高级专业知识即可处理图像数据,实现定制化的分类任务。
2026-01-22 cs.CV cs.LG
Benchmarking Image Embeddings for E-Commerce: Evaluating Off-the Shelf Foundation Models, Fine-Tuning Strategies and Practical Trade-offs
Adevinta(阿德温塔公司)
本文系统评测了电子商务场景下多种基础模型图像嵌入在分类与检索任务中的表现,发现全量微调稳健但top-tuning能以更低计算成本达到相近性能,并为嵌入选择与微调策略提供了实用指南。
2025-04-10 cs.AI cs.CE cs.CV
Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation
Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Facebook Artificial Intelligence(脸书人工智能研究院)
无监督领域自适应(UDA)旨在将从标记的源域学习到的知识转移到未标记和不可见的目标域,该目标域通常在来自两个域的数据上进行训练。然而,由于数据存储或隐私问题,在适应阶段对源域数据的访问往往是有限的。为了缓解这一问题,在这项工作中,我们针对无源UDA进行分割,并建议采用自适应批量归一化统计适应框架,将源域中预训练的“现成”分割模型适应于目标域。具体地,特定于域的低阶批量统计,即,平均值和方差,逐渐适应指数动量衰减方案,而域共享高阶批量统计量的一致性,即,缩放和移动参数,明确地由我们的优化目标强制执行。首先自适应地测量每个通道的可传递性,以平衡每个通道的贡献。此外,所提出的无源UDA框架与无监督学习方法正交,例如,自熵最小化,因此可以简单地添加到我们的框架之上。在BraTS 2018数据库上进行的大量实验表明,与使用源数据的监督UDA方法相比,我们的无源UDA框架在跨亚型UDA分割任务中的表现优于现有的源松弛UDA方法,并在跨模态UDA分割任务中产生了相当的结果。
2021-06-23 cs.AI cs.CV cs.LG