• 關注領域：

• AIGC
  

• 3D computer vision learning

• Fine-grained learning

• GNN

• 其他
  

• 聲明
  

• 論文較多，時間有限，本專欄無法做文章的講解，只挑選出符合PaperABC研究興趣和當前熱點問題相關的論文，如果你的research topic和上述內(nèi)容有關，那本專欄可作為你的論文更新源或Paper reading list．

Paper list:

今日ArXiv共更新134篇

NeRF

SHERF: Generalizable Human NeRF from a Single Image

https://arxiv.org/pdf/2303.12791.pdf

南洋理工，ziwei Liu老師團隊的工作，實現(xiàn)了第一個輸入單張人體圖像，實現(xiàn)3D人體重建．

Instruct-NeRF2NeRF: Editing 3D Scenes with Instructions

https://arxiv.org/pdf/2303.12789.pdf

UC伯克利的工作，能夠?qū)崿F(xiàn)基于文本的3D場景編輯，屬于文本引導的NeRF編輯工作．可拓展到真實場景和大規(guī)模場景．

FeatureNeRF: Learning Generalizable NeRFs by Distilling Foundation Models

https://arxiv.org/pdf/2303.12786.pdf

Foundation Model促進NeRF泛化性，促進其在其他下游任務，語義理解和解析等都能取得不錯的性能．

Pre-NeRF 360: Enriching Unbounded Appearances for Neural Radiance Fields

https://arxiv.org/pdf/2303.12234.pdf

比Mip-NeRF 360性能還要強大的Pre-NeRF.

AIGC

A PERCEPTUAL QUALITY ASSESSMENT EXPLORATION FOR AIGC IMAGES

https://arxiv.org/pdf/2303.12618.pdf

上海交大的工作，研究了如何評估AIGC產(chǎn)生的圖片質(zhì)量．

SALAD: Part-Level Latent Diffusion for 3D Shape Generation and Manipulation

https://arxiv.org/pdf/2303.12236.pdf

KAIST的工作．主要提出了使用Diffusion model來實現(xiàn)part-level的3D shape的生成和編輯．

VLP

Is BERT Blind? Exploring the Effect of Vision-and-Language Pretraining on Visual Language Understanding

https://arxiv.org/pdf/2303.12513.pdf

本文探討了，視覺語言預訓練能否促進純文本任務．

CLIP2 : Contrastive Language-Image-Point Pretraining from Real-World Point Cloud Data

https://arxiv.org/pdf/2303.12417.pdf

華為諾亞的工作．探討了CLIP如何促進3D場景級別的理解．

醫(yī)學圖像

Less is More: Unsupervised Mask-guided Annotated CT Image Synthesis with Minimum Manual Segmentations

https://arxiv.org/pdf/2303.12747.pdf