PlaneNet：从单个RGB图像进行分段平面重建 陈柳，杨集美，Duygu Ceylan，Ersin Yumer和古川靖 介绍 本文提出了用于从单个RGB图像进行分段平面重建的第一个端到端神经体系结构。 拟议的网络PlaneNet可学习直接推断一组平面参数和相应的平面分割蒙版。 有关更多详细信息，请参阅我们的CVPR 2018或访问我们的。 更新 如我们最近的arXiv所述，我们开发了一种更好的技术PlaneRCNN用于分段平面检测。 不幸的是，我们还不能发布代码和数据。 我们添加了脚本，用于从原始ScanNet数据集中提取平面信息并将3D平面分割结果呈现为2D视图。 有关详细信息，请参阅

金字塔立体匹配网络 这个库包含的“代码（PyTorch）”的论文（CVPR 2018）由和。 变更日志 2020/12/20：更新PSMNet：现在支持Torch 1.6.0 / torchvision 0.5.0和python 3.7，删除了不一致的缩进。 二○二○年十二月二十〇日：我们提出的实时立体声可以在这里找到。 引文 @inproceedings{chang2018pyramid, title={Pyramid Stereo Matching Network}, author={Chang, Jia-Ren and Chen, Yong-Sheng}, booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition}, pages={5410--54

配准文献 CVPR 2018

【CVPR2018】4DFAB A Large Scale 4D Database for Facial Expression Analysis and Biometric4DFAB：用于面部表情分析和生物识别应用的大型4D数据库

matlab代码加法DID-MDN 使用多流密集网络的密度感知单图像去雨 ， []（CVPR'18） 我们提出了一种新颖的基于密度感知的多流密集连接的卷积神经网络算法，称为DID-MDN，用于联合降雨密度估计和除雨。 所提出的方法使网络本身能够自动确定雨量密度信息，然后有效地去除由估计的雨量密度标签指导的相应雨斑。 为了更好地表征具有不同尺度和形状的雨条纹，提出了一种多流密集连接的排水网络，该网络可有效利用不同尺度的特征。 此外，将创建一个新的数据集，其中包含带有雨水密度标签的图像，并将其用于训练建议的密度感知网络。 @inproceedings{derain_zhang_2018, title={Density-aware Single Image De-raining using a Multi-stream Dense Network}, author={Zhang, He and Patel, Vishal M}, booktitle={CVPR}, year={2018} } 先决条件： Linux Python 2或3 CPU或NVIDIA GPU + CUDA CuD

罪 结构推断网：使用场景级上下文和实例级关系的对象检测。 在CVPR 2018中。（ ） 要求：软件 Tensorflow 1.3.0的要求（请参阅： ） 您可能没有的Python软件包： cython ， python-opencv ， easydict 安装（足够用于演示） 克隆SIN存储库 # Make sure to clone with --recursive git clone --recursive https://github.com/choasUp/SIN.git 构建Cython模块 cd $SIN_ROOT /lib make 演示版 成功完成，您就可以开始运行演示了。 等待 ... 训练模式 下载培训，验证，测试数据和VOCdevkit wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtr

cvpr2019／cvpr2018/cvpr2019 papers，极市团队整理

从单个图像去除雨滴的细心生成对抗网络（CVPR'2018） ， ，嘉俊苏和 （TBA） （TBA）（CVPR'18聚光灯） 抽象的 附着在玻璃窗或相机镜头上的雨滴会严重妨碍背景场景的可见性，并严重降低图像质量。 在本文中，我们通过目视去除雨滴，从而将雨滴降级的图像转换为干净的图像来解决该问题。 这个问题是棘手的，因为首先没有给出被雨滴遮挡的区域。 第二，关于被遮挡区域的背景场景的信息在很大程度上被完全丢失。 为了解决该问题，我们使用对抗训练来应用细心的生成网络。 我们的主要思想是将视觉注意力注入到生成网络和判别网络中。 在培训期间，我们的视觉注意力会了解雨滴区域及其周围的环境。 因此，通过注入此信息，生成网络将更加关注雨滴区域和周围的结构，而判别网络将能够评估恢复区域的局部一致性。 除了去除雨滴外，对生成网络和判别网络的视觉注视也是本文的另一项贡献。 我们的实验证明了我们方法的有

对抗性学习的新颖性检测一类分类器（ALOCC-CVPR2018） 这项工作的灵感来自生成对抗网络（GAN）的成功，该网络可在无人监督和半监督情况下训练深度模型。 我们为一类分类提出了一种端到端的体系结构。 该体系结构由两个深层网络组成，每个深层网络通过相互竞争进行训练，同时共同协作以了解目标类中的基础概念，然后对测试样本进行分类。 一个网络用作新颖性检测器，而另一个网络则通过增强内部样本并扭曲异常值来支持它。 直觉是，增强后的离群值和失真的离群值的可分离性比决定原始样本要好得多。 这是灰度数据库上代码的初步版本。 如有任何疑问，请随时与我联系。 概述 注意：当前软件可与TensorFlow 1.2一起很好地运行 先决条件 Windows，Linux或macOS 的Python 3 CPU或NVIDIA GPU + CUDA CuDNN 入门 安装 从安装TensorFlow

这是CVPR论文的latex模板，由于国内访问overleaf经常不稳定、网速也慢，而且需要注册登录十分麻烦。于是我传到CSDN上方便大家交流学习使用。