摘要: Dimitris Papadias是港科大的教授，陶宇飞的导师。他写过一个slides，叫作《Instructions for PhD Students》。虽然是这位大牛是做数据库方向的，但是他的谏言对于每一个博士生都非常有用。置顶，每天欣赏一遍。

摘要: 基于《SpatialBot: Precise Spatial Understanding with Vision Language Models》引起的的LLM设计哲学探讨

摘要: 一文教你如何优雅地在 Mac 和 iPad 之间同步 Markdown 文稿。

摘要: 为了优化文献研究流程, 我们可以将大语言模型(LLM)的分析能力融入Zotero的生态系统. 具体而言, 利用LLM对论文进行提炼与总结, 并将核心见解以Markdown格式沉淀于Zotero笔记中. 这不仅发挥了Zotero强大的文献组织和检索功能, 更将AI的分析洞察力无缝集成到研究工作流中, 从而实现知识管理效率的跃升.

摘要: HKUST校历

摘要:

图像与点云之间的跨模态特征匹配是图像到点云配准的基础问题。然而，由于图像和点云之间的模态差异，现有的度量学习方法在特征匹配上难以学习到稳健且具有区分性的跨模态特征。我们提出了一种方法，首先通过预训练的大规模模型统一图像和点云的模态，然后在相同模态内建立稳健的对应关系。我们展示了通过深度到图像的扩散模型提取的中间特征（称为扩散特征），在图像和点云之间具有语义一致性，这使得建立粗略但稳健的跨模态对应关系成为可能。进一步地，我们提取了由单目深度估计器生成的深度图上的几何特征。通过匹配这些几何特征，我们显著提高了由扩散特征生成的粗略对应关系的准确性。大量实验表明，在没有进行任何I2P配准任务训练的情况下，直接利用这两种特征可以实现准确的图像到点云配准。在三个公共室内和室外基准数据集上，所提方法在Inlier Ratio上平均提升了$20.6%$，Inlier Number提高了$3.0 \times$，Registration Recall提升了$48.6%$，优于现有的最先进方法。代码和附加结果可在 https://whu-usi3dv.qithub.io/FreeReq/ 上获取。

摘要: 2024智源大会 Stefano V. Albrecht 对目前LLM Agent研究的吐槽

摘要: 本文章用列表记录了多个awesome-xxx的github项目地址， 每一个项目都相当于是该领域的一个小的论文综述或者项目合集。

摘要: ply文件转obj在进行转换时，时常遇到的问题是，ply转为obj后丢失了材质或者颜色信息，使用Blender可进行完美转换。

摘要: NeRF原论文以及相关解读材料。