👋 你好

计算机视觉与模式识别大会规模宏大。仅在 2023 年，就有 9,155 篇论文投稿，最终 2,359 篇被接收。我创建了这个仓库，旨在帮助大家查找 CVPR 会议中最顶尖的论文。如果您想找的论文未列入我的精选列表，不妨查看完整的 接收论文列表。

🗞️ 论文

主题	标题	仓库 / 论文
分割	OneFormer：一个Transformer通吃通用图像分割任务
分割	X-Decoder：面向像素、图像和语言的通用解码框架
分割与生成式AI	图像用图像说话：用于上下文视觉学习的通用画家模型
分割	PACO：常见物体的部件与属性
分割	基于掩码适配CLIP的开放词汇语义分割
NeRF	DynIBaR：基于神经网络的动态图像渲染
3D	Vid2Avatar：通过自监督场景分解从野外视频重建3D虚拟化身
生成式AI	3D感知的条件图像合成
3D	基于虚拟标记的3D人体网格估计
迁移学习	基于数据的迁移学习视角
分割	基于文本到图像扩散模型的开放词汇全景分割
生成式AI	DreamBooth：针对特定主体生成的文本到图像扩散模型微调
生成式AI	InstructPix2Pix：学习遵循图像编辑指令
生成式AI	基于潜扩散模型和人类脑活动的高分辨率图像重建
基准测试	超越mAP：迈向更好的实例分割评估
NeRF	SPIn-NeRF：利用神经辐射场实现多视角分割与感知修复
3D	Omni3D：面向野外3D目标检测的大规模基准与模型
3D	ECON：通过法线积分优化的显式着装人体模型
3D	NeuralLift-360：将野外2D照片提升为具有360°视角的3D对象

🦸 贡献

我们非常欢迎您的帮助，让这个仓库变得更加完善！如果您知道这里尚未列出的优秀论文，或者有任何改进建议，欢迎随时提交 issue 或者发起 pull request。

top-cvpr-2023-papers 快速上手指南

top-cvpr-2023-papers 并非一个可安装的软件库或框架，而是一个精选论文与代码资源索引仓库。它汇集了 CVPR 2023 会议中最具影响力的计算机视觉论文，并提供了对应的 GitHub 代码库和 arXiv 论文链接。

本指南将指导你如何利用该列表快速找到所需资源并运行相关项目。

环境准备

由于本仓库仅包含资源链接，无需安装本仓库本身。你需要根据具体想运行的论文项目，准备相应的本地环境。

通用系统要求

大多数 CVPR 2023 的深度学习项目通常需要以下基础环境：

• 操作系统: Linux (推荐 Ubuntu 18.04/20.04) 或 macOS
• Python: 3.8 或更高版本
• GPU: NVIDIA 显卡（推荐显存 8GB 以上），需安装对应的 CUDA 和 cuDNN
• 包管理器: pip 或 conda (推荐 Miniconda)

前置依赖

在克隆具体论文的代码库之前，建议预先安装通用的深度学习基础库：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install opencv-python pillow matplotlib tqdm

提示：国内用户可使用清华源加速 PyTorch 安装：

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

获取资源步骤

本仓库的使用方式是“查阅 -> 跳转 -> 克隆”。

1. 浏览论文列表 访问仓库页面或直接查看 Accepted Papers 列表，找到你感兴趣的主题（如 Segmentation, NeRF, Generative AI 等）。

2. 定位目标项目 在表格中找到对应论文的 repository / paper 列，点击 GitHub 图标进入官方代码库。

3. 克隆代码库 进入具体的论文 GitHub 页面后，执行以下命令克隆代码（以 OneFormer 为例）：

   git clone https://github.com/SHI-Labs/OneFormer.git
   cd OneFormer
   

   国内加速：如果 GitHub 克隆速度慢，可使用 Gitee 镜像（若作者同步了）或通过代理加速，或使用国内镜像站克隆：

   git clone https://gitee.com/mirror/OneFormer.git  # 示例，需确认具体项目是否有镜像
   

基本使用示例

每个论文项目的具体使用方法不同，请严格参照该项目根目录下的 README.md 或 INSTALL.md。以下为通用流程示例：

示例：运行一个分割模型 (以 OneFormer 为例)

1. 创建虚拟环境

   conda create -n oneformer python=3.9
   conda activate oneformer
   

2. 安装项目依赖 通常项目会提供 requirements.txt：

   pip install -r requirements.txt
   

   部分项目可能需要编译 CUDA 扩展：

   python setup.py build develop
   

3. 下载预训练权重 根据项目文档下载 .pth 权重文件并放入指定目录。

4. 运行推理或训练 执行项目提供的脚本：

   python demo/demo.py --config-file configs/oneformer/oneformer_r50.yaml --input input.jpg --output output/
   

核心建议

• 阅读原文档：每个项目的依赖和启动命令差异巨大，务必以该项目自身的 README 为准。
• 关注 Issue：如果在运行特定论文代码时遇到问题，优先在该代码库的 Issues 中搜索解决方案。
• 数据准备：大多数项目需要手动下载数据集（如 COCO, ADE20K），请提前准备好数据路径。