这个高光时刻，属于自动驾驶，属于大模型，更是属于中国团队。

(资料图片)

就在刚刚，CVPR 2023最佳论文新鲜出炉，2篇论文从总量高达9155篇的投稿中脱颖而出。

对于这2篇最佳论文中的任何一个，可以说用“万里挑一”来形容都不足为过了。

第一篇名为Planning-oriented Autonomous Driving（以路径规划为导向的自动驾驶），由上海人工智能实验室、武汉大学及商汤科技联合完成。

据了解，这是近十年来，计算机视觉三大顶级国际会议（CVPR、ICCV、ECCV）上，第一篇以中国学术机构作为第一单位的最佳论文。

第二篇名为Visual Programming: Compositional visual reasoning without training（视觉编程：未经训练的组合视觉推理），由艾伦人工智能研究所发表。

而在最佳论文的“候选名单”中，不乏谷歌、斯坦福大学、康奈尔大学等在内的顶尖企业和高校。

竞争之激烈，可见一斑。

那么这两篇为何能在众多论文中成为佼佼者，我们继续往下看。

首次提出感知决策一体的自动驾驶通用大模型

自动驾驶历来被人们称为集AI技术之大成者。

一般在自动驾驶任务中，通常包含三大模块，分别是感知、预测和规划，不过主流方案通常是分开来处理具体任务。

由此导致的缺陷也是比较明显，要么是任务之间协调不足，要么是影响到了整体性能的提升。

基于这样的一个背景，这篇论文便首次提出了感知决策一体化的自动驾驶通用大模型——UniAD。

UniAD是一个综合框架，将全栈驾驶任务整合到一个基于Transformer的端到端网络中。

除了我们刚才提到的三个主任务之外，还包括六个子任务，包括目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划。

那么如此“大一统”的方式之下，结果又如何？

根据论文显示，在nuScenes真实场景数据集中，UniAD的所有任务均达到SOTA！

具体“实战”效果如下：

在面对采访时，上海人工智能实验室青年科学家李弘扬介绍：

凭借其充分的可解释性、安全性、与多模块的可持续迭代性，UniAD是目前为止最具希望实际部署的端到端模型。

值得一提的是，除了这篇最佳论文之外，上海人工智能实验室和商汤科技在本届CVPR中均取得了不凡的表现。

两个单位还联合斩获了一篇最佳论文候选，共计54篇论文被接收。

通过编写代码解决计算机视觉任务的AI

在第二篇论文中，研究人员提出了VISPROG，是一种神经符号结合（Neuro-Symbolic）的方法，用于在给定自然语言指令的情况下解决复杂和组合的视觉任务。

VISPROG无需对任何特定任务进行专门训练。

相反，它利用大语言模型的上下文学习能力，生成类似Python代码的模块化程序，然后执行这些程序来获得解决方案和全面且可解释的理由。

生成的程序的每一行可能会调用多个现成的计算机视觉模型、图像处理程序或Python函数，来生成可能被程序的后续部分使用的中间输出。

研究人员在四个不同的任务上展示了VISPROG的灵活性，包括组合视觉问答、对图像对进行零样本推理、事实知识对象标签和以语言引导的图像编辑。

研究人员表示：

像VISPROG这样的神经符号方法是令人兴奋的，它可以轻松有效地对AI系统做扩展，满足人们可能希望执行的复杂任务需求。

CVPR 2023其它奖项一览

除了2篇最佳论文之外，其它奖项也在刚刚的开幕式中逐一浮出水面。

最佳学生论文——

3D Registration with Maximal Cliques。

这篇论文的作者来自西北工业大学，提出了一种新的3D点云配准方法，能够获得最优的姿态假设。

最佳学生论文荣誉奖——

DreamBooth: Fine Tuning Text-to-lmage Diffusion Models for Subject-Driven Generation。

来自谷歌，可以基于少量的图片，利用text-to-image模型将其转换到不同场景中，并且保持高分辨率。

这篇论文的方法已在AI绘画社区被广泛使用。

除此之外，大会还颁发了PAMITC奖，包括Longuet-Higgins奖、年轻研究者奖以及Thomas Huang纪念奖。

Longuet-Higgins奖——

年轻研究者奖——

Thomas Huang纪念奖——

关于本届最佳论文更细致的内容，可戳下方链接查看详情：

两篇最佳论文地址：[1]https://arxiv.org/abs/2212.10156[2]https://arxiv.org/abs/2211.11559

参考链接：

[1]https://twitter.com/cvpr/status/1671545306838626306?s=46&t=iTysI4vQLQqCNJjSmBODPw

[2]https://mp.weixin.qq.com/s/8svV4yxRi6TikcRivgHr_A

[3]https://finance.eastmoney.com/a/202306212759316444.html

[4]https://github.com/OpenDriveLab/UniAD

[5]https://blog.allenai.org/visual-programming-ca58c7af51cd

标签：