arXiv ID:
2603.14741
PHAC:可提示的人体非模态补全 / PHAC: Promptable Human Amodal Completion
1️⃣ 一句话总结
这篇论文提出了一种新方法,让用户可以通过简单的点或框来提示AI如何补全被遮挡的人体图像,既能准确遵循用户指令(如指定姿势),又能完美保留图像中原本可见的部分。
PHAC:可提示的人体非模态补全 / PHAC: Promptable Human Amodal Completion
这篇论文提出了一种新方法,让用户可以通过简单的点或框来提示AI如何补全被遮挡的人体图像,既能准确遵循用户指令(如指定姿势),又能完美保留图像中原本可见的部分。
SpiralDiff:用于跨相机RGB到RAW转换的螺旋扩散与LoRA方法 / SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras
这篇论文提出了一种名为SpiralDiff的新方法,它利用扩散模型和一种轻量级适配模块,能够更智能地将普通RGB照片转换成高质量的RAW格式图像,并能灵活适应不同相机的特性,从而提升在弱光等复杂场景下的图像处理效果。
脉冲层自适应幅度剪枝 / Spiking Layer-Adaptive Magnitude-based Pruning
这篇论文提出了一种名为SLAMP的新方法,专门用于高效地压缩脉冲神经网络,它通过考虑脉冲信号在时间上的累积效应和不同网络层的重要性,智能地裁剪掉不重要的连接,从而在保持模型准确性的同时,大幅降低了计算和能耗开销,使其更适合在实际设备上部署。
AdapterTune:用于冻结视觉Transformer的零初始化低秩适配器 / AdapterTune: Zero-Initialized Low-Rank Adapters for Frozen Vision Transformers
这篇论文提出了一种名为AdapterTune的新方法,通过向冻结的视觉Transformer模型添加零初始化的低秩适配器,解决了微调过程中的优化不稳定和参数容量设置难题,在显著减少训练参数的同时,取得了比仅训练分类头或全模型微调更好的图像分类性能。
光子量子增强知识蒸馏 / Photonic Quantum-Enhanced Knowledge Distillation
这篇论文提出了一种结合光子量子处理器和经典机器学习的新方法,利用光子硬件产生的结构化随机性来高效压缩大型神经网络模型,在保持较高准确率的同时,显著减少了学生模型的参数量。
PrototypeNAS:面向微控制器单元的深度神经网络快速设计方法 / PrototypeNAS: Rapid Design of Deep Neural Networks for Microcontroller Units
这篇论文提出了一种名为PrototypeNAS的零样本神经架构搜索方法,它能快速、自动地为不同性能的微控制器(MCU)量身定制既小巧又准确的深度神经网络模型,无需大量耗时训练。
正交子空间聚类:通过自适应降维与高效聚类增强高维数据分析 / Orthogonal Subspace Clustering: Enhancing High-Dimensional Data Analysis through Adaptive Dimensionality Reduction and Efficient Clustering
这篇论文提出了一种名为正交子空间聚类的新方法,它通过将高维数据自动分解到互不相关的低维子空间,有效解决了高维数据稀疏和距离度量失效的难题,从而显著提升了聚类的效果和效率。
深度学习与流逼近的速率 / Deep learning and the rate of approximation by flows
这篇论文通过将深度残差网络的逼近能力与微分同胚流所需的最短时间联系起来,揭示了深度学习的核心逼近机制本质上是基于流形上的测地距离,而非传统的线性空间和范数估计,从而阐明了网络架构与目标函数兼容性对学习效率的决定性影响。
ContiGuard:一个针对不断演化的规避性扰动的持续毒性检测框架 / ContiGuard: A Framework for Continual Toxicity Detection Against Evolving Evasive Perturbations
这篇论文提出了一个名为ContiGuard的新框架,它利用大语言模型增强语义理解并优化特征学习,使在线毒性检测系统能够持续学习、动态更新,从而有效应对恶意用户不断变化的新型文本规避手段。
函数空间贝叶斯逆问题的预条件一步生成建模 / Preconditioned One-Step Generative Modeling for Bayesian Inverse Problems in Function Spaces
这篇论文提出了一种基于一步生成式传输的机器学习方法,用于快速解决函数空间中的贝叶斯逆问题,通过使用与先验对齐的参考分布来确保稳定性,并能在训练后以极快的速度生成高质量的后验样本,从而避免了传统马尔可夫链蒙特卡洛方法中重复求解偏微分方程的高昂计算成本。
请先 登录 后再提交论文