Apple Machine Learning ResearchT1·基座大模型
72 分
论文提出 split-and-scale 方法,将 3D 场景表示为坐标的连续函数,使单个预训练 tokenizer 在推理时可作用于任意小的子区域,从而在不增加训练成本的前提下大幅提升潜变量容量与重建细节。该方法通过大量消融实验验证了计算、内存、潜容量与重建质量之间的权衡,并进一步用于解耦辐射场与相机位姿的生成建模。
Split-and-Scale
在推理阶段将场景切分为小子区域以扩容潜变量、提升细节的方法
论文提出 split-and-scale 方法,将 3D 场景表示为坐标的连续函数,使单个预训练 tokenizer 在推理时可作用于任意小的子区域,从而在不增加训练成本的前提下大幅提升潜变量容量与重建细节。该方法通过大量消融实验验证了计算、内存、潜容量与重建质量之间的权衡,并进一步用于解耦辐射场与相机位姿的生成建模。