Apple Machine Learning ResearchT1·72 分
拆分缩放法实现推理阶段潜变量扩容
原标题:Split-and-Scale Latent 3D Representations
- 以坐标连续函数表示 3D 场景,使预训练 tokenizer 可复用于任意小子区域
- 推理阶段扩容潜变量,规避训练时的高昂计算与内存开销
- 消融实验系统分析计算、内存、潜容量与重建质量的权衡
AI 聚合热点事件 · 2026/11/16
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。
曲线只比较全程持续完整观测的同一批信源;缺口小时数据已插值平滑,保持趋势连续。
原标题:Split-and-Scale Latent 3D Representations