English(EN) Efficient and High-Quality Depth Estimation via Pixel-Space Diffusion with Linear Attention

Lapis 扩散模型通过线性注意力实现 SOTA 深度估计

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-01 04:00

研究人员开发了 Lapis，这是一种新颖的用于深度估计的扩散模型，它利用线性注意力以降低的计算成本实现高质量结果。该框架通过采用粗到精的层次结构，包括用于结构一致性的 Patch-level Consistency Module 和用于清晰几何边界的 Pixel-level Refinement Module，解决了现有生成模型的局限性。Lapis 在各种分辨率下均展示了最先进的准确性和边界清晰度，与以前的方法相比，显著降低了推理延迟。 AI

影响该模型提供了一种更高效的深度估计方法，有可能在分辨率较高的应用中得到更广泛的应用。

排序理由该集群包含一篇详细介绍新模型及其性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 19 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新模型及其性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Bingde Liu, Wu Ran, Jinglei Zhang, Huanhuan Yuan, Chao Ma · 2026-09-01 04:00

通过线性注意力在像素空间扩散实现高效高质量深度估计

arXiv:2608.30129v1 Announce Type: new Abstract: This work presents $\textbf{Lapis}$, a $\textbf{l}$inear-$\textbf{a}$ttention-based $\textbf{pi}$xel-$\textbf{s}$pace generative framework that achieves efficient and high-fidelity depth estimation with one-step diffusion. While gen…

本文如何被排名

报道来源 [1]

通过线性注意力在像素空间扩散实现高效高质量深度估计

相关实体

相关话题