Adaptive Layer Normalization
PulseAugur coverage of Adaptive Layer Normalization — every cluster mentioning Adaptive Layer Normalization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DiTGaze系统利用扩散模型增强少样本注视点估计
研究人员开发了DiTGaze，一种用于少样本注视点估计的新颖系统，该系统利用双流3D高斯泼溅骨干网络和几何条件扩散Transformer。该方法重新构建了渲染阶段，将高斯特征与潜在扩散模型集成，并通过自适应层归一化整合了时间步、身份和表情的条件。DiTGaze旨在通过改进少样本个性化来减轻收集大量用户特定注视点数据的负担，并在ETH-XGaze数据集上显示出显著的误差降低。
-
SpikeSSL 框架增强钙成像中的神经脉冲推断
研究人员开发了 SpikeSSL，一个旨在提高从双光子钙成像数据中推断神经脉冲准确性的新框架。该框架利用了受钙动力学广泛启发的、包含动力学信息的状态空间层，提供了一种比通用时间回归器更具生物学合理性的方法。SpikeSSL 还包含一个多模态条件编码器，以适应不同的钙指示剂和信号统计，提供每帧校准的不确定性。该系统在各种数据集的域内和零样本泛化场景中均表现出最先进的性能，并且通过训练模仿不同动力学参数和噪声特征的合成数据，其有效性得到了进一步提升。
-
AI模型STREAM可根据文本和音乐生成可编辑的舞蹈动作
研究人员开发了STREAM，一个新的人工智能模型，旨在根据文本和音乐生成可编辑的舞蹈动作。与之前存在模式崩溃问题的模型不同，STREAM使用解耦的扩散Transformer来保持用户对编舞的控制，同时使动作与音乐节奏保持一致。该模型采用了基于文本结构的自适应层归一化和新颖的双模态基于能量的注意力模块来实现音乐集成。为了评估其性能，团队引入了交换评估协议和可编辑舞蹈分数，证明了STREAM作为编舞者协作伙伴的能力。
-
Sakana AI 的 DiffusionBlocks 通过独立训练网络块来减少训练内存
Sakana AI 推出了 DiffusionBlocks，一个用于更高效地训练神经网络的新颖框架。该方法将网络划分为多个块，允许每个块独立训练。通过减少同时处理的层数，DiffusionBlocks 在不牺牲各种架构性能的情况下，显著降低了训练期间的内存需求。该方法利用了残差网络和扩散模型之间的联系，将残差连接视为离散的去噪步骤。