AIMS
PulseAugur coverage of AIMS — every cluster mentioning AIMS across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
PaSteer框架增强了关键点描述符的旋转鲁棒性
研究人员引入了一个名为PaSteer的新框架,以提高关键点描述符对旋转的鲁棒性。传统方法由于僵化地应用群表示,在面对较大的平面内旋转时常常遇到困难。PaSteer通过基于图像对内相对旋转的经验分布来衡量等变性,提供了一种更灵活的方法。该框架包含两种变体,PaSteer-soft和PaSteer-free,它们允许更宽松的转向图。在Roto-360和MegaDepth-1500等数据集上的实验表明,PaSteer增强了旋转鲁棒匹配,尤其…
-
新框架提升3D新视角合成效率与质量 · 跟踪3个来源
研究人员开发了三个新的新视角合成框架,旨在提高3D内容创作的效率和质量。NAMVIS将该过程重新表述为自回归下一尺度预测,在Objaverse等基准测试中,其速度和质量均优于扩散模型。RDGSplat从冻结的3D基础模型中解码独立的渲染几何体,在不改变模型原始度量预测的情况下增强新视角合成。AIMS通过使用锚点视图整合大量观测信息,提供了一个可扩展的解决方案,并保持固定的全局视图预算以实现高效渲染。
-
新研究通过新颖的训练方法解决生成式推荐的准确性问题
研究人员为生成式推荐系统开发了新的训练策略,以提高排名准确性。其中一种方法在提交给arXiv的一篇论文中详细介绍,重点关注在处理训练数据中的遗漏目标时,将监督与概率竞争分离开来。使用OneRec和Amazon生成器进行的实验表明,消除这种竞争可以显著改善排名指标。另一篇论文介绍了一种用于指令引导的LLM推荐器的非对称干预引导边距监督(AIMS),旨在通过关注边距改进而非绝对分数,更好地平衡当前请求与历史用户偏好。
-
新型智能体AI框架AIMS改进了ISAC模型的仿真到现实迁移
研究人员推出AIMS,一个智能体AI框架,旨在改进多模态集成传感与通信(ISAC)模型的仿真到现实迁移能力。AIMS通过使用自然语言请求来推导配置和协调任务模型生成,解决了适应仿真管线以满足特定部署需求的挑战。该框架采用两智能体架构进行场景构建和学习,利用结构化领域知识和验证反馈来优化决策。在DeepSense 6G数据集上的实验表明,与基线方法相比,AIMS改进了车辆检测和波束预测。
-
新的意图感知训练提升了LLM安全分类器
研究人员开发了一种通过显式建模用户意图来提高大型语言模型安全分类能力的新方法。他们引入了AIMS,这是一个包含1,724个安全提示及其相关意图描述和危害标签的数据集。该数据集被用于评估各种训练技术,包括监督微调(SFT)和直接偏好优化(DPO)。研究发现,整合意图信息显著提高了安全分类器的性能,特别是在使用GRPO(一种强化学习技术)来奖励意图忠实时,在多个基准测试中取得了最佳结果。