Crisp
PulseAugur coverage of Crisp — every cluster mentioning Crisp across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Hydra++ 通过物体形状估计推进实时三维场景图构建
研究人员开发了 Hydra++，一个用于实时构建分层三维场景图的新系统。该系统通过集成基于学习的估计器来增强物体级形状估计，改进了依赖粗糙几何或通用模板的现有方法。Hydra++ 包含拒绝不准确预测的机制，并可与混合激光雷达-相机配置配合用于大规模室外环境，在模拟和真实场景中均展示了重建质量的提升。
-
CRISP模型通过预测性预训练融合相机-雷达数据用于自动驾驶
研究人员开发了CRISP，一种专为自动驾驶设计的新型时空骨干网络，它融合了相机和雷达数据。与需要特定任务监督的先前模型不同，CRISP采用基于预测的方法进行预训练，从历史传感器输入预测未来的LiDAR点云。这种方法允许模型学习可重用的表示，而在部署时无需LiDAR，仅依赖相机和雷达。在nuScenes数据集上的实验表明，CRISP在提高预测准确性方面非常有效，并且在检测、跟踪和规划等各种下游驾驶任务中具有很强的可迁移性。
-
新的CRISP框架超越语言先验诊断视觉语言模型空间推理能力
研究人员推出CRISP，一个旨在诊断视觉语言模型（VLMs）视觉空间智能的新评估框架。CRISP旨在通过评估感知与显式推理之间的一致性来区分真正的空间推理和语言先验。该框架利用度量3D场景图和神谕干预协议来识别感知与推理之间的脱节，发现专有模型在准确估计方面存在困难，而开源模型则缺乏多跳推理能力。
-
研究发现：模块化抓取方法优于端到端方法
一篇新的研究论文调查了用于机器人抓取的物体姿态和形状估计方法的成熟度。研究发现，先估计物体姿态和形状再进行抓取采样的模块化方法，优于端到端的抓取合成方法。这些模块化方法对于较小的物体尤其有效，尽管由于当前估计技术的局限性，它们在杂乱场景中的性能可能会下降。研究还探讨了通过引入视觉语言模型来增强这些方法，以实现语言条件下的抓取。
-
新的CRISP框架自动化病理WSI分析
研究人员开发了CRISP，一个用于分析数字病理学中多个全切片图像（WSIs）的无监督框架。该两阶段系统首先减少单个WSI内的冗余，然后使用聚类来选择整个病例的代表性图像块集。CRISP旨在捕捉病例级别的异质性并作为检索索引，通过利用目前在多WSI病例中被忽视的信息，有可能改善诊断和治疗计划。
-
新研究探索人工智能和量子计算在生成模型和控制中的应用
研究人员正在探索先进的机器学习技术来增强量子计算能力。一篇论文介绍了潜在条件参数化量子电路（LPQCs）作为量子态分布的通用逼近器，有望改进量子生成模型。另一项研究提出了一个用于鲁棒开放量子系统控制的多任务强化学习框架，在噪声环境中展示了高保真度。此外，一种名为CRiSP的新方法使用强化学习来优化变分量子算法的初始状态，优于现有方法。最后，量子强化学习被应用于过程合成问题，与经典方法相比显示出具有竞争力的可扩展性和效率。