DCC
PulseAugur coverage of DCC — every cluster mentioning DCC across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架从多视图图像生成可重照亮的3D网格资产
研究人员开发了ExMesh++，一个从多视图图像生成可编辑、可重照亮的网格资产的新框架。该分阶段方法首先在保持UV一致性的同时优化网格几何和拓扑，然后优化UV空间PBR材质贴图和环境光照。该系统还模拟了漫射间接照明，使得导出的资产可以直接用于标准的DCC工作流程。
-
新的 UPCC 框架通过概率监督增强聚类
研究人员引入了一个名为不确定性感知概率约束聚类 (UPCC) 的新框架，以处理聚类任务中更现实、实值的成对监督。该方法解决了现有方法主要关注硬标签的局限性。提出的 ProbPair 目标和 ECI-PP 框架通过估计、纠正和整合信念来完善不完美的监督，在各种基准测试中表现优于当前的深度约束聚类 (DCC) 方法。
-
新框架增强AI共情回应生成能力
研究人员开发了一个动态常识协调框架（DCC），以增强AI模型生成共情回应的能力。该框架通过整合三个模块来解决固定常识表示的局限性：SCE-AttnRes用于上下文常识交互，AGCF用于过滤不相关的常识关系，以及ICAD用于生成过程中的动态常识检索。在Empathetic-Dialogues基准上的实验表明，与基线模型相比，DCC能够提高情感分类准确性和回应多样性。
-
新编译器DCC优化内存处理架构上的机器学习内核
研究人员开发了DCC，这是一种新颖的以数据为中心的编译器，旨在优化内存处理（PIM）架构上的机器学习内核。该编译器通过联合优化数据重排和计算代码优化这两个相互依赖的过程来应对挑战。DCC通过多层抽象支持多个PIM后端，并已展示出显著的加速效果，与仅使用GPU相比，在HBM-PIM上实现了高达7.68倍的加速，在AttAcc PIM上实现了13.17倍的加速。对于端到端的LLM推理，AttAcc上的DCC将GPT-3和LLaMA-2的平…