Deco
PulseAugur coverage of Deco — every cluster mentioning Deco across labs, papers, and developer communities, ranked by signal.
- 2026-05-11 research_milestone A new paper introduces the DECO sparse Mixture-of-Experts architecture. 来源
2 天有情绪数据
-
新的DECO框架通过减少搜索空间来加速有向无环图学习
研究人员开发了一个名为DECO（方向性证据引导配置优化）的新框架，以提高从观测数据中学习有向无环图（DAG）的效率。这种非参数混合方法利用依赖关系和方向性证据预先构建合理的父集，从而显著减小优化搜索空间。实验表明，DECO可以在保持各种DAG类型上具有竞争力的结构恢复性能的同时，指数级地减小配置空间。
-
新方法 PixelDense 和 Persistence Forcing 提升扩散模型性能
研究人员开发了两种新颖的技术来增强像素空间扩散模型。PixelDense 通过分别对齐语义和几何特征来改进训练，从而在图像重建和编辑等任务上获得更好的性能。Persistence Forcing (PerF) 利用扩散 Transformer 中的特征专业化，为编码全局结构与局部细节的特征分配不同的细化预算，从而提高了 ImageNet 上的图像生成质量。
-
新的DeCO方法增强了细粒度视觉分类的数据集蒸馏能力
研究人员推出了一种新的数据集蒸馏方法DeCO，旨在改进细粒度视觉分类。与以往关注全局图像统计信息的方法不同，DeCO优先保留局部证据，如物体部件和纹理。该技术将蒸馏构建为有预算的判别性证据保留，利用预训练的教师模型识别信息性图像块，实现多样化覆盖，并将这些区域组织成类别证据库。然后，将这些证据库组合成紧凑的网格图像，用于训练下游模型。在CUB-200-2011、FGVC-Aircraft和Stanford Cars等数据集上的实验表明…
-
新的DECO框架提升了在无GNSS区域的无人机视觉定位能力
研究人员开发了DECO，一个旨在提高低空无人机（UAV）在无法使用全球导航卫星系统（GNSS）的环境中视觉定位能力的新型框架。传统方法在通常缺乏垂直结构的参考地图上会遇到困难，导致姿态估计不准确。DECO通过利用深度信息推断局部表面几何形状，并识别无人机图像与参考地图之间的共视区域来解决这个问题，从而提高特征匹配和姿态精度。
-
新方法生成合成工业异常数据以改进检测
两篇新研究论文UniScale和DeCo，引入了在工业环境中生成合成异常数据的新方法。UniScale采用了一种误差抑制多尺度训练策略和一种生成后去噪方法，以生成任意尺度的、高保真的异常样本，从而提高下游检测性能。DeCo通过将异常结构与其源产品解耦，然后将其与目标产品纹理重新耦合，采用零样本方法，并结合产品兼容性校正来提高融合精度。这两种方法都旨在解决工业异常检测面临的重大挑战——真实世界异常数据稀缺的问题。
-
新型 DECO 模型通过触觉传感推进双臂机器人操作
研究人员推出了一种新颖的解耦多模态扩散 Transformer 模型 DECO，专为双臂灵巧操作而设计。该系统通过专门的条件通路有效地整合了视觉、本体感觉和触觉信号。与 DECO 模型一同发布的还有 DECO-50 数据集，该数据集包含在真实双臂机器人上收集的 50 小时双臂操作任务数据。DECO 在真实世界评估中表现出色，平均成功率为 72.25%，在使用轻量级触觉适配器后，成功率进一步提高了 10.25%。
-
新研究优化稀疏专家混合模型以实现高效的LLM扩展
研究人员正在探索优化稀疏专家混合（SMoE）模型的新方法，这对于高效扩展大型语言模型至关重要。一篇论文揭示了路由器和专家之间的几何耦合，表明匹配的方向会累积相似的路由令牌历史，并且辅助负载均衡损失会破坏这种结构。另一项研究系统地分析了超过2000次预训练运行，以优化专家数量和粒度等设计选择，发现这些因素比共享专家或负载均衡机制等其他因素影响更大。第三篇论文介绍了DECO，一种专为端侧设备设计的SMoE架构，它以显著更少的激活参数匹配密…
-
Deco框架使用LLM和AR为物理对象创建数字具身
研究人员开发了Deco，一个通过同步数字具身与用户物理对象来创建AI伴侣的框架。该系统使用大型语言模型和增强现实技术，以增强人们与毛绒玩具等实体物品的情感联系。研究表明，与标准的数字伴侣相比，Deco增强了感知到的陪伴感和情感联系，用户表现出持续的参与度和改善的幸福感。