实体
Gram-Schmidt process
Gram-Schmidt process
PulseAugur coverage of Gram-Schmidt process — every cluster mentioning Gram-Schmidt process across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的HSR框架增强了从RGB到高光谱图像的细节传输
研究人员开发了一种新的RGB引导高光谱超分辨率（HSR）框架，解决了现有方法的局限性。该框架结合了跨模态流对齐和基于模型的Gram-Schmidt正交化融合，以改善从高分辨率RGB图像到低分辨率高光谱图像的空间细节传输。它被设计为轻量级、可解释和灵活的，无需重新训练即可支持各种光谱支持和尺度因子。在Real基准和自定义双摄像头设置上的实验表明，与现有的学习融合基线相比，重建精度得到了提高，处理速度也显著加快。
-
Gram-Space框架大幅降低神经符号AI的内存使用
研究人员推出Gram-Space，一个旨在解决神经符号AI内存瓶颈的新型压缩框架。该框架利用Gram-Schmidt过程，在一个紧凑的正交坐标系中表示码本向量，为VSA算子保留了重要的点积结构。在神经符号推理数据集上的基准测试表明，Gram-Space可以将GPU内存使用量显著降低高达15.75倍，并将推理延迟提高高达3.62倍，从而提高这些工作负载的硬件利用率。
-
新的神经姿态先验模型使用归一化流进行人体运动捕捉
研究人员开发了一种使用归一化流（specifically leveraging RealNVP）对人体姿态进行神经先验建模的新颖方法。该方法通过在训练过程中反转Gram-Schmidt过程，解决了在有效6D旋转流形上学习分布的复杂性。该框架无关的架构和训练流程旨在实现可复现性，并为将姿态先验集成到人体运动捕捉和重建流程中提供坚实的概率基础。