Gromov--Wasserstein
PulseAugur coverage of Gromov--Wasserstein — every cluster mentioning Gromov--Wasserstein across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的DMW方法为复杂数据结构提供可扩展的比较
研究人员开发了一种名为距离矩阵Wasserstein (DMW)的新方法，以更有效地比较图和点云等复杂数据结构。该方法将计算密集型的Gromov--Wasserstein (GW)距离问题放松为一系列Wasserstein统计量，用于比较随机距离矩阵的分布。DMW被证明是GW的下界，其差距受采样误差控制，并通过切片和多尺度变体提供可扩展的计算。实验表明，DMW在各种应用中有效地充当了结构比较的代理。
-
新方法提升了 Gromov-Wasserstein 距离的可扩展性
研究人员开发了新的方法，使 Gromov-Wasserstein (GW) 距离更具可扩展性和计算效率。一种方法，min Generalized Sliced Gromov Wasserstein (min-GSGW)，使用广义切片器学习异构数据集的兼容映射，从而以更低的成本实现几何匹配和形状分析。另一种方法，Sliced Inner Product Gromov Wasserstein Distances，用内积成本解决了 GW 问…
-
新方法创建伪配对用于无配对智能手机ISP迁移
研究人员开发了一种新颖的无配对智能手机图像信号处理器（ISP）迁移方法，解决了在无直接配对的情况下对齐RAW和RGB图像的挑战。他们的方法利用DINOv2的语义嵌入和Gromov-Wasserstein最优传输来创建RAW和RGB数据之间的伪配对。这使得训练一个参数量仅为7000的紧凑型卷积神经网络（CNN）成为可能，该网络专注于色彩渲染，以提高稳定性和减少伪影。该方法在NTIRE 2026智能手机ISP学习挑战赛中，凭借在SSIM和…
-
研究人员提出用于多视图关系嵌入的Gromov-Wasserstein方法
研究人员开发了基于Gromov-Wasserstein的新方法，用于从多视图关系数据中学习低维表示，特别是在不同视图具有不同底层几何形状时。提出的Bary-GWMDS方法直接使用距离矩阵创建一致性嵌入，以保持共享的关系结构，有效处理非线性失真。此外，Mean-GWMDS-C通过平均距离矩阵并学习通过一致性Gromov-Wasserstein传输的表示，提供了一种以聚类为中心的方法，在各种数据集上显示出稳定且几何上合理的结果。