LERF
PulseAugur coverage of LERF — every cluster mentioning LERF across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新方法应对3D高斯泼溅存储挑战 · 2篇论文
两篇新研究论文解决了降低3D高斯泼溅（3DGS）模型存储需求方面的挑战。第一篇ClunoGS提出了一个统一的优化框架，结合了语义感知高斯稀疏化和向量量化，以在激进压缩下保持渲染质量和语义准确性。第二篇迭代高斯概要（Iterative Gaussian Synopsis）引入了一种自顶向下的“展开”方案，通过自适应剪枝和共享锚点码本，从全分辨率3DGS表示中逐步推导出更粗糙的细节层次（LOD）模型。这两种方法都旨在通过显著减小模型尺寸同…
-
GeoBridge框架为几何视觉演进可迁移的解码器拓扑
研究人员推出了GeoBridge，一个旨在为几何视觉任务发现可迁移解码器拓扑的演进框架。该系统优化了解码器内部的计算，使其能够跨不同应用（如深度估计和高斯重建）重复使用。GeoBridgeNet-A3在NYU Depth V2和KITTI数据集的深度精度方面表现出色，并在RealEstate10K的高斯新视角合成方面取得了优异的成绩，表明了在几何视觉中可重用解码器设计的潜力。
-
新的LeRF框架增强了视觉语言模型的视角能力
研究人员推出了一种名为LeRF的新型框架，旨在增强视觉语言模型（VLMs）的视角能力。LeRF使VLMs能够构建和利用显式的参考系来进行依赖于视点的推理，解决了它们普遍倾向于默认使用相机视角的缺点。该系统选择性地预测和锚定参考系，然后将其渲染到图像上，以辅助后续推理，而无需外部感知模型或3D重建。在各种视角推理基准上的评估表明，LeRF在提高空间智能和从不同视角进行推理方面是有效的。
-
VCAR 方法在无需训练的情况下增强了3DGS分割
研究人员开发了VCAR，一种新颖的、无需训练的3D高斯喷溅（3DGS）语义分割方法。该方法通过关注视图完整性和轴感知边界细化，解决了现有方法中存在的训练开销和分割边界模糊等局限性。VCAR采用粗到精的策略，利用多视图投票和球形螺旋采样，在无需每场景训练的情况下精确勾勒物体边界并提高分割精度。