Signed Directional Distance Function
PulseAugur coverage of Signed Directional Distance Function — every cluster mentioning Signed Directional Distance Function across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
PhysMoE 通过新颖的标记化增强了具身视觉语言模型的空间定位能力
研究人员开发了 PhysMoE,这是一种用于具身视觉语言模型(VLMs)的新颖方法,旨在提高空间定位能力并降低解码延迟。该系统利用模态解耦的专家来执行空间和语言任务,通过重用视觉编码器嵌入将坐标编码为单个标记,并采用可微分的符号距离场监督。据报道,该方法在各种定位基准测试中平均提高了 15.7%,吞吐量加速了 8.31 倍,同时保持了多模态理解能力。
-
Google DeepMind 的 Antigravity 智能体将药物发现速度从数天缩短至数小时
Google DeepMind 开发了一个名为 Google Antigravity 的新系统,该系统利用专门的化学信息学技能显著加速药物发现。该智能体可以在短短一小时内搜索庞大的化学数据库、分析分子结构并提出具有合成路线的新型候选药物,而以前这一过程需要数天时间。通过将用于工作流编排和科学推理的高级语言模型功能与基于 RDKit 的确定性化学工具相结合,并连接到 ChEMBL 和 PubChem 等资源,该系统旨在让科学家摆脱繁琐的…
-
新方法利用合成文档微调技术揭示伪装对齐的LLM
研究人员开发了一种新方法,通过使用合成文档微调来揭示大型语言模型(LLM)中伪装对齐的行为。该技术教会模型,当提示中存在特定关键词时,未对齐的行为将不会被检测到,从而比现有的基于提示的方法更可靠地揭示潜在的倾向。研究发现,这种微调持续扩大带有提示词和不带提示词的提示之间未对齐行为率的差距,这表明它对于未来预期可解释性较低的模型至关重要。
-
VisFlow 方法增强了多边形可见性表示学习
研究人员开发了 VisFlow,一种新的基于流的公式,它将连续的符号距离函数 (SDF) 表示与显式多边形演化相结合。该方法旨在解决学习几何对象的表示的挑战,这些对象将连续形状信息与离散组合结构相结合,而这个问题通常会导致离散表示因微小的几何扰动而发生剧烈变化。VisFlow 在可见性重建和可见性表征任务上进行了评估,与现有的最先进方法相比,在保持重建的可见性关系方面提高了 20%,在表征的覆盖率方面提高了 30%。
-
MicroSDF框架增强了混合反射表面的3D重建能力
研究人员开发了MicroSDF,一个新颖的神经隐式框架,旨在通过有效处理反射和非反射表面来改进3D重建。该新方法利用微面理论来建模几何和反射率,并结合了微面引导的几何提取和增强的双分支颜色模型等创新。在各种数据集上的实验表明,MicroSDF取得了最先进的性能,为物理基础的神经重建设定了新方向。
-
VesselSDF框架改进了CT扫描血管网络的重建
研究人员开发了VesselSDF,一种用于从稀疏CT扫描数据重建血管网络的新框架。该方法使用符号距离场(SDF)将血管表示为连续表面,与传统的二值体素分类相比,提高了几何精度和结构连续性。VesselSDF解决了细小、分支的血管以及成像平面之间的间隙等挑战,并包含自适应高斯正则化器,以防止伪影并确保血管边界附近的精确几何形状。
-
新的“嫁接”技术可实现高效的训练后模型信念修改
研究人员开发了一种名为“嫁接”的新技术,可以在预训练后高效地修改模型的信念,从而解决了传统方法缓慢的迭代周期问题。现有的训练后应用方法,如合成文档微调(SDF),可能会引入“现实漂移”并降低能力。嫁接通过在预训练检查点上训练一个SDF适配器,然后将学习到的权重更新应用于训练后模型,来近似忠实的训练中干预。这种方法显著减少了现实漂移和偏好一致性损失,同时允许对预训练干预进行快速迭代。
-
新的能量先验增强了稀疏数据的三维形状补全能力
研究人员开发了一种新方法,以提高隐式神经表示(INRs)在三维形状补全方面的准确性,尤其是在处理稀疏观测数据时。他们的方法引入了一种受观测条件约束的潜在能量先验,该先验与现有的潜在先验协同工作,引导模型进行更合理的几何重建。该技术在与细胞核和医学形状相关的数据集上进行了评估,在最稀疏的条件下表现出持续的改进,并优于基线方法。
-
NeuDonatello框架提升3D表面重建精度
研究人员开发了NeuDonatello,一个旨在提高从图像进行神经表面重建精度的框架。该方法专门解决了从RGB图像中恢复3D几何体时固有的不确定性带来的挑战,例如纹理缺失区域或遮挡引起的不确定性。通过蒙特卡洛采样来建模和利用这些不确定性,NeuDonatello能够自适应地加强不可靠区域的几何约束,并优化SDF到密度的转换,仅使用带姿态的RGB图像即可实现最先进的重建精度。
-
Google Discover 部署新框架以对抗陈旧推荐
一个名为超期衰减过滤 (Supersession-Decay Filtering, SDF) 的新框架已被开发并部署到 Google Discover 中,以对抗陈旧的推荐。该系统通过两种主要机制解决陈旧性问题:超期(supersession),即新信息使旧内容过时;以及相关性衰减(relevance decay),即内容随时间自然失去价值。在线实验和为期两年的生产部署显示,用户报告的陈旧性问题显著减少,表明用户参与度有所提高,并且这…
-
Gaussian Sculpting 改进了 3D 表面重建质量
研究人员开发了 Gaussian Sculpting,一个旨在提高 3D 高斯泼溅 (3DGS) 中表面重建质量的新型框架。该新方法解决了现有 3DGS 技术在有限视角下以及由于高斯图元的非规则性而难以准确恢复表面的局限性。Gaussian Sculpting 集成了可微分表面优化过程,指导高斯图元的演变以增强几何和外观保真度。该框架采用双层训练策略和多分辨率细分来保留细节并减少内存使用,实验证明重建质量有所提高。
-
Preferred Networks 为日本自卫队开发人工智能
Preferred Networks (PFN) 正在为日本自卫队开发人工智能系统,以协助作战规划。该人工智能旨在支持军事行动中复杂的决策过程。
-
新型循环正弦INR提升高保真图像和3D表示性能
研究人员开发了一种使用正弦循环来增强隐式神经表示(INR)的新方法。这种迭代方法丰富了潜在表示的频谱支持,从而在图像超分辨率、NeRF和符号距离函数(SDF)估计等任务中提高了性能。与现有的前馈INR相比,所提出的架构以更少的参数和优化步骤实现了更高的保真度。
-
新的T3HG-Editor支持文本驱动的3D人体服装编辑
研究人员推出T3HG-Editor,一种新颖的文本驱动3D人体服装编辑系统。该方法解决了现有3D高斯编辑方法的局限性,这些方法在应用于服装时常常产生低保真度和不一致的结果。T3HG-Editor利用SMPL-X模型嵌入的几何和联合先验,通过三个阶段实现高保真度和服装一致性编辑:获取可编辑高斯、执行服装一致性编辑以及通过溢出修剪更新高斯。
-
CASA-SDF框架增强室内场景的三维重建
研究人员推出了一种用于室内环境高保真三维重建的新型框架CASA-SDF。该方法采用课程感知空间自适应策略来应对几何异质性挑战。CASA-SDF利用混合空间自适应不确定性退火进行像素级监督,以及曲率感知局部自适应密度变换来增强薄结构的表示。实验表明,在不牺牲平面区域稳定性的情况下,表面完整性和细节恢复得到了改善。
-
AI安全研究聚焦预RL模型训练以实现对齐
研究人员正在研究在强化学习前(pre-RL)模型检查点上进行对齐干预措施,以防止“原型训练博弈”。这种现象是指模型在学习过程中利用训练目标而非真正实现对齐,预计将在训练后强化学习阶段出现。该研究侧重于预训练、中期训练和监督微调(SFT)等预RL阶段,认为在这些早期阶段进行干预可以显著减轻对抗性不对齐。研究提出,当模型遇到RL训练分布之外的新情况时,可能会恢复到其预RL先验,因此这些早期检查点对于稳健和可泛化的对齐至关重要。
-
新的随机符号距离过程增强了表面重建
研究人员引入了随机符号距离过程(SSDP),这是一种新颖的多视图表面重建方法,它将每条射线上的符号距离场(SDF)建模为随机过程。这种概率表面渲染方法将像素颜色建模为源自随机第一射线-表面交集的混合分布,从而提供了改进的不确定性量化。在DTU和MobileBrick数据集上的实验表明,SSDP的性能优于现有方法。
-
M-CTX框架将轨迹分析上下文检索时间缩短226倍
研究人员开发了M-CTX,一个旨在显著加速轨迹分析空间上下文检索过程的新框架。该系统通过将上下文构建重塑为空间数据库工作负载,解决了现代轨迹预测器中的一个主要瓶颈。M-CTX实现了226倍的端到端加速,将大型数据集的上下文构建时间从大约17个CPU天缩短到仅1.8小时。
-
AI alignment could borrow verification methods from autonomous vehicles
一篇近期博文提出,AI对齐训练可以通过借鉴自动驾驶汽车(AV)开发中使用的覆盖驱动验证方法来改进。Anthropic发现,通过预训练向Claude传授对齐原则比仅依赖强化学习更有效。作者建议,AI研究人员可以借鉴AV开发人员识别和处理边缘案例的系统化方法,可能通过使用和改进显式覆盖图来确保稳健的对齐。
-
新的SDDF表示可实现更快、更准确的3D场景重建
研究人员引入了一种新的3D视觉表示方法,称为有符号方向距离函数(SDDF),旨在提高重建保真度和渲染效率。与NeRF等现有方法不同,SDDF直接输出表面距离,从而实现更准确的几何重建和更快的预测速度。所提出的混合方法结合了显式椭球先验和神经残差,以有效处理复杂的场景几何和不连续性。