SlideBench
PulseAugur coverage of SlideBench — every cluster mentioning SlideBench across labs, papers, and developer communities, ranked by signal.
-
PathSelect框架为视觉-语言模型实现高效的WSI处理
研究人员开发了PathSelect，一个用于高效处理包含数吉像素的整个切片图像（WSIs）与视觉-语言模型的新型框架。该方法将标记剪枝重新构建为序列选择过程，使模型能够自主学习最优路由策略，而不是依赖于静态启发式方法。PathSelect作为主动插件集成到SlideChat基础模型中，冻结幻灯片编码器和大型语言模型，同时引入可微分的Soft Top-K算子和对角线注意力去噪器来管理训练过程中的梯度。在推理时，PathSelect被分离…
-
PathSelect框架解决了视觉语言模型处理WSI的难题
研究人员开发了PathSelect，一个新颖的框架，旨在解决使用视觉语言模型（VLMs）处理千兆像素全切片图像（WSIs）的计算挑战。PathSelect将令牌剪枝重新构建为顺序选择过程，使模型能够学习最优路由策略，而不是依赖静态启发式方法。该方法在训练期间使用带有噪声调制的微分Soft Top-K算子，在推理时使用确定性Hard Top-K算子，显著降低了令牌选择的延迟，并在SlideBench (TCGA)等基准测试中取得了高精度。
-
新方法学习稀疏化图像令牌以实现高效的 AI 推理
研究人员开发了一种新颖的方法，通过将令牌缩减视为一个可训练的稀疏化问题，来处理视觉语言模型中的 Gigapixel 全切片图像。这种方法在新的 arXiv 论文中有所详述，它允许模型学习视觉令牌的最佳选择策略，这与之前使用非训练下采样或启发式剪枝的方法不同。提出的解耦路由架构和 SparseLearn 组件能够通过剪枝过程进行梯度传播，最终在推理过程中以最小的计算开销将视觉序列缩减为稀疏的 32 个令牌。该技术在 SlideBench…