Technical University of Denmark
PulseAugur coverage of Technical University of Denmark — every cluster mentioning Technical University of Denmark across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
新框架TRUST-TSE解决了EEG引导语音提取中的捷径学习问题
研究人员开发了一个名为TRUST-TSE的新框架，以提高EEG引导目标语音提取的可靠性。该方法解决了捷径学习问题，即模型在单个试验内表现良好，但由于试验特定的EEG模式而无法泛化到新的试验。TRUST-TSE采用两阶段训练过程，包括对比预训练和置信度加权提取目标，以确保模型捕获重要的EEG-语音对齐，同时忽略无关的试验身份线索。在KUL和DTU数据集上的实验表明，TRUST-TSE在跨试验条件下显著优于现有的端到端模型。
-
新方法匹配二维多边形以进行姿态估计
研究人员引入了一种新颖的预训练模型零样本多边形匹配（Z(PM)2）范式，以应对立体图像中二维多边形匹配的挑战。该方法利用Segment Anything Model等预训练模型将分割掩码矢量化为多边形表示，然后采用结合几何约束的全局和局部匹配策略。Z(PM)2在姿态估计方面表现出强大的性能，并引入了用于三维重建的多边形云概念，在多个数据集上超越了现有方法，且无需特定任务的训练。
-
新型Transformer增强3D场景重建和边缘部署
研究人员开发了基于Transformer的新模型，用于从视觉输入进行3D场景重建。DVGT（Driving Visual Geometry Transformer）在无需显式几何先验的情况下，从无姿态的多视图图像中重建密集3D点图，并在多样化的驾驶数据集上进行训练。VG^2GT通过使用冻结的视觉基础模型和体素模块直接回归高斯原始参数来增强高斯溅射，从而降低了训练成本并优于现有方法。QVGGT通过引入量化框架，选择性地应用混合精度和令牌…