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.
6 天有情绪数据
-
新的TFD-SfM方法从非标定图像中恢复相机姿态
研究人员开发了一种新颖的无跟踪密集运动恢复结构(TFD-SfM)方法,该方法无需精确的度量初始化和已知的相机内参。该方法将每个像素匹配建模为3D高斯分布,允许不可靠的匹配具有更大的方差,从而减少对优化的贡献。TFD-SfM在多个基准测试中表现出与现有方法相当的性能,包括在ETH3D上取得领先结果,通过从非标定图像集中恢复准确的相机姿态、内参和密集几何。
-
AI系统以显著的准确性识别高风险妊娠
丹麦技术大学(DTU)的研究人员开发了一个AI系统,能够以显著的准确性识别高风险妊娠。该系统分析各种数据点以标记潜在并发症,旨在改善产前护理和治疗效果。
-
新研究推动3D高斯飞溅技术在压缩和真实世界视频领域的进步
近期3D高斯飞溅(3DGS)的研究重点在于改进压缩、处理不同步视频以及增强前馈方法。GSCV++通过优化预处理和映射,为GS序列提供轻量级压缩。Phase-DGS使用语义阶段而非精确时间戳来解决从不同步多视角视频重建场景的挑战。多篇论文探索了OctreeSplat和GradSplat等前馈方法,旨在无需每场景优化即可预测3D场景,而HIBS(分层增量Beta飞溅)和SplatAnything等则引入了新技术,以在各种条件下实现更鲁棒和准确的重建。
-
GeoGSplat 采用几何基础方法推进高斯溅射技术
研究人员开发了 GeoGSplat,一种将几何先验知识融入高斯溅射技术的新方法,以改进新视角合成和三维重建。与先前将基元对齐到像素或使用固定数量非像素对齐高斯的方法不同,GeoGSplat 使用双分支编码器来捕获粗略的三维结构和细粒度的场景特征。这种几何基础框架在 DTU 和 NRGBD 数据集上表现出卓越的性能,尤其是在处理大视角变化方面。
-
新的六边形图元增强了3D场景渲染和重建
研究人员推出了一种利用紧凑型六边形图元进行3D场景渲染和重建的新方法——Honeycomb-Surfels (Hexels)。该方法旨在提高内存和计算效率,优于现有的辐射场和splatting技术。Hexels在各种数据集上展示了显著的性能提升,提供了更高的PSNR和更低的训练VRAM需求,同时在2D图像表示方面也显示出潜力。
-
CVTSplat方法使用自适应图进行更快的3D重建 · 跟踪到2个来源
研究人员开发了CVTSplat,一种利用自适应质心Voronoi图(CVTs)进行多视图重建的新颖方法。该方法通过保持规则、形状良好的单元,改进了标准的Voronoi图,从而显著加快了计算速度。CVTSplat将图站点集中在物体表面附近,从而能够利用专门的GPU算法进行更快的处理。该方法实现了与领先的高斯溅射表面技术相当的几何精度,同时仅需在单个GPU上进行约2.5分钟的训练。
-
DriftNeRF 通过惩罚密度不一致来改进稀疏视图神经辐射场
研究人员开发了 DriftNeRF,这是一种新颖的正则化器,旨在提高仅有稀疏输入视图可用时神经辐射场 (NeRF) 的性能。该方法解决了现有 NeRF 方法中的一个核心限制,即渲染损失不会惩罚不同观察射线对同一 3D 点的矛盾密度分配。DriftNeRF 在训练过程中引入了一种机制来显式测量和惩罚这种跨射线密度不一致。该正则化器无需预训练模型、外部几何或额外图像即可应用,并在基准数据集上展示了视图合成质量的显著改进。
-
模拟应用加速电动卡车电池设计和寿命
欧洲大学和行业合作伙伴组成的联盟开发了一款模拟应用程序,以提高电动卡车电池的寿命和鲁棒性。该应用程序是LaserBATMAN项目的产品,使用COMSOL Multiphysics软件构建,允许Volvo Group Trucks Operations测试电池性能并优化组件设计,特别关注激光焊接工艺。该工具旨在延长长途电动汽车的电池寿命。
-
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。
-
苹果研究:双语预训练在超参数调优方面提升LLM性能
来自Apple Machine Learning Research和丹麦技术大学的研究人员发现,将来自高资源语言(如英语)的数据与低资源目标语言(如阿拉伯语)混合,可以显著提高模型性能。这种双语预训练方法被证明比激进的超参数调优更有效,尤其是在模型规模增加的情况下。这项研究涉及了约1000次不同模型规模的预训练运行,表明数据混合在验证损失方面提供了相当于2-3倍的独特目标数据的好处,在下游任务准确性方面则提供了2-13倍的好处。
-
NEUROTOKEN系统增强了在嘈杂环境中进行听觉注意力解码的能力
研究人员开发了NEUROTOKEN,一种新颖的听觉注意力解码(AAD)系统,旨在通过识别听众在嘈杂环境中正在关注哪个说话者来解决鸡尾酒会问题。该系统利用了一个名为ATTUNEFLOW的条件流匹配头,该头根据给定脑电图(EEG)数据的可能性对候选音频流进行评分。NEUROTOKEN在声源-AAD准确性方面显示出显著的改进,并减少了跨被试方差,在多个数据集上的试次级融合准确率超过93%。
-
RouteBridge框架增强NeRF和3D高斯泼溅的蒸馏
研究人员开发了RouteBridge,一个新颖的双向框架,旨在改进神经辐射场(NeRF)和3D高斯泼溅(3DGS)之间的蒸馏过程。该系统自适应地为每条光线选择教学方向,结合光度残差和几何证据,将监督从NeRF路由到3DGS,或反之亦然,或在必要时弃权。该框架取得了显著的改进,在mip-NeRF 360数据集上,NeRF和3DGS的导出分别达到28.56和28.77 dB,优于现有方法。
-
ZipMVS方法显著降低了3D重建的内存使用量
研究人员开发了一种新颖的多视图立体匹配(MVS)方法ZipMVS,旨在显著降低内存消耗,同时保持高质量的3D重建。该方法采用独特的深度假设策略,可以大幅压缩代价体量,使其适用于航空航天和自主系统等资源受限的应用。在DTU和Tanks and Temples数据集上的实验表明,与专注于效率的其他MVS技术相比,ZipMVS在重建精度和GPU内存使用量之间提供了具有竞争力的平衡。
-
新方法使用球形占用率剖面图进行3D重建和生成
研究人员开发了一种使用球形占用率剖面图进行3D重建和生成的新颖方法,该剖面图表示射线占用率概率。该方法通过利用多视图3D高斯重建来统一判别式和生成式任务。该系统在Google Scanned Objects数据集上取得了出色的性能,其生成式流程建立在剖面图VAE和潜在扩散模型之上,可实现可调的多解重建。
-
新框架利用极线几何进行稀疏视图三维重建
研究人员开发了EpiS,一个新颖的神经表面重建框架,旨在克服从稀疏多视图图像创建准确三维模型的挑战。与依赖简化特征统计的先前方法不同,EpiS明确利用极线几何来聚合不同视图中对应线上的详细几何信息。该框架包含一个用于多视图信息融合的极线变换器和一个利用预训练单目深度模型进行几何正则化的策略,以增强稀疏视图场景下的性能。
-
新方法支持从 3D 高斯泼溅场景创建结构化资产
研究人员开发了 Manifold-GS,一种从 3D 高斯泼溅 (3DGS) 场景创建结构化资产的新颖方法。与传统的 3DGS 不同,Manifold-GS 将外观不透明度与几何质量分开,并将类表面高斯表示为离散的无定向 varifold。这种方法允许导出置信度认证的开放表面块,同时将未认证的内容保留为残差泼溅,从而提高了 3D 场景作为结构化资产的可用性。
-
丹麦一所大学计划逐步淘汰笔试和纸质考试,引发教师抗议
丹麦技术大学(DTU)计划从2027/2028学年开始取消笔试和纸质考试。这一决定引发了DTU物理系和DTU纳米实验室35名教育工作者的抗议,他们认为传统工具是物理学学习和工艺不可或缺的一部分。他们质疑对ChatGPT等AI工具在考试设计中的依赖,认为这可能会损害基本的工程理解。
-
G2SR 方法提供快速、内存高效的 3D 表面重建
研究人员开发了 G2SR,一种使用基于高斯的 3D 表面重建技术的新型快速且内存高效的方法。与需要大量计算资源现有的端到端神经网络方法不同,G2SR 利用轻量级神经网络前端进行 2D 样条检测和用于 3D 三角化的分析后端。这种混合方法在 ScanNet 和 Replica 等基准数据集上实现了与最先进方法相当的几何精度,同时大大减少了内存占用并提高了重建速度。
-
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。