在这项工作中，我们提出了一种用于3D高斯脱落的新颖详细方法（LOD）方法，该方法可以实时渲染内存约束的设备上的大型场景。我们的方法引入了层次结构的LOD表示，迭代地基于相机距离选择高斯人的最佳子集，从而在很大程度上减少了渲染时间和GPU存储器的使用情况。我们通过应用深度感知的3D平滑过滤器来构建每个LOD级别，然后进行基于重要性的修剪和微调以保持视觉保真度 ...

神经体系结构搜索（NAS）已成为Automl的关键组成部分，也是自动化深神经网络设计的标准工具。最近，通过仅使用无培训指标估算真正的建筑性能，无培训的NAS作为新兴范式成功降低了基于标准培训的NAS的搜索成本。然而，这些度量标准的估计能力通常会在不同的任务上有所不同，这使得仅使用一个无培训指标就可以在各种任务上实现稳健且始终如一地搜索性能 ...

高级AI代理的快速发展以及这些代理的许多实例的迫在眉睫的部署将产生前所未有的复杂性的多代理系统。这些系统构成了新颖和探索不足的风险。在本报告中，我们通过确定基于代理人的激励措施以及七个关键风险因素（信息不对称，网络效应，选择压力，破坏动态的动态，承诺问题，新兴的机构和多代理机构的稳定，稳定的稳定，差异），通过确定三种关键失败模式（差异，冲突和勾结）来提供这些风险的结构化分类法 ...

时间序列之间的关系可以被利用为学习有效预测模型中的归纳偏见。在层次时间序列中，序列的子集之间的关系诱导了预测值的硬约束（分层电感偏见）。在本文中，我们提出了一种基于图的方法，以在时间序列预测深度学习的背景下统一关系和等级归纳偏见 ...

从弱标记的（例如，图像标签）学习语义分割是具有挑战性的，因为很难从稀疏的语义标签中推断致密的对象区域 ...

深度学习彻底改变了计算机视觉，但它使用深层网络体系结构取得了巨大的成功，这些网络体系结构主要是手工制作的，因此很可能次优。神经体系结构搜索（NAS）旨在通过遵循定义明确的优化范式来弥合这一差距，该优化范式在鉴于客观标准（例如最大分类精度），该优化范式系统地寻找最佳体系结构。但是，NAS的主要局限性是其天文学计算成本，因为它通常需要从头开始训练每个候选网络体系结构 ...

本文已在2024 D＆B曲目中接受。有害模因在中国互联网上激增，而研究中国有害模因的研究显着落后，因为没有可靠的数据集和有效的探测器。为此，我们专注于对中国有害模因的全面发现 ...

引用视频对象细分（RVO）的目的是基于文本描述整个视频中的目标对象。由于其在视频编辑和人类代理互动中的有希望的应用，该任务引起了计算机视觉领域的越来越多的关注。最近，推荐通过从验证的基础图像模型中调整对象级视力语言知识，在这项任务中表现出了令人鼓舞的表现 ...