最近，隐式神经表示因基于学习的3D重建而广受欢迎。在证明有希望的结果的同时，大多数隐式方法仅限于单个对象的简单几何形状，并且不扩展到更复杂或大规模的场景。隐式方法的关键限制因素是它们简单的完全连接的网络体系结构，该结构不允许将本地信息整合到观测值中或结合诸如翻译均衡等电感偏见 ...
时间序列预测在各个行业（包括金融，运输，能源，医疗保健和气候）中具有重要的重视。尽管线性网络在建模时间依赖性方面的计算成本低和有效性，但大多数现有研究都集中在定期采样和完全观察到的多元时间序列上，因此广泛使用线性网络。但是，在实践中，我们经常遇到不规则的多元时间序列，这些时间序列为特征在于可变抽样间隔和缺失值 ...
大型语言模型（LLM）经常遭受幻觉的困扰，对现实世界的应用构成了重大挑战。估计模型预测的潜在不确定性的置信校准对于增强LLMS的信任度至关重要。现有对LLM校准的研究主要集中于短形式的任务，在响应水平（宏校准）下提供了单个置信度评分 ...
自回归（AR）大语言模型（LLM）在众多任务中表现出显着的成功。但是，AR建模范式提出了一定的局限性。例如，现代自回旋LLM经过培训，一次产生一个 Token ，这可能会导致明显的延迟。最近的进步表明，搜索和重复采样可以通过在推断期间利用更多的计算资源来提高各种应用程序（例如定理证明，代码生成和对齐方式）的性能 ...
我们提出了Phycage，这是从单个图像中产生物理上合理组成3D资产的第一种方法。给定输入图像，我们首先为资产组件生成一致的多视图图像。然后将这些图像拟合到3D高斯脱落表示形式 ...
最近，由于其高质量的渲染和有效的生产过程，Radiance场渲染（例如3D Gaussian Expratting（3DG））在VR含量创造中表现出了巨大的潜力。但是，现有的3DGS基于物理的交互系统只能执行简单且非现实的模拟，或者要求广泛的用户输入复杂场景，这主要是由于没有场景的理解。在本文中，我们提出了Live-GS，这是一个由LLM提供支持的高度现实的交互式VR系统 ...
在我们的日常生活中，可相互作用的物体无处不在。 3D生成模型的最新进展使得可以自动化这些对象的建模，从而使从3D打印到创建机器人仿真环境的一系列应用程序受益。但是，尽管在建模3D形状和外观中已经取得了重大进展，但由于零件间运动所施加的物理约束，对对象物理（尤其是对于可相互作用的对象）进行建模仍然具有挑战性 ...
检测不熟悉或意外图像的能力对于安全部署计算机视觉系统至关重要。在分类的背景下，检测模型训练域之外图像的任务称为分布（OOD）检测。尽管对开发事后检测方法的研究兴趣越来越大，但关于这些方法在没有在干净，精心策划的数据集中训练的基础分类器时，这些方法的性能很少 ...
