Radar: Fast Long-Context Decoding for Any Transformer 
 Transformer 模型已在广泛的应用中表现出非凡的性能。尽管构成了 Transformer 模型的基础，但点产生的关注并不能很好地扩展到长篇小说数据，因为其时间要求随上下文长度而倍增。在这项工作中，我们提出了雷达，这是一种无训练的方法，通过动态搜索最重要的上下文 Token 来加速推理 ...
0 0 0 2025/04/19 arXiv:2503.10571v1 jiangnan
Learning Clustering-based Prototypes for Compositional Zero-shot Learning 
从见证的组成中学习原始的（即属性和对象）概念是组成零摄入学习（CZSL）的主要挑战 ...
0 0 0 2025/04/19 arXiv:2502.06501v2 wozengyi
SAM2MOT: A Novel Paradigm of Multi-Object Tracking by Segmentation 
细分任何2（SAM2）启用使用分割的鲁棒单对象跟踪。为了将其扩展到多对象跟踪（MOT），我们提出了SAM2MOT，并通过分割范式引入了一种新颖的跟踪。与通过检测或通过查询跟踪跟踪，SAM2MOT直接生成从分割掩码的跟踪框，从而降低了对检测准确性的依赖 ...
0 0 1 2025/04/19 arXiv:2504.04519v2 silent
DynamicDet: A Unified Dynamic Architecture for Object Detection 
动态神经网络是深度学习的新兴研究主题。通过自适应推断，动态模型可以实现出色的准确性和计算效率。但是，设计一个强大的动态检测器是一项挑战，因为没有合适的动态体系结构和退出对象检测标准 ...
0 0 0 2025/04/19 arXiv:2304.05552v1 19396386025
REPA-E: Unlocking VAE for End-to-End Tuning with Latent Diffusion Transformers 
在本文中，我们解决了一个基本问题：“我们可以以端到端的方式训练潜在扩散模型以及变异自动编码器（VAE） Token 吗？”传统的深入学习智慧表明，在可能的情况下通常可以端对端训练。但是，对于潜在扩散 Transformer ，可以观察到使用标准扩散损失的端到端训练VAE和扩散模型无效，甚至导致最终性能降解。我们表明，尽管扩散损失是无效的，但可以通过表示形式对准（REPA）损失来解锁端到端训练 -  ...
0 0 0 2025/04/19 arXiv:2504.10483v1 flynnamy
DyPNIPP: Predicting Environment Dynamics for RL-based Robust Informative Path Planning 
信息性路径计划（IPP）是针对各种现实世界机器人应用（例如环境监视）的重要计划范例。 IPP涉及计划一条可以在遵守计划限制的同时，可以准确地了解兴趣数量的道路。传统的IPP方法通常需要在执行过程中进行较高的计算时间，从而产生增强学习（RL）的IPP方法 ...
0 0 0 2025/04/19 arXiv:2410.17186v1 hanju
Sketch-guided Image Inpainting with Partial Discrete Diffusion Process 
在这项工作中，我们研究了素描引导的图像介绍的任务。与经过充分探索的自然语言指导图像介绍（在捕获语义细节方面擅长的图像）不同，相对较少的素描引导的介绍提供了更大的用户控制，以指定对象的形状并构成构图。作为该任务的早期解决方案之一，我们引入了一种新型的部分离散扩散过程（PDDP） ...
0 0 0 2025/04/19 arXiv:2404.11949v1 likelike
Active Token Mixer 
现有的三个主导网络家族，即CNN，变形金刚和MLP，主要在融合空间上下文信息的方式上彼此不同，从而使设计在骨干建筑开发的核心中更有效地混合混合机制 ...
0 0 0 2025/04/19 arXiv:2203.06108v2 flyaway

来一起翻译吧！


为了您和其他读者获得更好的阅读体验，请您勇敢地改进翻译，特别是一些显而易见的机器翻译错误。


虽然我们追求卓越，但我们并不要求翻译十全十美，因此请不要担心您翻译有误 —— 我们的服务器已经记录所有的翻译，您不必担心会因为您的失误导致无法挽回的破坏。（改编自维基百科）