动态场景渲染是一个有趣而又具有挑战性的问题。尽管基于NERF的当前方法已经达到了令人满意的性能，但它们仍然无法达到实时水平。最近，由于其出色的渲染质量和实时速度，3D高斯（3DGS）（3DGS）引起了研究人员的关注 ...

在本文中，我们介绍了Salsanext，以实时对完整的3D激光点云进行不确定性感知的语义分割。 Salsanext是Salsanet [1]的下一个版本，该版本具有一个编码器架构，其中编码器单元具有一组重新网络块，而解码器部件结合了从残差块中的UPS采样功能。与Salsanet相反，我们引入了一个新的上下文模块，用新的残留扩张卷积堆栈替换Resnet编码器块，并逐渐增加接受场，并在解码器中添加Pi ...

我们提出了一种新型的变形隐式场（DIF）表示，用于建模类别的3D形状并在形状之间产生密集的对应关系。使用DIF，一个3D形状由整个类别共享的模板隐式字段以及3D变形字段和每个形状实例专用的校正字段表示。可以使用其变形字段轻松建立形状对应关系 ...

大型语言模型（LLM）具有解决具有挑战性和看不见的推理问题的卓越能力，在表格学习方面拥有巨大的潜力，这对于许多现实世界的应用程序至关重要。在本文中，我们提出了一种新颖的上下文学习框架 FeatLLM，该框架采用 LLM 作为特征工程师来生成最适合表格预测的输入数据集。生成的特征用于通过简单的下游机器学习模型（例如线性回归）推断类别可能性，并产生高性能的小样本学习 ...

适当的损失（例如跨凝性激励分类器）产生的类概率在训练数据上得到了很好的校准。由于概括差距，这些分类器倾向于在测试数据上过度自信，强制校准方法（例如温度缩放）。焦点损失不合适，但是已经证明对其进行训练通常会导致分类器在测试数据上可以更好地校准 ...

大型语言模型（LLM），例如OpenAI发布的ChatGpt，由于其展示的能力为各种任务生成高质量的内容，因此引起了行业和学术界的极大关注。尽管LLM具有令人印象深刻的能力，但人们对它们在新闻，教育和软件工程等各个领域的潜在风险越来越担心。最近，已经提出了一些商业和开源LLM生成的内容探测器，但是，该探测器主要用于检测自然语言内容而无需考虑程序代码的具体特征 ...

大型语言模型（LLM）在代码生成方面取得了显着进度。现在，确定代码是否为AI生成并确定所使用的特定模型至关重要，尤其是为了保护行业中的知识产权（IP），并防止在编程练习中作弊。为此，已经进行了几次尝试将水印插入机器生成的代码中 ...

这项工作提出了一种无培训的方法来检测LLMS生成的代码，从而减轻与其不加区分使用的风险。据我们所知，我们的研究是第一个研究零射击检测技术应用于Chatgpt等高级Black-Box LLM生成的代码的零射击技术。首先，我们发现现有的基于培训或零照片的文本检测器在检测代码方面无效，这可能是由于代码结构中发现的独特统计属性所致 ...