TurboVGGT: Fast Visual Geometry Reconstruction with Adaptive Alternating Attention
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；Foundation Model Department, Huawei（华为基础模型部门）
本文提出TurboVGGT，通过自适应稀疏全局注意力和帧注意力实现高效多视图3D重建，在保持重建质量的同时提升效率。
2026-10-15 cs.CV
Adaptive Sampling Towards Fast Graph Representation Learning
Tencent AI Lab（腾讯人工智能实验室）；Australian National University（澳大利亚国立大学）
图卷积网络已经成为学习图的顶点表示的重要工具。在大规模图上适配GCN的主要挑战是可扩展性问题，由于不可控的邻域扩展，它在计算和存储方面都产生了巨大的成本。在本文中，我们通过开发一种自适应分层采样方法来加速GCN的训练。通过自顶向下逐层构造网络，以上层节点为条件对下层节点进行采样，采样邻域由不同的父结点共享，由于采样大小固定，避免了网络的过度膨胀。更重要的是，所提出的采样器是自适应的，适用于显式方差减少，这反过来又增强了我们的方法的训练。此外，我们提出了一种新颖且经济的方法，通过应用跳过连接来促进消息在远程节点上传递。在多个基准上的实验验证了该方法在提高分类精度的同时具有更快的收敛速度。
2018-11-19 cs.CV
A propagation matting method based on the Local Sampling and KNN Classification with adaptive feature space
State Key Laboratory of Software Engineering, Wuhan University（武汉大学软件工程国家重点实验室）；School of Computer Science, Wuhan University（武汉大学计算机学院）
Closed Form是一种基于传播的抠图算法，在具有良好传播性的图像上运行良好。闭合形式方法的不足之处在于，对于图像传播较差的复杂区域，例如孔洞区域或狭长结构区域。正确的结果通常很难得到。在这些区域，如果提供一定的标志，可以提高席子的效果。本文设计了一种基于局部采样和KNN分类器传播的抠图算法。首先，根据图像颜色的不同成分建立相应的特征空间，减少前景和背景重叠的影响，提高KNN分类器的分类精度。其次，根据样本性能的优劣，自适应地采用局部采样或采用局部KNN分类器对未知图像区域进行处理。最后，根据对未知区域的不同处理方法，采用不同的权值对约束进行扩充，使处理更加有效。本文采用定性观察与定量分析相结合的方法，通过在线标准评价测试集对实验结果进行评价。实验结果表明，对于传播性较好的图像，该方法与封闭形式方法一样有效，而对于复杂区域的图像，该方法的性能甚至优于封闭形式方法。
2016-05-03 cs.CV
AdaFrame: Adaptive Frame Selection for Fast Video Recognition
Georgia Institute of Technology（佐治亚理工学院）；Salesforce Research（赛富时研究院）；University of Maryland（马里兰大学）
我们提出了AdaFrame，一个框架，自适应地选择相关的帧在每输入的基础上快速视频识别。AdaFrame包含一个长短期记忆网络，该网络增强了全局记忆，该全局记忆提供上下文信息，用于搜索随时间推移使用哪些帧。AdaFrame使用策略梯度方法进行训练，生成预测，确定下一个要观察的帧，并计算效用，即，预期的未来回报，在每个时间步看到更多的帧。在测试时，AdaFrame利用预测工具来实现自适应前瞻推理，从而在不降低准确性的情况下降低整体计算成本。在FCVID和ActivityNet两个大规模视频基准上进行了大量的实验。AdaFrame在FCVID和ActivityNet上分别仅使用8.21和8.65帧的所有帧的性能相匹配。我们进一步定性地证明了学习框架的使用可以表明分类决策的难度;更容易的样本需要更少的框架，而更难的样本需要更多的框架，无论是在同一类中的实例级还是在不同类别之间的类级。
2019-04-10 cs.CV
Content-adaptive Representation Learning for Fast Image Super-resolution
深度卷积网络在图像复原和增强中引起了极大的关注。通常，通过构建越来越多的卷积块来提高恢复质量。然而，这些方法大多学习一个特定的模型来处理所有图像，忽略了难度的多样性。换句话说，在图像中的一个区域与高频往往会失去更多的信息在压缩过程中，而一个区域与低频往往会失去less.In这篇文章中，我们解决的效率问题，在图像SR结合块式滚动网络（PRN）的内容自适应恢复图像根据难度级别。针对现有研究中忽略难度多样性的问题，我们采用神经网络的不同阶段进行图像复原。此外，我们提出了一个滚动策略，利用每个阶段的参数更灵活。大量的实验表明，我们的模型不仅表现出显着的加速，但也保持了最先进的性能。
2021-05-20 cs.CV
Spatially-Adaptive Pixelwise Networks for Fast Image Translation
Technion（以色列理工学院）；Adobe Research（奥多比研究院）
我们引入了一个新的生成器架构，旨在快速，高效的高分辨率图像到图像的翻译。我们将生成器设计为全分辨率图像的一个非常轻量级的函数。事实上，我们使用的是逐像素网络;也就是说，每个像素都是通过简单的仿射变换和非线性的组合来独立处理的。我们采取了三个重要步骤来为这样一个看似简单的函数提供足够的表达能力。首先，逐像素网络的参数在空间上是变化的，因此它们可以代表比简单的1x 1卷积更广泛的函数类。其次，这些参数是由一个快速卷积网络预测的，该网络处理输入的低分辨率表示;第三，我们用空间坐标的正弦编码来增强输入图像，这为生成逼真的新颖高频图像内容提供了有效的归纳偏差。因此，我们的模型比最先进的基线快18倍。我们实现了这种加速，同时在不同的图像分辨率和翻译域中生成可比的视觉质量。
2020-12-05 cs.CV
Linearized Alternating Direction Method with Adaptive Penalty and Warm Starts for Fast Solving Transform Invariant Low-Rank Textures
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Peking University（北京大学）
变换不变低秩纹理（TILT）是一种新颖而强大的工具，可以有效地纠正从2D图像的3D场景中的丰富的低秩纹理类，尽管显着的变形和腐败。现有的求解TILT的算法是基于交替方向法（ADM）的。它具有高计算成本，并且理论上不能保证收敛到正确的解。在本文中，我们提出了一种新的算法，以加快解决TILT，保证收敛。我们的方法是基于最近提出的线性化交替方向自适应惩罚法（LADMAP）。为了进一步减少计算量，还引入了热启动，以更好地初始化变量并降低奇异值分解的成本。在人工数据和真实数据上的大量实验结果表明，该算法比现有算法更有效、更鲁棒。至少比之前的方法快五倍。
2013-01-29 cs.CV
Input-Adaptive Visual Preprocessing for Efficient Fast Vision-Language Model Inference
Faculty of Computer Science, University of Brawijaya（计算机科学学院，布拉维亚大学）
本研究提出一种自适应视觉预处理方法，通过动态调整输入分辨率和空间覆盖，显著提升视觉语言模型的推理效率。
2025-12-23 cs.CV
AReA: Adaptive Receptive-Field Attention for Efficient High-Resolution Diffusion Transformers
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）
AReA是一种随去噪进程演化感受野的无训练注意力机制，可高效解决高分辨率DiTs图像生成的结构失真与细节退化问题，性能优于现有无训练基线且效率更高。
2026-10-14 cs.CV
Fast Adaptive Bilateral Filtering
Indian Institute of Science（印度科学学院）
在经典的双边滤波器中，使用固定的高斯范围核以及用于边缘保持平滑的空间核。我们认为这个过滤器的泛化，所谓的自适应双边过滤器，其中的中心和宽度的高斯范围内核是允许改变从像素到像素。虽然这种变体最初是为了锐化和噪声去除而提出的，但它也可以用于其他应用，例如伪影去除和纹理过滤。与双边滤波器类似，自适应滤波器的蛮力实现需要大量的计算。虽然在文献中已经提出了几种快速算法用于双边滤波，但它们中的大多数仅适用于固定范围的核。本文提出了一种自适应双边滤波的快速算法，其复杂度不随空域滤波器宽度的变化而变化。这是基于这样的观察，即可以使用适当定义的局部直方图纯粹在范围空间中执行相关滤波。我们表明，通过用多项式代替直方图，用积分代替有限范围空间和，我们可以用解析函数近似滤波器。特别是，一个有效的算法是使用以下创新：多项式拟合匹配其时刻的目标直方图（这是使用快速卷积），并使用部分积分递归计算的解析函数。我们的算法可以加速至少$20 \times$的蛮力实现，没有明显的失真的视觉质量。我们证明了我们的算法锐化，JPEG去块，纹理滤波的有效性。
2018-11-06 cs.CV
Adaptive area-preserving parameterization of open and closed anatomical surfaces
Massachusetts Institute of Technology（麻省理工学院）；Indian Institute of Technology Delhi（印度理工学院德里分校）
开放和封闭解剖表面的参数化在许多生物医学应用中具有根本的重要性。球谐函数是定义在单位球面上的一组基函数，广泛用于解剖形状的描述。然而，在物体表面和整个单位球面之间建立一对一的对应关系可能会在表面的形状与完美球面相差太大的情况下引起大的几何失真。在这项工作中，我们提出了自适应的面积保持参数化方法的简单连接的开放和封闭的表面的参数化的目标是一个球冠。我们的方法优化了参数域的形状以及从物体表面到参数域的映射。物体表面将以面积保持的方式全局映射到单位球面的最佳球冠区域，同时还表现出低的共形失真。我们进一步开发了一组球谐基函数定义的自适应球冠域，我们称之为自适应谐波。实验结果表明，所提出的参数化方法优于现有的开放和封闭的解剖表面的面积和角度失真的方法。采用自适应参数化和自适应谐波相结合的方法，可以有效地实现物体表面的表面描述。我们的工作提供了一种新的方式映射解剖表面，提高了准确性和更大的灵活性。更广泛地说，使用自适应参数域的想法允许容易地处理各种各样的生物医学形状。
2021-11-08 cs.CG cs.CV q-bio.QM
FastBO: Fast HPO and NAS with Adaptive Fidelity Identification
The University of Western Australia（西澳大利亚大学）
本文提出FastBO多保真度贝叶斯优化方法，通过自适应识别每个配置的高效点和饱和点来确定保真度，并可将任意单保真度方法扩展到多保真度设置。
2024-09-01 cs.AI cs.CV cs.LG
BiAdam: Fast Adaptive Bilevel Optimization Methods
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；University of Pittsburgh（匹兹堡大学）
近年来，由于超参数最优化和Meta学习等多种应用，双层优化在机器学习领域引起了越来越多的关注。虽然最近已经提出了许多双层方法，这些方法没有考虑使用自适应学习率。众所周知，自适应学习率可以加速优化算法。为了填补这一空白，本文提出了一种新的快速自适应双层框架来求解外部问题可能为非凸而内部问题为强凸的随机双层最优化问题.我们的框架使用统一的自适应矩阵，包括多种类型的自适应学习率，并可以灵活地使用动量和方差减少技术。特别是，我们提供了一个有用的收敛性分析框架的双层优化。具体来说，我们提出了一个快速的单循环自适应双层优化（BiAdam）算法，它实现了一个样本的复杂度为$\tilde{O}(ε^{-4})$找到一个$ε$ -固定的解决方案。同时，我们提出了一种加速的BiAdam算法（VR-BiAdam），它达到了$\tilde{O}(ε^{-3})$的最佳样本复杂度.据我们所知，我们首先研究了自适应学习率的自适应双层最优化方法。在数据超清洗和超表示学习任务上的实验结果证明了算法的有效性。
2023-02-18 cs.CV cs.LG math.OC
SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients
University of Pittsburgh（匹兹堡大学）
自适应梯度法在解决许多机器学习问题中表现出了优异的性能。虽然最近研究了多种自适应梯度法，但它们主要集中在经验或理论方面，并且仅通过使用特定的自适应学习率来解决特定的问题。因此，需要设计一个通用的框架，为实际的自适应梯度算法与理论保证，以解决一般问题。为了填补这一空白，我们提出了一个更快和通用的自适应梯度框架（即，SUPER-ADAM）通过引入一个通用的自适应矩阵，包括大多数现有的自适应梯度形式。此外，我们的框架可以灵活地集成动量和方差减少技术。特别是，我们的新框架提供了自适应梯度法的收敛性分析支持下的非凸设置。在理论分析中，我们证明了我们的SUPER-ADAM算法可以实现最佳已知梯度（即，随机一阶预言（SFO））复杂度的$\tilde{O}(ε^{-3})$寻找一个$ε$ -平稳点的非凸优化，它匹配的下界随机光滑非凸优化。在数值实验中，我们使用各种深度学习任务来验证我们的算法始终优于现有的自适应算法。代码可在https://github.com/LIJUNYI95/SuperAdam上获得
2022-05-11 cs.CV cs.LG math.OC
Fast adaptive elliptical filtering using box splines
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Navarra（纳瓦拉大学）
我们证明，它是可能的过滤图像与椭圆形窗口的大小，伸长和方向不同，每像素的固定计算成本。我们的方法涉及到一个合适的全球预积分器的应用程序，其次是逐点自适应定位网格。我们提出的基本理论的一维情况下，使用B样条形式主义，然后适当地将其扩展到二维径向均匀箱样条。这些径向均匀盒样条的大小和椭圆度是自适应控制的。此外，随着阶数的增加，它们收敛于高斯。最后，我们提出了一种快速实用的方向滤波算法，具有适应局部图像特征的能力。
2009-08-27 cs.CV cs.IT math.IT
Meta-Learning with Adaptive Hyperparameters
Seoul National University（首尔国立大学）
尽管它的普及，最近的一些作品的有效性MAML的问题时，测试任务是不同的训练任务，从而提出了各种任务条件的方法来改善初始化。我们没有寻找更好的任务感知初始化，而是关注MAML框架中的一个补充因素，即内环优化（或快速自适应）。因此，我们提出了一个新的权重更新规则，大大提高了快速适应过程。具体来说，我们引入了一个小型元网络，可以自适应地生成每步超参数：学习率和权重衰减系数。实验结果表明，超参数自适应学习（ALFA）是当前少样本学习方法中经常被忽视的一个重要组成部分。令人惊讶的是，使用ALFA从随机初始化进行快速自适应已经超过了MAML。
2020-12-08 cs.CV cs.LG
Geometry-based Adaptive Symbolic Approximation for Fast Sequence Matching on Manifolds
Arizona State University（亚利桑那州立大学）
在本文中，我们考虑的问题，快速和有效的索引技术的序列演变在非欧空间。这个问题在人类活动分析领域有几个应用，其中需要在非常高维的空间中执行快速搜索和识别。当在非欧几里德环境中自然地研究诸如地标、轮廓和人体骨架等表示时，这个问题变得更具挑战性，在非欧几里德环境中，即使是简单的操作也比它们的欧几里德对应物更加计算密集。我们提出了一个几何和数据自适应的符号框架，使部署快速和准确的算法，活动识别，动态纹理识别，主题发现。为此，我们提出了推广的关键概念的分段聚合和符号逼近的情况下，非欧几里德流形。我们表明，可以取代昂贵的测地线计算与更快的符号计算的准确性损失不大的活动识别和发现应用。该框架是通用的，足以跨欧几里德和非欧几里德空间的工作，这取决于适当的特征表示，而不影响超低带宽，高速度和高精度。所提出的方法非常适合于实时系统和低复杂度的场景。
2015-02-13 cs.CV math.DG
Stroke Controllable Fast Style Transfer with Adaptive Receptive Fields
Zhejiang University（浙江大学）；Alibaba-Zhejiang University Joint Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）；Arizona State University（亚利桑那州立大学）；Deepwise AI Lab（深睿人工智能实验室）；University of Sydney（悉尼大学）
快速风格转换方法最近被提出来实时地将照片转换成艺术风格。这项任务涉及控制风格化结果中的笔画大小，这仍然是一个开放的挑战。本文提出了一种笔画可控型的传输网络，它可以实现连续的、空间的笔画大小控制。通过分析影响笔画大小的因素，我们建议明确考虑感受野和风格图像尺度。我们提出了一个StrokePyramid模块来赋予网络自适应的感受野，以及两种训练策略来实现更快的收敛并分别在训练模型上增加新的笔画大小。通过结合所提出的运行时控制策略，我们的网络可以实现笔划大小的连续变化，并在同一输出图像的不同空间区域中产生不同的笔划大小。
2018-10-19 cs.CV eess.IV
Fast ADMM Algorithm for Distributed Optimization with Adaptive Penalty
Rutgers, The State University of New Jersey（罗格斯大学，新泽西州立大学）
我们提出了新的方法来加快收敛的交替方向乘法（ADMM），一个常见的优化工具，在大规模和分布式学习的背景下。该方法通过在每次迭代中自动确定参数一致性所需的约束惩罚，加快了收敛速度。此外，我们还提出了一个扩展的方法，自适应地确定最大迭代次数来更新惩罚。我们表明，这种方法有效地导致一个自适应的，动态的网络拓扑结构的分布式优化。新的惩罚更新计划的实用程序证明了合成和真实的数据，包括计算机视觉应用的分布式运动恢复结构。
2015-06-30 cs.CV cs.LG math.OC
