CVPR

Progressive Supernet Training for Efficient Visual Autoregressive Modeling

渐进式超网络训练用于高效的视觉自回归建模

Xiaoyue Chen, Yuling Shi, Kaiyuan Li, Huandong Wang, Yong Li, Xiaodong Gu, Xinlei Chen, Mingbao Lin

机构 * Tsinghua University, China（清华大学） ； Shanghai Jiao Tong University, China（上海交通大学） ； Rakuten, Singapore（Rakuten） 纠错

AI总结 VARiant通过渐进式超网络训练实现高效视觉自回归建模，减少内存消耗并提升部署灵活性。

Comments Submitted to CVPR 2025. 10 pages, 7 figures

PUP 3D-GS: Principled Uncertainty Pruning for 3D Gaussian Splatting

PUP 3D-GS: 3D高斯散射的原理性不确定性修剪

Alex Hanson, Allen Tu, Vasu Singla, Mayuka Jayawardhana, Matthias Zwicker, Tom Goldstein

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

AI总结 PUP 3D-GS通过原理性不确定性修剪技术，在更高压缩比下保持视觉质量和前景细节，提升渲染速度并优化图像质量。

Comments CVPR 2025, Project Page: https://pup3dgs.github.io/

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2025, pp. 5949-5958