高效的去除天气影响多专家模型：基于不确定性感知的特征线性调制
原文中文，约400字，阅读约需1分钟。发表于：。我们提出了一个高效的 Mixture-of-Feature-Modulation-Experts（MoFME）架构，通过权重共享在一组专家中隐式地实例化多个专家。同时，我们还提出了一种具有良好校准权重的不确定性感知路由器（UaR），以将任务特定的特征分配给不同的 FM 模块，从而使 MoFME 能够有效地学习多个任务的不同专家功能。在多去污任务上进行的实验证明，我们的 MoFME...
我们提出了高效的MoFME架构和UaR路由器，能够学习多个任务的不同专家功能。实验证明，MoFME在图像恢复质量方面优于基准，并且参数节省超过72％，推理时间节省39％以上。在下游分割和分类任务上的实验进一步证明了MoFME的普适性。
