BriefGPT - AI 论文速递 BriefGPT - AI 论文速递 ·

Learning 3D Scene Analogies with Neural Contextual Scene Maps

💡 原文英文，约100词，阅读约需1分钟。
📝

内容提要

本研究提出了一种新颖的神经上下文场景图方法，旨在帮助机器理解未见或嘈杂的三维环境中的场景上下文。该方法通过提取和对齐场景区域的语义和几何信息，提高了在复杂室内场景中识别类比和转移轨迹的能力，具有在机器人和增强现实/虚拟现实中的应用潜力。

🏷️

标签

三维环境 场景图 室内场景 机器人 神经上下文
➡️

继续阅读

  1. 机器人不能停下来等模型：星尘发布 SmoothRL，让在线强化学习跟上大模型的异步推理
    星尘智能发布SmoothRL框架，解决真实机器人异步执行中的在线强化学习问题。该框架仅对实际执行的动作进行学习，并保持训练与部署节奏一致。在投掷、戴笔帽、...
  2. 一台 3D 打印机，为什么藏着 GPT-6 最大的野心？｜硬哲学
    GPT-6 Astra宣传片展示了从画黄色圆圈到生成3D模型，最终通过拓竹P1S打印机变成实物的过程，体现AI从屏幕内容生成进入现实操作。文章认为GUI是...
  3. DeepSeek-V4 模型结构（3）：序列维度（下），HCA、混合排布与零件
    本文详解DeepSeek-V4模型结构：HCA将128个token压缩为一条目，无需稀疏选择；CSA与HCA交错排布，确保全局信息不丢失；滑窗分支弥补压缩...
  4. DeepSeek-V4 模型结构（2）：序列维度（中），Lightning Indexer 与稀疏选择
    本文介绍DeepSeek-V4模型中的压缩稀疏注意力（CSA）机制。KV缓存每4个token压缩为一条，1M上下文仍有26万条目，故用lightning ...
  5. DeepSeek-V4 模型结构（1）：序列维度（上），从 MLA 到压缩 KV
    本文介绍DeepSeek-V4的注意力机制，从MHA到CSA/HCA的演进，重点分析压缩KV缓存的方法。V4将每4或128个token压缩为一条512维K...
  6. DeepSeek-V4 模型结构（0）：一张图看懂 DeepSeek-V4
    本文介绍DeepSeek-V4模型架构：Pro版总参数1.6T、61层，Flash版284B、43层，均采用4条残差流、交错CSA/HCA压缩注意力与Mo...
👤 个人中心
在公众号发送验证码完成验证