本文提出了一种名为SNOWS的一次性后训练剪枝框架，旨在降低视觉网络推理成本而无需重新训练。该方法通过无海森优化解决深层网络表示的挑战，并在多项基准测试中取得了先进结果。

本文介绍了一种名为AlterMOMA的新剪枝框架，解决相机-LiDAR融合模型中的特征冗余问题。通过替代模态屏蔽和重要性评估函数AlterEva，有效识别冗余参数，提升自动驾驶感知能力，性能优于现有方法。