Компьютерные науки > Машинное обучение [представлено 9 сентября 2026 года] Название: View-Structured Contermal provision for 3D Gassian Splating Vieve PDF HTML (экспериментальное) резюме:3D Гауссианская сплаттинг (3DGS) дает новые взгляды в реальном времени, но неопределенность теплокарты не свидетельствует о том, что выставленный вид соответствует определенному прогнозному охвату. Мы рассматриваем синтез новизны как структурированную регрессию и просим, чтобы с вероятностью не менее 1 долл. США в ящиках для прогнозирования RGB была покрыта по меньшей мере 1 долл-бета долларовая доля пикселей в новом виде. Мы предлагаем структурное прогнозирование. Она разделяет масштаб предварительной калибровки на пространственную форму от носителя и переносимый фактор диспергации, который предсказывает наименьший множитель зрения, который формирует потребности. Задержанный квартил (View-CP) затем дает конечный выбор, даже когда переводится в новые сцены. Такая же факторизация делает анализ точным: оценка соответствия представляет собой отношение оракула к предполагаемой сложности обзора, а излишняя ширина отделяется от испытательного и калибровочного терминов. В 13 реальных сценах калибровка в пикселях достигает 89,9/ % от минимального охвата пикселем, но только 61,4/% охвата просмотра при 90-процентном целевом показателе, а Вид-CP достиг 91.7-92.0/%. При параллельном охвате VSCP отрезает ширину на 22,1 /% по постоянному масштабу и соответствует ансамблю из 10 моделей в 21.0 · % с…
Структурированное прогнозирование для 3D госсовского слэтинга
arXiv:2609.10307v1 Annuate Type: новый резюме: 3D Gassian Splating (3DGS) представляет новые взгляды в реальном времени, но тепловая карта с неопределенностями не удостоверяет того, что показываемый вид соответствует определенному прогнозному охвату. Мы рассматриваем синтез новизны как структурированную регрессию и просим, чтобы с вероятностью не менее 1 долл. США в ящиках для прогнозирования RGB была покрыта по меньшей мере 1 долл-бета долларовая доля пикселей в новом виде. Мы предлагаем структурное прогнозирование. Она разделяет масштаб предварительной калибровки на пространственную форму от носителя и переносимый фактор диспергации, который предсказывает наименьший множитель зрения, который формирует потребности. Задержанный квартил (View-CP) затем дает конечный выбор, даже когда переводится в новые сцены. Такая же факторизация делает анализ точным: оценка соответствия представляет собой отношение оракула к предполагаемой сложности обзора, а излишняя ширина отделяется от испытательного и калибровочного терминов. В 13 реальных сценах, калибровка в пикселях re