Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 25 февраля 2026 года, последний пересмотренный вариант от 22 октября 2026 (эта версия v2)) Название: Hybrid-PCGC: Hibral Point Geometry Compligation Briging Mode and Immilicit Neural Fision View PDF HTML (экспериментальный) Резюме: Эффективное позиционное сжимание облаков (PCGC) имеет существенно важное значение для применения 3D в области зондирования, таких как автономное вождение и цифровые близнецы. Гибридные методы сочетают в себе обобщение извлеченных моделей с адаптацией имплицитных нейронных представительств (ИКР), однако существующие системы часто используют сложные архитектуры, жесткие стратегии обновления и послеучебное сжатие веса, что ограничивает эффективность адаптации и увеличивает накладные расходы по битстриму. В настоящем документе предлагается использовать гибрид-ПХГК, который формулирует компрессионное сжатие как проблему распределения битрата в общей геометрии и модели и оптимизирует удельные зачеты веса по конкретным случаям в качестве переменных скорости передачи. Он отделяет набор данных-агнотического предварительного моделирования от адаптации к конкретным случаям по четырем компонентам: замороженный общий модуль (GMF), двойной адаптивный модуль (DTAM), регулятор адаптационной области (ASC) и модуля компрессии под контролем (SOCM). КЖПО охватывает глобальные геометрические особенности, в то время как эффективность параметров DTAM адаптируется к облакам отдельных точек.…
Гибрид-ПХГК: гибридная геометрия облаков с помощью компрессионной модели на основе обобщений и имплицитного нейронного представления
arXiv: 2602,21662v2 Annuales Type: заменить резюме: эффективное сжимание облаков (PCGC) имеет важное значение для применения 3D-диагностики, таких как автономное вождение и цифровые близнецы. Гибридные методы сочетают в себе обобщение извлеченных моделей с адаптацией имплицитных нейронных представительств (ИКР), однако существующие системы часто используют сложные архитектуры, жесткие стратегии обновления и послеучебное сжатие веса, что ограничивает эффективность адаптации и увеличивает накладные расходы по битстриму. В настоящем документе предлагается использовать гибрид-ПХГК, который формулирует компрессионное сжатие как проблему распределения битрата в общей геометрии и модели и оптимизирует удельные зачеты веса по конкретным случаям в качестве переменных скорости передачи. Он отделяет набор данных-агнотического предварительного моделирования от адаптации к конкретным случаям по четырем компонентам: замороженный общий модуль (GMF), двойной адаптивный модуль (DTAM), регулятор адаптационной области (ASC) и модуля компрессии под контролем (SOCM). КЖПО захватывает глобальный геом