Компьютерная наука > Компютерное видение и распознавание модели [представлено 27 октября 2026 года] Название: GPA-VGGT: Геометрия - сохранение ускорения VGGТ View PDF HTML (экспериментальный) Резюме: Feed-ford gemographic Models, такие как VGTT, восстанавливают параметры камер, карты глубины и точечные карты от одного до сотен просмотров в одном переднем проходе, что делает их мощными позвонками для мультивидения 3D восприятия. Вместе с тем, глобальное внимание ГВГТ является квадрическим в количестве систем и доминирует на этапе завершения работы по длинным последовательностям, что стимулировало целый ряд методов обеспечения эффективности без профессиональной подготовки, таких как символическое объединение. Однако эти методы характеризуются снижением точности, что затрудняет их использование вместо VGGT. Мы предлагаем использовать ГПД-VGT, без подготовки кадров метод ускорения, который заменяет глобальное внимание в начальных блоках с уделением особого внимания совместному межрамочному набору K/V. В остальных блоках мы объединяем только ключи и значения, сохраняя при этом все запросы, восстанавливаем массу внимания символов каждого слившегося ключа, а также произвольно проектируем метрику соответствия 128 измерениям для сокращения соответствующих затрат. В рамках различных задач в области геометрии, связанных с несколькими видами зрения, ГПД-VGT обеспечивает свободное от обучения ускорение при ускорении по сравнению с предыдущей работой и сохраняет информацию, необходимую…
ГПД-VGT: Геометрическое ускорение VGGT
arXiv:2610.37000v1 Annuate Type: New Humber: Feed-forwth Gemographic Models, такие как VGGT, восстанавливают параметры видеокамер, карты глубин и карты точек от одного до сотен просмотров в одном переднем проходе, делая их мощными позвонками для многовидового 3D восприятия. Вместе с тем, глобальное внимание ГВГТ является квадрическим в количестве систем и доминирует на этапе завершения работы по длинным последовательностям, что стимулировало целый ряд методов обеспечения эффективности без профессиональной подготовки, таких как символическое объединение. Однако эти методы характеризуются снижением точности, что затрудняет их использование вместо VGGT. Мы предлагаем использовать ГПД-VGT, без подготовки кадров метод ускорения, который заменяет глобальное внимание в начальных блоках с уделением особого внимания совместному межрамочному набору K/V. В остальных блоках мы объединяем только ключи и значения, сохраняя при этом все запросы, восстанавливаем массу внимания символов каждого слившегося ключа, а также произвольно проектируем метрику соответствия 128 измерениям для сокращения соответствующих затрат. В различных мультивиде