Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 26 октября 2026 года] Название: Beyond the Explaye: Wiener-Informed Decoding for Facility Transfication of Pixel-Space Flow Models View PDF HTML (экспериментальное) Резюме: Обучающиеся поля скорости непосредственно в пространстве пикселя трудны и медленные. Мы показываем, что тяжелая статистика изображений второго порядка может облегчить эту задачу: замороженные оценки Wiener улучшают процесс обучения скорости, при этом выгоды выходят за рамки линейных прогнозов, которые они явно предоставляют. Кроме того, мы наблюдаем аналогичные, но взаимодополняющие выгоды от замороженных баз и декодирования пикселя. Эти наблюдения стимулируют декодирование с учетом информации Винера (WiD), которое использует статистические знания как для прямого прогнозирования, так и для организации вычислений декодеров без изменения местных блоков. WiD сочетает тренируемый путь прогнозирования Винера с интерфейсами коэффициентов, которые вводят характеристики местного декодера и возвращают его прогнозируемую коррекцию коэффициента, причем эти компоненты инициализируются со статистикой данных. Все введенные параметры, включая спектр и преобразования координат, обучаются совместно под первоначальной целью скорости пикселя-пространства. В рамках моделей и декодерных архитектур WID ускоряет подготовку кадров и повышает качество генерации при умеренных накладных параметрах. Кроме того, она позволяет получать более плавные…
Помимо оценки: разукрупнение с информацией о винере для более легкой подготовки моделей потока пикселя и космического пространства
arXiv: 261 030,36192v1 Annuales Type: новый резюме: поля обучения скорости непосредственно в пикселе трудны и медленные. Мы показываем, что тяжелая статистика изображений второго порядка может облегчить эту задачу: замороженные оценки Wiener улучшают процесс обучения скорости, при этом выгоды выходят за рамки линейных прогнозов, которые они явно предоставляют. Кроме того, мы наблюдаем аналогичные, но взаимодополняющие выгоды от замороженных баз и декодирования пикселя. Эти наблюдения стимулируют декодирование с учетом информации Винера (WiD), которое использует статистические знания как для прямого прогнозирования, так и для организации вычислений декодеров без изменения местных блоков. WiD сочетает тренируемый путь прогнозирования Винера с интерфейсами коэффициентов, которые вводят характеристики местного декодера и возвращают его прогнозируемую коррекцию коэффициента, причем эти компоненты инициализируются со статистикой данных. Все введенные параметры, включая спектр и преобразования координат, обучаются совместно под первоначальной целью скорости пикселя-пространства. В масштабах модели и в деко