10:32官方账号arXiv cs.LG@Bjoern Andres, Silvia Di Gregorio, Jannik Irmai, Lucas Fabian Naumann, Shengxian Zhao这篇论文对Irmai等人(2024)提出的图多分隔符问题展开多面体研究,该问题用于图像分割,是提升多割问题的替代方案。作者从整数线性规划(ILP)公式出发,用可高效判定的图论条件刻画了ILP不等式诱导的所有面。他们进一步强化不等式,描述了若干多分隔符多面体的额外面。对于路径图且考虑所有顶点对分离的情况,得到了全对偶整数(TDI)描述。论文还证明奇数环不等式诱导的面不会从多分隔符多面体迁移到布尔二次多面体,并揭示了多分隔符多面体与提升多割多面体互为某面的投影关系。论文多分隔符问题多面体整数规划推荐理由:搞图分割优化的话,这篇把多分隔符问题的多面体结构讲清楚了,还给了路径情况的完整刻画,值得翻翻。原文稍后读已读值得跟进有用关注 多分隔符问题
01:48官方账号Meta AI@AIatMeta精选SYNAPS-I项目由Berkeley Lab领导,使用Meta的SAM 3和DINOv3模型自动化图像分割。DINOv3提供全局语义和细粒度空间定位,SAM 3进行像素级边界提取。两者结合将3D体积标注所需时间从一个月(约43200分钟)压缩到约15分钟。该项目旨在加速科学发现并支持美国能源部的Genesis任务。AI模型SAM 3DINOv3Meta推荐理由:Berkley Lab用Meta的SAM 3和DINOv3组合,把3D图像标注从一个月缩短到15分钟,效率提升近3000倍,搞科研的小伙伴可以关注。原文稍后读已读值得跟进有用关注 SAM 3
14:28官方账号arXiv cs.AI@Songsong Yu, Yuxin Chen, Ying Shan, Yanwei Li精选统一多模态模型(UMMs)试图在单一架构中整合视觉理解与视觉生成,但现有训练范式将两者解耦,导致表征空间错位。本文首次系统研究生成式后训练,发现高层语义任务(如图像分割)可作为最优代理,通过提供结构语义来增强视觉感知和生成布局保真度。作者提出语义生成调优(SGT)范式,利用分割作为生成代理对齐多模态能力。机制分析表明SGT改善了特征线性可分性和视觉-文本注意力分配。实验证明SGT在主流基准上持续提升多模态理解和生成保真度。论文统一多模态模型生成式后训练图像分割推荐理由:做多模态模型训练的团队终于有了一个能同时提升理解和生成的后训练方法——SGT用分割任务对齐表征空间,比解耦训练更高效,做视觉AI的开发者可以直接参考代码实现。原文稍后读已读值得跟进有用关注 统一多模态模型