Латентные 3D-представления значительно расширили возможности современного моделирования форм, но метод Split-and-Scale позволяет повышать детализацию на этапе вывода с сохранением вычислительных затрат на обучение на приемлемом уровне.
Представлен метод Split-and-Scale для работы с латентными 3D-представлениями, позволяющий повышать детализацию 3D-сцен на этапе вывода с сохранением вычислительных затрат на обучение на приемлемом уровне.
Основная идея метода заключается в представлении 3D-сцен как непрерывных функций координат, что позволяет применять предобученный токенизатор к произвольно малым областям сцены на этапе вывода.
Это позволяет выделять одинаковую латентную ёмкость на меньшую пространственную область, тем самым достигая значительно более высокой детализации по сравнению с традиционными подходами.
Авторы провели обширные эксперименты, изучив компромиссы между вычислительными ресурсами, памятью, латентной ёмкостью и качеством реконструкции.
Результаты показали, что метод достигает качества, сопоставимого с более крупными моделями, которые не помещаются в память одного GPU.
Подтверждена применимость метода для генеративного моделирования: обучен авторегрессионный 3D-генератор, показывающий результаты на уровне современных базовых моделей.
Работа представлена на конференции NeurIPS и опубликована в ноябре 2026 года.
Это краткое изложение. Полный текст статьи доступен на сайте источника:
Читать полностью на AppleКак это касается вашего бизнеса
Новая модель или сервис дают эффект, только если данные и процессы компании к ним готовы. Аудит ИИ-готовности покажет, где ИИ даст максимальную отдачу, а где внедрять его преждевременно.

