Tag · 2 篇
张量分解
分布 高效模型与推理加速13D 视觉与重建1
01 02
ReFTA：突破张量化参数高效微调中的权重重构瓶颈
ReFTA: Breaking the Weight Reconstruction Bottleneck in Tensorized Parameter-Efficient Fine-Tuning
对需要在 ViT-Large 等大模型上做下游适配的视觉研究者，ReFTA 用张量代数消去训练时的权重重构开销，并只微调主张量分量，可在比 LoRA 少 96% 可训练参数的情况下取得更高精度，是替换 LoRA/PiSSA 的即插即用微调方案。
QuadSync：基于 Tucker 分解的四焦点张量同步
QuadSync: Quadrifocal Tensor Synchronization via Tucker Decomposition
把四焦点张量当作可同步的高阶约束，用固定多线性秩 (4,4,4,4) 的 Tucker 分解从 n 个四焦点张量一次性恢复全部相机矩阵，为全局式 SfM 提供比本质矩阵更强的初始化与优化信号；其块张量与三焦点/双焦点张量的联合同步思路可直接替换现有增量式或成对同步流程中的相机位姿求解环节。