Tag · 6 篇
自适应计算
YOLO-Master：基于专用Transformer的MOE加速增强实时检测
YOLO-Master: MOE-Accelerated with Specialized Transformers for Enhanced Real-time Detection
将稀疏混合专家（MoE）与动态路由引入YOLO框架，实现按场景复杂度自适应分配计算资源，为实时目标检测提供可复用的高效计算范式。
面向扩散 Transformer 的区域自适应采样
Region-Adaptive Sampling for Diffusion Transformers
对做扩散 Transformer 推理加速的人，这篇给出了一个可直接套用的免训练策略：用上一步输出判定 DiT 关注的语义区域，只对这些区域对应的词元做前向更新，其余词元复用缓存噪声，从而在 Stable Diffusion 3、Lumina-Next-T2I 上取得 2 倍以上加速；该「按区域分配更新比例」的思路可迁移到视频 DiT 与可控生成管线中。
通过理解与求解推理循环实现类人抽象视觉推理
Human-like Abstract Visual Reasoning via Understanding and Solving Reasoning Loop
把「理解模块—求解模块」的循环交互与基于一致性的自适应停止机制引入视觉推理，可作为在少样本图形规则归纳任务上替代一次性前向推理的可复用架构思路。
面向自适应与成本感知视觉惯性里程计的双智能体强化学习
Dual-Agent Reinforcement Learning for Adaptive and Cost-Aware Visual-Inertial Odometry
用轻量强化学习智能体动态决定视觉前端是否运行以及融合权重，为资源受限平台上的视觉惯性里程计提供了一种可复用的计算调度思路。
自适应容量自回归视觉跟踪
Adaptive Capacity Autoregressive Visual Tracking
把扩散模型当作时序难度预测器，用来动态切换高/低容量推理模式，为视觉跟踪提供了一种「按需计算」的自回归框架；该思路可迁移到任何需要在线调节推理开销的时序视觉任务。
面向多模态大语言模型的更词元化的图像词元化方法
A More Word-like Image Tokenization for MLLMs
DiVT 将图像块嵌入聚类成语义单元，使视觉词元更接近离散词元，并动态调整词元预算，为视觉-语言模型提供了一种不修改编码器与语言模型即可降低视觉词元数量与延迟的即插即用方案。