Tag · 4 篇

高斯混合模型

分布 3D 视觉与重建2鲁棒性与安全1生成模型与扩散1

Variational Graph-based Normal Integration

把法向积分从规则网格推广到非结构化点集，用有向加权图 + 双分量高斯混合后验显式建模深度不连续，可直接用于散乱点云/稀疏采样的表面重建与深度补全。

GPFlow: Gaussian Prototype Probability Flow for Unsupervised Multi-Modal Anomaly Detection

用可学习高斯原型构造协方差感知的信息瓶颈（后验均值路径路由），替代离散原型记忆库，可直接迁移到少样本工业质检、多模态（RGB+点云/深度）异常检测的特征重建环节。

Flow4DGS-SLAM: Optical Flow-Guided 4D Gaussian Splatting SLAM

用相机自运动模型拟合光流来生成类别无关的运动掩码，从而分离静态与动态高斯，并顺带给出光流引导的相机位姿初始化；这套「光流分解 + 掩码」的做法可直接迁移到任何需要区分动静区域的动态 NeRF/3DGS 重建或动态 SLAM 前端。

Flow Matching for Multimodal Distributions

把源分布从单一高斯换成数据自适应的混合高斯，并配合模式相关的数据耦合，可让流匹配模型的传输路径更短更直，从而在更少训练轮次和采样步数下取得更优 FID；这一「源-耦合协同设计」思路可直接迁移到图像/视频流匹配生成器的训练加速上。