.png){kind=icon}
返回
Dynamic-Parameterized Reconstruction Model for Resource-Aware Spatial Intelligence
.png){kind=icon}
OA
AI
DOI：10.3390/s26082355.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动驾驶中的空间智能需要对象级3D几何信息，但现有的单目网格重建方法通常采用固定的推理路径和单一的网格参数化，这限制了其在异构资源约束下的灵活性。为解决此问题，我们提出了DyPRSI，一种用于单目车辆3D重建的动态参数化框架，该框架在单一模型中提供多个预定义的精度-延迟操作点。DyPRSI在共享的Res2Net–BiFPN主干中插入两个早期出口，并将每个出口与出口特定的网格规格关联，形成跨网络深度的粗到精重建层次结构。为更好地匹配浅分支的效率要求，DyPRSI采用轻量级坐标分类关键点解码用于EE1和EE2，同时保留主分支中的热图回归关键点头以保持重建精度的上限。ApolloCar3D上的实验表明，DyPRSI-Main实现了具有竞争力的重建性能，而EE1和EE2显著减少了端到端推理延迟，并在不同资源需求下提供了有用的替代方案。消融研究进一步表明，速度提升主要来自轻量级分支特定的关键点头，而出口特定的网格设置有助于组织跨分支的稳定粗到精重建行为。这些结果表明，DyPRSI是资源感知空间智能的实用单目车辆重建框架。
Keyword:
monocular 3D reconstruction
early exit
resource-aware inference
spatial intelligence
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Wang, Z. 3D Representation Methods: A Survey. arXiv 2024, arXiv:2410.06475. [Google Scholar] [CrossRef]王, Z. 3D表示方法: 一篇综述. arXiv 2024, arXiv:2410.06475. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Lasbordes, M.; Falavigna, D.; Brutti, A. Splitformer: An improved early-exit architecture for automatic speech recognition on edge devices. arXiv 2025, arXiv:2506.18035. [Google Scholar] [CrossRef]拉斯博德斯, M.; 法拉维尼亚, D.; 布尔蒂, A. Splitformer: 边缘设备上自动语音识别的改进早期退出架构. arXiv 2025, arXiv:2506.18035. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Large Language Models and 3D Vision for Intelligent Robotic Perception and Autonomy大型语言模型与3D视觉在智能机器人感知与自主性中的应用SensorsOAAI
SensorsIF3.5
OAAI分享收藏The investigation of reinforcement learning-based End-to-End decision-making algorithms for autonomous driving on the road with consecutive sharp turns基于强化学习的端到端决策算法在连续急转弯道路上的自动驾驶研究
OAAI
IF0
OAAI分享收藏Di Francesco, A.G.; Bucarelli, M.S.; Nardini, F.M.; Perego, R.; Tonellotto, N.; Silvestri, F. Early-Exit Graph Neural Networks. arXiv 2025, arXiv:2505.18088. [Google Scholar] [CrossRef]Di Francesco, A.G.; Bucarelli, M.S.; Nardini, F.M.; Perego, R.; Tonellotto, N.; Silvestri, F. 提前退出图神经网络. arXiv 2025, arXiv:2505.18088. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容