待验证50% 置信事实精确时间
Ask4NV 的联合训练使模型在 3D 感知的特征空间中相似度更高。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
学会回答空间问题，能否提升新视角生成？
rss2026/10/14
涉及实体
相关事实
待验证3D CNN能直接学习体素间空间关系，在诊断任务上通常表现更优，但计算资源需求大、训练时间长、显存要求高，显存消耗通常是2D版本的数十倍72% 相似待验证Ask4NV 在生成过程中通过联合自注意力（joint self-attention）和模态感知的注意力掩码策略，让生成分支复用理解分支的特征。71% 相似待验证C3D（2015年）将 2D 卷积扩展为 3D 卷积在时空立方体上学习特征，I3D 通过膨胀预训练 ImageNet 权重实现迁移学习68% 相似待验证纯视觉方案依赖二维图像推断三维信息，高度依赖算法能力和训练数据66% 相似待验证对所有线性层做LoRA意味着注意力层的Q/K/V/O投影和前馈层的上下投影都被注入适配器，覆盖面较广，表达能力强，但也更容易把训练数据里的风格特征整体学进去。66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037887API
curl https://kongchang.com/api/v1/knowledge/claims/1037887MCP
get_claim(id=1037887)