Краткое содержание

arXiv:2412.12667v2 Тип объявления: replace-cross Аннотация: В этой статье выявлен и решен фундаментальный бутылочный горлышко в оценке качества изображений 360 градусов на основе данных: отсутствие интеллектуального выбора данных на уровне образцов. Поэтому мы предлагаем новую рамку, которая вводит критический этап уточнения между выборкой патчей и обучением модели. Ядром нашего вклада является алгоритм выбора на основе сходства вложения, который дистиллирует первоначальный, потенциально избыточный набор патчей в компактное, максимально информативное подмножество. Это формулируется как регуляризованная задача оптимизации, которая сохраняет внутренние восприимчивые отношения в пространстве низкой размерности с использованием анализа остатков для явного фильтрации несущественных или избыточных образцов. Обширные эксперименты на трех наборах данных-бенчмарках (CVIQ, OIQA, MVAQD) демонстрируют, что наш выбор позволяет базовой модели достичь или превзойти производительность использования всех выбранных данных при сохранении только 40-50% патчей.