ZipSplat: Fewer Gaussians, Better Splats
ZipSplat: 更少的高斯，更好的泼溅
机构 * ETH Zürich（苏黎世联邦理工学院） ； Microsoft（微软）
AI总结 提出 ZipSplat，一种基于令牌的前馈模型，通过聚类压缩视觉令牌并解码为高斯组，在无需重训练的情况下实现质量-效率权衡，以约6倍更少的高斯数在DL3DV和RealEstate10K上达到新最优。
高校专区
ETH Zurich（苏黎世联邦理工学院）
Actionable Interpretability Must Be Defined in Terms of Symmetries
可操作的可解释性必须根据对称性来定义
机构 * University of Oxford（牛津大学） ； ETH Zurich（苏黎世联邦理工学院） ； University of Cambridge（剑桥大学）
AI总结 本文论证AI可解释性研究存在根本性问题，提出可操作的可解释性应基于四种对称性来定义，以形式化可解释模型并统一可解释推理。
