University of Chinese Academy of Sciences（中国科学院大学）

Beyond Post-Quantization: Native Hash Learning with a Dedicated HASH Token

超越后量化：使用专用哈希令牌的原生哈希学习

Xinze Liu, Ding Wang, Dayan Wu, Hengjie Zhu, Peng Fu, Zheng Lin, Weiping Wang

机构 * Institute of Information Engineering, CAS（中国科学院信息工程研究所） ； School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院） ； Department of Applied Mathematics and Statistics, Johns Hopkins University（约翰霍普金斯大学应用数学与统计系） 纠错

AI总结 研究高效图像检索的紧凑表示问题，提出HashViT框架，通过专用哈希令牌及相关设计在Transformer内生成二进制表示，经统一目标优化，实验表明其性能优且保留汉明码效率。

Geometric Capacity of Transformers: A Tropical Geometry Perspective

Transformer 的表达能力：从热带几何学视角出发

Ye Su, Yong Liu

机构 * Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院） ； University of Chinese Academy of Sciences（中国科学院大学） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） 纠错

AI总结 本文从热带几何学角度研究Transformer的几何表达能力，通过将自注意力建模为向量值热带有理映射，证明其在零温极限下精确生成幂 Voronoi 图，并推导出Transformer线性区域数量的紧渐进行为。

EAR-Net: Pursuing End-to-End Absolute Rotations from Multi-View Images

EAR-Net：从多视图图像中求解端到端绝对旋转

Yuzhen Liu, Qiulei Dong

机构 * State Key Laboratory of Multimodel Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Center for Excellence in Brain Science and Intelligence Technology, Chinese Academy of Sciences（脑科学与智能技术卓越创新中心，中国科学院） 纠错

AI总结 研究从多视图图像估计绝对旋转问题，提出EAR-Net方法，由极线置信图构建模块和置信感知旋转平均模块组成，能有效处理异常情况，实验表明该方法在准确性和速度上优于现有方法。