🔥 今日值得一读
高斯剪枝新招：无需预算，自动砍掉79%冗余行，延迟直降45%！
Decision-FLIP: Budget-Free Structured Pruning for Gaussian Occupancy Models
👨💼 主理人解读 · 为什么值得关注
可自动剪枝3D占用预测模型中的冗余高斯，无需手动设定预算，降低推理成本。
📖 AI 总结
该论文提出Decision-FLIP，一种面向高斯占用模型的免预算结构化剪枝框架。现有占用预测器依赖手工设定规模的持久高斯库或查询库，而透明度、激活频率、参数幅值等常用剪枝代理指标无法衡量删除某一行是否会改变模型的体素决策。Decision-FLIP仅需无标签校准输入即可完成打分与结构选择：Mean-FLIP按删除某行后体素argmax决策改变的数量为该行打分，再通过对数分数分布的受保护Otsu分割自动确定保留数量，无支持时则弃权，最终将保留行物理编译为更小的检查点。在四种高斯库模型—数据集设置及一个持久查询迁移任务中，自动选定的剪枝比例移除12%至79%的候选行，使依赖库或查询的延迟降低7%至45%，整模型端到端节省最高8.0%，峰值内存节省最高16.6%；在匹配的一轮恢复控制下，语义mIoU变化不超过0.18个点。同K对照表明排序本身而非仅库规模起决定作用：随机移除会使GaussianFormer-1和OccFormer崩溃，而无标签Mean-FLIP在全部五个设置上达到或超过有监督Taylor排序。该方法适用于可移除原语保持稳定检查点行标识的场景，其免预算指幸存数量无需预设，而非无需参数。
🔑 关键词速览
| Decision-FLIP | 一种无需预算的结构化剪枝框架，通过评估移除行对体素决策的影响来选择保留的行。 |
| Mean-FLIP | 一种评分方法，通过计算移除某行时体素 argmax 决策变化的数量来评估该行的重要性。 |
| Otsu split | 一种基于对数评分分布自动确定幸存者数量的分割方法，无需预设目标。 |
| Gaussian occupancy models | 使用高斯分布表示三维空间占用概率的模型，常用于场景理解与重建。 |
| mIoU | 平均交并比，语义分割任务中常用的评估指标，衡量预测与真实标签的重合程度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅