Appleova metoda split-and-scale povećava razinu detalja 3D latentnih reprezentacija tijekom inferencije bez ponovnog treniranja

  • PublicPublic
  • 18 Nov, 2026
Appleova metoda split-and-scale povećava razinu detalja 3D latentnih reprezentacija tijekom inferencije bez ponovnog treniranja

Appleovi istraživači strojnog učenja predstavili su split-and-scale, tehniku za povećanje kapaciteta latentnih 3D reprezentacija tijekom inferencije, pri čemu troškovi treniranja ostaju prihvatljivi. Latentne reprezentacije već kompaktno kodiraju 3D scene i temelj su moćnih generativnih 3D modela. Međutim, teško čuvaju fine detalje složenih objekata jer latentne varijable mogu pohraniti samo ograničenu količinu informacija.

Očito rješenje ima ozbiljne nedostatke. Povećanje kapaciteta latentnih varijabli tijekom treniranja računalno je skupo i često neizvedivo unutar ograničenja memorije. Ni dodavanje latentnih varijabli tijekom inferencije ne pomaže, jer model ne uspijeva učinkovito iskoristiti dodatni kapacitet.

Metoda se oslanja na jedno ključno svojstvo. Ako je 3D scena zadana kao kontinuirana funkcija 3D koordinata, jedan te isti unaprijed istrenirani tokenizator može se tijekom inferencije primijeniti na proizvoljno male dijelove scene. Svaki dio dobiva jednak latentni kapacitet kakav bi dobila cijela scena, pa se isti budžet troši na manje područje prostora. Zahvaljujući tome model prenosi mnogo više detalja, a nije ga potrebno ponovno trenirati.

Tim je proveo opsežne ablacijske eksperimente kako bi procijenio odnos između računalne snage, memorije, latentnog kapaciteta i kvalitete rekonstrukcije. Pokazalo se da takvo skaliranje tijekom inferencije postiže kvalitetu usporedivu s mnogo većim modelima kojima nije dovoljna memorija jednog GPU-a. Pristup funkcionira i za generiranje: autoregresivni 3D generator istreniran na reprezentacijama split-and-scale ne zaostaje za najsuvremenijim osnovnim modelima. Čini se da je to stvaran način za generiranje detaljnijih 3D resursa na skromnom hardveru.