RS-Prune：用于高效遥感扩散模型的训练无关数据剪枝

Research Paper#Remote Sensing, Diffusion Models, Data Pruning🔬 Research|分析: 2026年1月3日 19:04•
发布: 2025年12月29日 06:44
•
1分で読める
•ArXiv

分析

本文通过提出一种名为 RS-Prune 的无需训练的数据剪枝方法，解决了训练高效遥感扩散模型的挑战。该方法旨在减少大型遥感数据集中可能阻碍训练效率和收敛的数据冗余、噪声和类别不平衡。本文的重要性在于其新颖的两阶段方法，该方法同时考虑了局部信息内容和全局场景级多样性，从而能够在保持数据质量和提高下游任务性能的同时实现高剪枝率。该方法无需训练是关键优势，可以实现更快的模型开发和部署。
引用 / 来源
查看原文
"The method significantly improves convergence and generation quality even after pruning 85% of the training data, and achieves state-of-the-art performance across downstream tasks."
A
ArXiv2025年12月29日 06:44
* 根据版权法第32条进行合法引用。
较旧

New Physics Searches at BESIII

较新

FairGFL: Privacy-Preserving Fairness-Aware Federated Learning with Overlapping Subgraphs

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv