Sora任意尺寸视频生成秘诀是什么？

Question

详细解读多模态论文NaViT（Native Resolution ViT），将来自不同图像的多个patches打包成一个单一序列——称为Patch n’ Pack——从而实现可变分辨率并保持长宽比。

Answer 1

论文
摘要

1. 引言
2. 方法
3. 1 架构变化
4. 2 训练变化
5. 3 NaViT的效率
6. 实验
7. 1 提高训练效率和性能
8. 2 可变分辨率的好处
9. 3 可变标记丢弃的好处
10. 4 位置嵌入
11. 5 NaViT性能的其他方面
12. 6 其他下游任务
13. 相关工作
14. 结论和未来工作
    热门专栏
    机器学习
    深度学习
    论文
    论文名：Patch n’ Pack: NaViT, a Vision Transformer for any Aspect Ratio and Resolution
    论文链接：https://arxiv.org/pdf/2307.06304

————————————————

                        版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                    

原文链接：https://blog.csdn.net/haopinglianlian/article/details/145383572