Analysis of Scanline and Minimum Entropy Selection Heuristics in Model Synthesis and Wave Function Collapse
Notice bibliographique
Résumé
In this paper, we analyze two versions of a texture synthesis algorithm, study the cases in which they fail to produce a successful result and present modifications that could be made to lessen their rates of failure. This algorithm, Model Synthesis, and its variation Wave Function Collapse are designed to take in a small sample input image, or set of image constraints, and produce a larger pseudorandom output image in which every region of the output image is locally similar to an element of the input image. Both versions of the algorithm accomplish this task by considering their output image as a grid of cells with each cell initially in a superposition of all possibilities for itself and resolving cells one by one until all cells have been resolved from their superposition to a fixed value. One of the key differences between the two versions of the algorithm is the order in which cells are selected to be resolved, one simply selects in a scanline order, while the other resolves first those cells that have the minimum entropy, and thus which we can be most certain of their eventual state. For many inputs, the minimum entropy model reaches a state in which its output is not consistent with the input and thus fails, while the scanline model does not. This paper looks at the cases in which this occurs and concludes that this is often caused by the minimum entropy model creating regions of elevated constraints in its solution. Finally, it presents a possible alteration to the algorithm which allows a minimum entropy model to avoid this manner of failure among a subset of test cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».