FLASH: Sharper 3D from Cheaper LiDAR—In Real Time

FLASH: Sharper 3D from Cheaper LiDAR—In Real Time

LiDAR lets cars "see" the world, but low-cost sensors often produce sparse, blurry 3D points. This study introduces FLASH, a method that turns low-res scans into high-detail 3D—fast enough for real-time use.

How it works

  • Two domains, one model: FLASH looks at data in space and in frequency (via FFT). That means it captures fine shapes and the LiDAR’s repeating scan patterns.
  • Smarter feature fusion: Instead of simple skip connections, it learns, per location, which details to keep. Built-in attention (CBAM) boosts the most useful cues.

Why it matters

  • State-of-the-art quality: On the KITTI benchmark, FLASH beats recent methods, including those that rely on multiple stochastic passes.
  • Single-pass speed: No Monte Carlo dropout loops—just one forward pass, enabling real-time deployment on autonomous systems.
  • Works across distances: Maintains accuracy near and far, handling uncertainty by design.

Paper by June Moh Goo, Zichao Zeng, and Jan Boehm. Read more: http://arxiv.org/abs/2511.07377v1

Paper: http://arxiv.org/abs/2511.07377v1

Register: https://www.AiFeta.com

#LiDAR #3DPerception #ComputerVision #AutonomousVehicles #Robotics #FFT #DeepLearning #SuperResolution #RealTime #KITTI

Read more

Pieni kielimalli oppi kysymään taulukoilta ihmisen puolesta

Pieni kielimalli oppi kysymään taulukoilta ihmisen puolesta

Moni on tuijottanut Exceliä ja toivonut voivansa vain kysyä: missä kaupunginosissa koti on kävelymatkan päässä terveysasemasta ja ruokakaupasta? Ihmismielelle yksinkertainen pyyntö muuttuu helposti tuntien suodatukseksi ja kaavanviilaukseksi. Tietokone kyllä tietää vastauksen – jos vain osaisimme puhua sen kieltä. Viime vuosina apua on pyydetty juttelevalta tekoälyltä. Se osaa etsiä ja tiivistää tekstejä,

By Kari Jaaskelainen
Tekoäly vastaa fiksummin, kun sille annetaan oikea tieto oikealla tavalla

Tekoäly vastaa fiksummin, kun sille annetaan oikea tieto oikealla tavalla

Katsaus kokoaa, miten kielimalleja voi vahvistaa antamalla niille jäsenneltyä lisätietoa vastaushetkellä – yksinkertaisista vihjeistä aina syy–seurausketjuiksi järjestettyyn taustaan. Kuvittele, että pyydät tekoälyä selittämään, mitä uusi lakimuutos tarkoittaa pienyrittäjälle. Yleismallinen kielimalli osaa puhua aiheesta sujuvasti, mutta jos laki on muuttunut äskettäin, vastauksessa voi olla vanhaa tietoa tai epävarmoja arvailuja. Sama kokemus

By Kari Jaaskelainen
Tekoäly voi olla sekä nopea että säästeliäs – jos se oppii milloin ajatella ääneen

Tekoäly voi olla sekä nopea että säästeliäs – jos se oppii milloin ajatella ääneen

Kuvittele chat-ikkuna, jossa vastaus alkaa rönsyillä: ensin pari perustelua, sitten varmistus, lopulta vielä varmistuksen varmistus. Käyttäjä odottaa, laskutus juoksee. Tekoälymallit hinnoitellaan usein “tokeneina” – sananpaloina – joten jokainen turha kiemura maksaa sekä aikaa että rahaa. Vuosia alalla vallitsi hiljainen oletus: mitä enemmän mallilla on laskentatehoa ja mitä pidemmin se ”miettii”, sitä parempaa

By Kari Jaaskelainen