日前，第13屆國際學習表征會議（International Conference on Learning Representations，簡稱ICLR）公布論文錄用結果，云天勵飛4篇論文被錄用。

關于ICLR
ICLR 是深度學習領域的頂級會議，關注有關深度學習各個方面的前沿研究，在人工智能、統計和數據科學領域以及機器視覺、語音識別、文本理解等重要應用領域中發布了眾多極其有影響力的論文。會議具有廣泛且深遠的國際影響力，與 NeurIPS、ICML 并稱為機器學習領域三大頂會。

錄用論文一覽

1. 《Taming Transformer Without Using Learning Rate Warmup》

Transformer模型是現在大模型的最重要的基礎模型，但訓練過程中，它常常面臨諸如梯度爆炸、模型崩潰等問題。這篇論文從矩陣微分的角度推導了self-attention的反向梯度公式，通過該反向傳播公式的推導，作者定位到了模型崩潰的一個核心問題：(Wq)'Wk矩陣在訓練的過程中，它的譜能量集中到了幾個方向，最終導致所有的X塌陷到一個點上。通過理論的推導，作者得出了一種簡單的方案，通過控制（Wq)'Wk矩陣的奇異值的快速增長，來阻止能量的過度集中，作者將提出的方法稱之為AdamW2。

實驗證明，該方法無需依賴學習率預熱（Learning Rate Warmup），就可以有效緩解訓練初期因學習率過大導致的不穩定或發散問題。作者通過在ViT、GPT和Swin-Transformer模型上的大量實驗，驗證了AdamW2的有效性，證明其在無需學習率預熱的情況下，依然能夠實現穩定訓練，并取得與使用學習率預熱相當的性能。這一成果為Transformer模型的訓練提供了全新的視角和方法，具有重要的理論意義和實踐價值。

論文地址：

https://openreview.net/forum?id=GeUK3zGreN&referrer=%5BAuthor%20Console%5D(%2Fgroup%3Fid%3DICLR.cc%2F2025%2FConference%2FAuthors%23your-submissions)

2.《BiGR : Harnessing Binary Latent Codes for Image Generation and Improved Visual Representation Capabilities》

這篇論文介紹了一個新的圖像生成模型 BiGR，它能生成高質量的圖像，同時還能提升圖像的視覺表示能力。BiGR 通過使用二進制代碼來表示圖像，并結合一種特殊的編碼器和解碼器來生成圖像。模型基于 Transformer 架構，使用掩碼建模方法進行訓練，通過預測被掩碼的二進制代碼來生成圖像。

作者在多個任務上對BiGR進行了驗證，包括類別生圖、文生圖。實驗表明，BiGR 在生成圖像的質量和視覺表示能力上都優于現有的模型。此外，BiGR 還展示了在多種視覺任務上的零樣本泛化能力，比如圖像修復、編輯和插值等，無需針對特定任務進行結構調整或參數微調，是一個在圖像生成和視覺表示方面都很有潛力的模型。

論文地址：

https://openreview.net/forum?id=1Z6PSw7OL8&referrer=%5BAuthor%20Console%5D(%2Fgroup%3Fid%3DICLR.cc%2F2025%2FConference%2FAuthors%23your-submissions)

3. 《Exploring A Principled Framework for Deep Subspace Clustering》現有深度子空間聚類方法在處理復雜數據時常面臨特征崩潰的問題，即學習到的特征塌縮至低維空間，導致聚類效果不理想。為應對這一挑戰，本文提出了一種名為PRO-DSC（Principled fRamewOrk for Deep Subspace Clustering）的深度子空間聚類框架。通過引入有效的正則化項，該方法成功緩解了特征崩潰現象。實驗結果顯示，PRO-DSC在合成數據及多個真實數據集上的表現均優于現有方法。例如，在CIFAR-10和CIFAR-100數據集上，其聚類準確率分別達到97.2%和71.6%，顯著超越其他方法。這一研究為深度子空間聚類提供了全新的高效解決方案。論文地址：https://openreview.net/forum?id=7psWohxvxp&referrer=%5BAuthor%20Console%5D(%2Fgroup%3Fid%3DICLR.cc%2F2025%2FConference%2FAuthors%23your-submissions)
4. 《Unposed Sparse Views Room Layout Reconstruction in the Age of Pretrain Model》該論文提出了一種創新的3D基礎模型——Plane-DUSt3R，能夠直接從多張照片中一步完成房間3D布局的重建，極大簡化了傳統流程。該方法無需預先獲取相機的位置和角度信息，也不要求照片之間存在重疊部分，即可實現房間布局的重建。這一特性在實際應用中尤為實用，因為許多情況下，我們手頭的照片往往是隨意拍攝的，拍攝角度和位置并不固定。而傳統方法通常需要經過復雜步驟，例如先估計相機位置與角度，再進行圖像匹配和三角測量，這不僅流程繁瑣，還容易出錯。DUSt3R的引入顯著簡化了這一過程。我們的方法Plane-DUSt3R在DUSt3R基礎上，提出了一種新穎的獨立的多視圖（稀疏視圖）房間布局估計方法。

實驗結果顯示，該方法在多個數據集上均表現出色，不僅在合成數據集上優于現有方法，在真實世界的數據集上也展現了強大的泛化能力。例如，在Structure3D數據集上，Plane-DUSt3R在3D平面精度和召回率方面均實現了超過5%的提升，進一步驗證了其卓越性能。

論文地址：https://openreview.net/forum?id=DugT77rRhW&referrer=%5BAuthor%20Console%5D(%2Fgroup%3Fid%3DICLR.cc%2F2025%2FConference%2FAuthors%23your-submissions)