虽然当前最先进的通用隐式神经形状模型[7,54]依赖于卷积的归纳偏置，但尚不完全清楚这些偏置所产生的属性如何与点云三维重建任务兼容。我们在此背景下探索了一种替代性的通用化方法：通过放松内在模型偏置（即使用MLP而非卷积来编码局部特征），转而采用与重建任务（即去噪）相关的辅助正则化来约束假设空间。

近年来，基于LiftSplat-Shot（LSS）的3D目标检测方法取得了巨大进展。然而，不准确的深度估计仍是制约纯摄像头和多模态3D目标检测模型精度的关键因素，尤其在深度值突变区域（即"深度跳跃"问题）。本文提出了一种新颖的边缘感知Lift-splat-shot（EA-LSS）框架：通过设计边缘感知深度融合（EADF）模块缓解"深度跳跃"问题，并采用细粒度深度（FGD）模块加强深度监督。

近来，大语言模型(LLM)在自然语言理解方面展现出卓越能力。尽管在日常对话和问答场景中表现优异，这些模型由于缺乏领域专业知识，在医疗等需要精准性的领域往往表现不佳。本文阐述了构建专为医疗应用设计的强大开源语言模型PMC-LLaMA的全过程。我们的贡献包含三个方面：(i) 系统研究了通用基础语言模型向医疗领域的适配过程，通过整合480万篇生物医学学术论文和3万本医学教材实现以数据为中心的知识注入，并执行全面的领域指令微调对齐；(ii) 贡献了大规模指令微调数据集，包含医疗问答(QA)、推理依据和对话内容，总计2.02亿token；(iii) 通过详尽的消融实验验证了各模块的有效性。在多个公共医疗问答基准测试中，我们仅含130亿参数的轻量级PMC-LLaMA展现出超越ChatGPT的优异性能。所有模型、代码和数据集详见https://github.com/chaoyi-wu/PMC-LLaMA。