GARLIC：用于空间划分的高斯表示学习
计算机视觉与模式识别
2025-10-03 v2
摘要
我们提出了 \textbf{GARLIC}，一种用于高维欧几里得近似最近邻（ANN）搜索的表示学习方法。现有的划分方法往往依赖于各向同性单元、固定的全局分辨率或平衡约束，这会割裂密集区域并在稀疏区域中合并不相关的点，从而在仅探测少数单元时增加候选数量。我们的方法转而将 划分为各向异性高斯单元，其形状与局部几何对齐，大小适应数据密度。信息论目标平衡了覆盖率、重叠率和几何对齐，而分裂/克隆细化仅在需要时引入高斯分量。在查询时，马氏距离选择相关单元，局部化量化剪枝候选者。这产生了一种划分方式，在小探测预算下减少了跨单元的邻居分裂和候选数量，即使在仅用一小部分数据集进行训练时也能保持稳健。总体而言，GARLIC 引入了一种几何感知的空间划分范式，将信息论目标与自适应密度细化相结合，为欧几里得 ANN 搜索提供了具竞争力的召回率-效率权衡。
引用
@article{arxiv.2505.24608,
title = {GARLIC: GAussian Representation LearnIng for spaCe partitioning},
author = {Panagiotis Rigas and Panagiotis Drivas and Charalambos Tzamos and Ioannis Chamodrakas and George Ioannakis and Leonidas J. Guibas and Ioannis Z. Emiris},
journal= {arXiv preprint arXiv:2505.24608},
year = {2025}
}