GIFT：通过几何反馈引导图像到CAD程序合成的自举方法
TLDR
GIFT利用几何反馈增强训练数据，提升IoU 12%，减少推理计算80%。
评分理由
The paper presents a novel data augmentation framework that leverages geometric feedback to generate high-quality training samples from test-time compute, addressing the scarcity of diverse CAD program-image pairs. Strengths include a clear bottleneck identification and two effective mechanisms (GIFT-REJECT and GIFT-FAIL), while weaknesses are the lack of explicit real-world dataset details and potential reliance on synthetic benchmarks.
Read-first 评分解释
综合优先阅读分 57，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 69。
研究版图角色
前沿论文桥接论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：4。
关键词评分
深度分析
创新点
- 几何推理反馈微调（GIFT）框架，通过几何反馈将测试时计算转化为自举训练样本
- 软拒绝采样（GIFT-REJECT），保留超出精确真值匹配的多样化高保真程序
- 失败驱动增强（GIFT-FAIL），将接近正确的预测转化为合成训练示例以提高鲁棒性
- 将推理时搜索摊销到模型参数中，减少推理计算80%
方法
GIFT是一种数据增强框架，利用几何反馈从测试时计算生成高质量训练样本。它结合软拒绝采样以保留具有高几何保真度的多样化程序，以及失败驱动增强将接近正确的预测转化为合成示例，从而自举训练数据，无需额外人工标注。
关键结果
GIFT在强监督基线上将平均IoU提高12%，推理计算减少80%，并且与更复杂的多模态系统保持竞争力。