यह पत्र कम्प्यूटेशनल रसायन विज्ञान, प्रतिरक्षा विज्ञान और चिकित्सा इमेजिंग जैसे क्षेत्रों में कुशल पूर्व सूचना अधिग्रहण के लिए एक वास्तुकला के डिजाइन पर केंद्रित है, जहां डेटा की कमी के कारण बड़े पैमाने पर पूर्व शिक्षण मॉडल का उपयोग नहीं किया जा सकता है। हम प्रदर्शित करते हैं कि तंत्रिका नेटवर्क मेमोरी का उपयोग कम संख्या में नमूनों के साथ गैर-स्थिर वितरण के अनुकूल होने के लिए किया जा सकता है, और यह कि मॉडल-अज्ञेय मेटा-लर्निंग (MAML) (एक नेटवर्क जो अन्य नेटवर्क उत्पन्न करता है) के साथ प्रशिक्षित एक हाइपरनेटवर्क एक मानक नेटवर्क की तुलना में अधिक सामान्यीकृत पूर्व सूचना प्राप्त कर सकता है। 3D दृश्य निर्माण में हाइपरनेटवर्क को लागू करके, हम केवल कुछ प्रशिक्षण दृश्यों के साथ कुशल पूर्व सूचना अधिग्रहण के माध्यम से तेजी से टेक्स्ट-टू-3D पीढ़ी प्राप्त करते हैं, और सीमित डेटा के साथ नए दृश्यों का 3D विभाजन करते हैं।
