12113 ورقة بحثية
تقدم الورقة البحثية "Gaussian Video Transformer" (GVT)، وهو إطار عمل متعدد الاستخدامات لتمثيل الفيديو يعتمد على ترميز "Gaussian Splatting" ثنائي الأبعاد بنظام التغذية الأمامية مع قابلية التكيف المكاني-الزماني وفصل صريح بين العناصر الثابتة والديناميكية، وذلك لتحقيق أداء رائد في مجالات إعادة بناء الفيديو، والضغط، والتعرف على الأفعال، والتوليد.
تقترح هذه الورقة شبكة "إزالة الضجيج ثم الاسترجاع" (DRNet)، وهي نموذج جديد يحسن استرجاع لحظات الفيديو من خلال توظيف وحدة إزالة ضجيج مشروطة بالنص لتصفية مقاطع الفيديو غير ذات الصلة، ووحدة تغذية راجعة لإعادة بناء النص للإشراف المساعد، مما يحقق أداءً هو الأفضل في فئته على مجموعات البيانات المرجعية.
تقدم هذه الورقة إطار عمل فيزيائي عصبي توليدي يتغلب على القيود الحسابية والاضطرابات التي تواجه عملية قلب الموجة الكاملة التقليدية، مما يتيح تصويراً طبياً ثلاثي الأبعاد عالي الدقة وسريعاً وخالياً من الإشعاع للأنسجة العضلية الهيكلية بدقة تضاهي دقة التصوير بالرنين المغناطيسي.
تقترح هذه الورقة تمثيلاً للهدف يعتمد على قناع كائن ديناميكي لتعلم التعزيز البصري المشروط بالهدف، مما يلغي الحاجة إلى معلومات الحالة المتميزة عبر استخدام معالجة الصور القياسية أو الكواشف مسبقة التدريب لتوليد إشارات بصرية غير مرتبطة بالكائنات، وبالتالي تحقيق معدلات نجاح عالية، وتعميم قوي على الكائنات غير المرئية، ونقل ناجح من المحاكاة إلى الواقع على الأذرع الروبوتية.
تقترح الورقة البحثية "خبراء متعددي اللغات" (MuEx)، وهو إطار عمل مبتكر يستفيد من بنية "خليط الخبراء الموجهة بالفونيم" وآلية "محاذاة الفونيم والفيزيم" للربط بين الوسائط السمعية والبصرية، مما يتيح توليد وجوه متحدثة عالية الجودة ومتزامنة عبر لغات متعددة مع قدرات قوية على التعميم في حالة الصفر (zero-shot generalization).
تقدم هذه الورقة SOVABench، وهو معيار استرجاع من العالم الحقيقي مصمم لتقييم قدرة النماذج اللغوية الكبيرة متعددة الوسائط على التمييز بين إجراءات المراقبة المتعلقة بالمركبات وفهم الاتجاه الزمني، مما يثبت أن إطار عمل خالٍ من التدريب يستفيد من الأوصاف التي تولدها النماذج اللغوية الكبيرة متعددة الوسائط يتفوق على النماذج الرؤيوية-اللغوية التباينية الحالية في هذه المهام الصعبة.
تقترح الورقة البحثية إطار عمل VISA، وهو إطار تدقيق دلالي أثناء مرحلة التدريب يستفيد من نماذج الرؤية واللغة غير المتصلة بالإنترنت لتوليد فرضيات فئات وسمات مهيكلة وموزونة بالموثوقية لنماذج الكائنات ثلاثية الأبعاد، مما يؤدي إلى تحسين أداء الإشغال للمجموعات المغلقة والفئات النادرة في النماذج العالمية دون تغيير عملية الاستدلال.
تقدم هذه الورقة أكبر دراسة تحكم في التوسع لنماذج التأسيس المعتمدة على بكسلات صور رصد الأرض، كاشفةً أن فقد التدريب المسبق يعد مؤشراً ضعيفاً للأداء في المهام اللاحقة، ومثبتةً قاعدة لتخصيص الحوسبة تتيح إنشاء نماذج طالب مدمجة وعالية الأداء تتفوق على المنتجات الحالية مع دعم تضمينات "ماتريوشكا" المرنة ومنخفضة التكلفة.
تقدم هذه الورقة البحثية DishSeg24k، وهو معيار مرجعي واسع النطاق لتجزئة الأطعمة يضم 24,096 صورة و278 فئة دقيقة، إلى جانب FEAST، وهو نموذج محول (transformer) مبتكر يستفيد من خليط الخبراء الموجه بالتعلم المعزز وفك تشفير الخبراء العشوائي لتحقيق أداء رائد في سيناريوهات تناول الطعام المعقدة وطويلة الذيل.
تُعد MapTCL استراتيجية تدريب متعددة الاستخدامات وسهلة الدمج (plug-and-play) تعزز الاستقرار الزمني لبناء خرائط عالية الدقة (HD maps) متجهة عبر الإنترنت من خلال إدخال خسارة مساعدة قائمة على المحاذاة ثنائية الاتجاه لمعاقبة الضجيج الهندسي والارتجاج بين الإطارات المتتالية بشكل صريح، مما يحقق مكاسب كبيرة في الأداء على المعايير القياسية دون أي عبء إضافي أثناء الاستدلال.