12382 ورقة بحثية
تقدم هذه الورقة StepSTEM، وهو معيار مرجعي صارم بمستوى الدراسات العليا يضم 283 مسألة وإطار تقييم جديد على مستوى الخطوات مصمم لتقييم الاستدلال متعدد الوسائط دقيق التفاصيل في النماذج اللغوية الكبيرة متعددة الوسائط، مما يكشف أن النماذج الحالية الرائدة لا تزال تعتمد بشكل كبير على الاختصارات النصية بدلاً من التكامل الحقيقي بين المرئي والنصي.
يُعد SwiftI2V إطار عمل فعالاً لتوليد الفيديو من الصور بدقة عالية (2K)، حيث يتغلب على قيود الذاكرة وزمن الاستجابة من خلال الجمع بين مرجع حركة منخفض الدقة واستراتيجية تركيب مجزأة تعتمد بقوة على الصورة، محققاً جودة مماثلة في نهاية العملية مع تقليل زمن وحدة معالجة الرسومات بمقدار 202 ضعفاً.
تقدم الورقة البحثية AdpSplit، وهو عامل تقسيم تكيفي مدفوع بالخطأ لتقنية الـ 3D Gaussian Splatting، والذي يحدد ديناميكيًا عدد الأبناء المقسمين بناءً على إحصائيات خطأ البكسل، مما يقلل وقت التدريب بشكل كبير مع الحفاظ على جودة الرندرة مقارنة بطرق التقسيم القياسية ذات العدد الثابت.
تقدم الورقة البحثية TriDE، وهي طريقة تعزز تقدير وضع الكاميرا العالمي من خلال تحسين اتجاهات الإزاحة الزوجية عبر تمرير الرسائل الفعال القائم على اتساق المثلث، مما يحقق دقة ومتانة أعلى دون الاعتماد على التحسين غير الخطي العالمي المكلف.
تقدم هذه الورقة البحثية تخصيص الخطوات غير المتجانس (HSA)، وهو خوارزمية استنتاج خالية من التدريب تسرع نماذج محولات الانتشار (Diffusion Transformers) لتوليد الفيديو عبر تخصيص خطوات إزالة ضجيج أقل ديناميكيًا للرموز ذات السرعة المنخفضة، مع الحفاظ على السياق العالمي والجودة من خلال آلية مبتكرة لمزامنة ذاكرة التخزين المؤقت لـ KV وتحديثات أويلر المخزنة مؤقتًا.
تقدم هذه الورقة تحدي SAFE، وهو تقييم شامل لطرق كشف الفيديو الاصطناعي أُجري في مؤتمر ICCV 2025، والذي استخدم مجموعة بيانات واسعة النطاق تضم 6,000 فيديو ليكشف أنه على الرغم من تحسن التعميم عبر المولدات المختلفة، إلا أن نماذج الكشف الحالية تظل عرضة لعمليات المعالجة اللاحقة الشائعة.
تقدم هذه الورقة البحثية FuScore، وهو إطار عمل مبتكر لتقييم جودة دمج الصور بالأشعة تحت الحمراء والمرئية، يستفيد من النماذج اللغوية الكبيرة متعددة الوسائط لتوليد درجات جودة مستمرة ويستخدم هدفاً ثلاثي الأجزاء مع تسميات ناعمة، مما يحقق ارتباطاً متطوراً مع التفضيلات البصرية البشرية من خلال التغلب على قيود طرق التقييم الحالية المنفصلة والعددية.
تقدم هذه الورقة البحثية \tracker، وهو متتبع رؤية-لغة ذاتي الإشراف ومبتكر يحقق تتبع المثيل من خلال الأوصاف اللغوية الطبيعية دون الحاجة إلى تعليقات توضيحية لصناديق الإحاطة، وذلك عبر توظيف وحدة تجميع الرموز الديناميكية لدمج الرموز البصرية واللغوية بشكل انتقائي لتعزيز المحاذاة الدلالية والانتشار الزمني.
تُثبت هذه الورقة أن نماذج الرؤية واللغة تمتلك تمثيلاً طوبولوجياً ثلاثي الأبعاد كامناً محجوباً بالدلالات البصرية، والذي يمكن عزله، وتشكيله رياضياً ليتطابق مع الفضاء الفيزيائي، وتعزيزه عبر تنظيم طاقة ديريكليه لتحسين أداء الاستدلال المكاني بشكل كبير.
تقدم الورقة البحثية PRIMED، وهو إطار عمل مبتكر لتجزئة الصوت والمرئيات المرجعية يستفيد من نظرية المنافسة المنحازة لتثبيط الوسائط غير ذات الصلة تكيفياً من خلال وحدة فك تشفير الأولوية للوسائط ومقطر الرموز، محققاً أداءً هو الأفضل في فئته عبر ضبط الانتباه ديناميكياً بناءً على الاحتياجات المحددة لكل تعبير مرجعي.