12453 ورقة بحثية
تقيم هذه الورقة بشكل منهجي موثوقية نماذج الرؤية واللغة المستخدمة كمقيمين لمهام تحويل الصور إلى نصوص والنصوص إلى صور، كاشفةً عن وجود نقاط عمياء كبيرة لديها — لا سيما في اكتشاف الهلوسة، والأخطاء المكانية، والتناقضات الواقعية — حيث تفشل غالباً في تحديد الاضطرابات المسببة لتدهور الجودة في أكثر من 50% من الحالات.
تقترح هذه الورقة طريقة غير خاضعة للإشراف لتجزئة الأفعال، تقوم بتقريب توزيعات إطارات الفيديو عبر فضاء نواة عميق باستخدام النواة المماسية العصبية وتفاوت المتوسط الأقصى لتحقيق أداء تنافسي دون الحاجة إلى مجموعات بيانات ضخمة أو معرفة بعدد الأجزاء.
تقدم هذه الورقة إطاراً كمياً وبصرياً لتقييم الاستقرار المحلي للإسقاطات البارامترية ضد اضطرابات المدخلات، مما يثبت قدرتها على تحديد المناطق غير المستقرة في أجهزة الإسقاط العصبية القائمة على UMAP وt-SNE التي تفشل المقاييس التقليدية في اكتشافها.
تقترح هذه الورقة نموذجاً جديداً لتقييم جودة الصور القائم على المرجع الكامل، والذي يستفيد من فك الارتباط السببي ووحدة القناع لعزل سمات التدهور المتأثرة بالمحتوى، محققاً أداءً تنافسياً في بيئات التعلم الخاضع للإشراف، والتعلم ببيانات قليلة، والتعلم غير الخاضع للإشراف، مع إظهار قدرة فائقة على التعميم عبر النطاقات المختلفة في مجالات الصور غير القياسية المتنوعة.
تقدم هذه الورقة "وصف الحركة المهيكل" (SMD)، وهو إطار عمل خالٍ من المشفرات يقوم بتحويل تسلسلات مواضع المفاصل إلى نص لغوي طبيعي حتمي، مما يمكّن النماذج اللغوية الكبيرة من الاستفåادة من معرفتها المتأصلة بالعالم لتحقيق فهم واستدلال متطور لحركة الإنسان دون الحاجة إلى وحدات محاذاة عبر الوسائط.
تعد Sapiens2 عائلة من نماذج المحولات الرؤيوية عالية الدقة المتمحورة حول الإنسان، والتي تتراوح أحجامها بين 0.4 إلى 5 مليارات معلمة، وتحقق أداءً جديداً هو الأفضل في فئته عبر مهام متنوعة مثل تقدير الوضعية والتقسيم من خلال هدف تدريب مسبق موحد، ومجموعة بيانات منسقة تضم مليار صورة بشرية، وتحسينات معمارية تدعم دقة تصل إلى 4K.
تقدم هذه الورقة WorldMark، وهي أول مجموعة معايير موحدة وحلبة عبر الإنترنت تتيح مقارنة عادلة ومعيارية لنماذج عوالم الفيديو التفاعلية من خلال توفير مجموعة مشتركة من المشاهد، وتسلسلات الأفعال، ومقاييس التقييم عبر الأنظمة المتنوعة.
تقترح هذه الورقة نموذجاً فعالاً لتحسين الصور للأجهزة المحمولة يجمع بين بنية هرمية مع ترميز بوابي وتحسين متعدد المقاييس، إلى جانب التدريب الواعي بالكمية، لسد الفجوة بين التدريب والنشر والحفاظ على دقة بصرية عالية في ظل قيود الدقة المنخفضة.
تُظهر هذه الدراسة أن السمات الحيوية-السلوكية القابلة للتفسير لديناميكيات الوجه، ولا سيما تلك المتعلقة بالتعبير العاطفي، تعمل كبصمات سلوكية قابلة للقياس للكشف عن التزييف العميق، وتكشف أنه في حين يتقارب النماذج الحاسوبية والإدراك البشري حول المحتوى العاطفي، إلا أنهما يعتمدان على استراتيجيات كشف مختلفة جوهرياً.
يقدم هذا البحث Reshoot-Anything، وهو إطار عمل ذاتي الإشراف يتغلب على ندرة البيانات متعددة المشاهد المزدوجة للمشاهد غير الصلبة من خلال توليد ثلاثيات تدريب وهمية من فيديوهات أحادية العدسة لتمكين إعادة تصوير الفيديو بدقة عالية واتساق زمني مع تحكم دقيق في الكاميرا باستخدام محول الانتشار (diffusion transformer).