12113 ورقة بحثية
تقترح هذه الورقة إطار عمل للتسريع يراعي التزامن، يستخدم استراتيجية انتباه متفرقة محمية لتقليل تكاليف الاستدلال العالية لنماذج التوليد السمعي البصري من خلال تفريد التفاعلات المتبادلة بين الوسائط الزائدة بشكل انتقائي مع الحفاظ على الرموز الحرجة والأساسية للحفاظ على التزامن السمعي البصري.
تقدم هذه الورقة البحثية CrossView، وهو معيار جديد للأسئلة والأجوبة في مقاطع الفيديو متعددة الكاميرات مصمم لتقييم قدرة نماذج الرؤية واللغة على التفكير عبر وجهات نظر متنوعة ومتزامنة، مما يكشف أن النماذج الحالية تعاني من التحديات الجوهرية لدمج تعدد المشاهد مقارنة بإعدادات الكاميرا الواحدة.
تقدم هذه الورقة البحثية مساراً للتحقق الذاتي للإجابة على الأسئلة في نماذج الفيديو اللغوية الكبيرة (Video-LLM)، والذي يعمل بفعالية على كشف وتصفية الاستشهادات الزمنية المهلوسة عبر استبدال طرق التحقق غير المستقرة أو المتملقة بنموذج استدلال لغوي طبيعي مستقر، محققاً معدل ضبط بنسبة 79% للادعاءات المفبركة مع الحفاظ على الادعاءات الحقيقية.
تقترح هذه الورقة إطار عمل خفيف الوزن لدمج السياق يعمل على تخصيص نموذج رؤية ولغة عام للأغراض مجمّد عبر الجمع بين رموز المتخصص الضمنية والأدلة الصريحة القائمة على الاسترجاع، محققاً أداءً فائقاً بأقل عدد من المعلمات القابلة للتدريب مقارنة بطرق التكيف الحالية.
يُعد PoseAdapter إطار عمل خفيف الوزن يحقق توليد صور عالي الدقة وقابل للتحكم للمشاهد المعقدة متعددة الكائنات، وذلك من خلال استخدام تمثيل ثنائي التدفق (2.5D) مع ركائز مكانية-زاوية دقيقة وآلية مدركة للسياق للقضاء على تسرب السمات مع الحفاظ على التماسك العالمي.
تتقصى هذه الورقة الشروط النظرية اللازمة لتحويل استعادة الألوان تحت الماء من مسألة سيئة التحديد إلى مسألة ذات عدم يقين متلاشٍ، مما يتيح نتائج موثوقة علمياً مع زيادة دقة الكاميرا.
يُعد EgoGazeLite متنبئاً خفيف الوزن لتتبع نظرات العين ثنائي المعالجة يعمل على الأجهزة، مما يتيح فهماً لـفيديوهات منظور الشخص الأول بكفاءة عالية في استخدام الرموز (tokens) للنماذج اللغوية الكبيرة متعددة الوسائط من خلال قص الفيديو بدقة بناءً على النظرة المتوقعة، مما يلغي الحاجة إلى أجهزة مخصصة لتتبع حركة العين مع الحفاظ على جودة الوصف والعمل في الوقت الفعلي على الأجهزة الاستهلاكية.
تقترح الورقة البحثية شبكة HAFR-Net، وهي شبكة هرمية لتكييف صقل الميزات تعمل على تعزيز تقسيم صور الاستشعار عن بعد عالية الدقة (VHR) من خلال توظيف الاندماج الموجه بالتباين، ومهايئات البقايا الترددية، والبديهيات المدركة للارتباك لصقل التمثيلات الهرمية سابقة التدريب تدريجيًا، مما يحقق أداءً هو الأفضل في فئته عبر معايير متعددة.
تقدم هذه الورقة البحثية طريقة RPA (نسب الرقعة الخام)، وهي طريقة "الصندوق الأسود" خفيفة الوزن والمتينة التي تتفوق على الأساليب المعقدة الموجودة في تحديد نماذج الصور التوليدية، مع تقديم قدرات متعددة الاستخدامات للتجميع غير الخاضع للإشراف والتكيف بلقطات قليلة دون الحاجة إلى إعادة التدريب.
تقدم هذه الورقة WorldRover، وهو محرك بيانات قابل للتوسع مبني على محرك Unreal Engine يقوم بتوليد تسلسلات فيديو اصطناعية طويلة المدى وغنية بالتعليقات التوضيحية لبيئات صممها فنانون، مما يوفر بيانات متزامنة من نوع RGB، والعمق المتري، ومسارات الكاميرا، وبيانات وجهات نظر متنوعة لتدريب النماذج على الاستكشاف وإعادة البناء المتماسك للعالم.