12709 ورقة بحثية
تقترح هذه الورقة إطار عمل جديد للكشف عن الأجسام ثلاثية الأبعاد بنظام التعلم شبه المُشرف، والذي يستخدم وحدة تسمية مستعارة قابلة للتعلم لاختيار التسميات المستعارة عالية الجودة بشكل تكيفي عبر دمج الدرجات وتحديد عتبات مدركة للسياق، مما يتغلب على قيود طرق العتبة اليدوية أو الثابتة.
تقدم الورقة البحثية SAGA، وهو إطار عمل مبتكر يستفيد من استراتيجية "الPretrain-and-Attribute" (التعلم المسبق والنسب) الموفرة للبيانات وبصمات الانتباه الزمني (Temporal Attention Signatures) لتحقيق أفضل النتائج في نسبة المصدر متعددة الحبيبات لفيديوهات الذكاء الاصطناعي التوليدي، وتحديد نماذج ومطورين محددين بأقل قدر من البيانات المصنفة مع توفير رؤى جنائية قابلة للتفسير.
يُعد DePT3R إطار عمل مبتكر يقوم بتتبع النقاط الكثيفة وإعادة البناء ثلاثي الأبعاد للمشاهد الديناميكية من صور متعددة في تمريرة أمامية واحدة دون الحاجة إلى أوضاع الكاميرا، محققاً قدرة فائقة على التكيف وكفاءة في الذاكرة مقارنة بالطرق الحالية.
تقدم هذه الورقة البحثية "التحفيز بالمكافأة" (Reward-Forcing)، وهي طريقة لتوليد الفيديو ذاتية الانحدار تستخدم إشارات المكافأة لتوجيه عملية التدريب، مما يتيح مخرجات عالية الدقة ومتسقة زمنياً تضاهي أو تتفوق على النماذج ثنائية الاتجاه دون الاعتماد على بنيات معلمة تقييدية.
تقدم هذه الورقة البحثية GoogleFontsBench، وهو أول معيار مرجعي عام لخطوط الويب مفتوحة المصدر يتميز بمجموعة بيانات اصطناعية واسعة النطاق ومقياس تقييم مرجح بالشدة، مما يثبت أن الضبط الدقيق لنموذج DINOv2 باستخدام تقنية LoRA الموفرة للمعلمات يحقق دقة تصل إلى 99.0% مع تدريب 1% فقط من معلمات النموذج.
يُعدُّ LiME إطار عمل خفيف الوزن لخليط الخبراء (Mixture of Experts) من أجل تعلم متعدد الوسائط ومتعدد المهام بكفاءة، حيث يحقق تخصص الخبراء من خلال تعديل المخرجات والتوجيه صفري المعلمات، مما يقلل بشكل كبير من المعلمات القابلة للتدريب ووقت التدريب مع الحفاظ على أداء تنافسي عبر 47 مهمة متنوعة.
تقدم هذه الورقة البحثية مساراً لبيانات اصطناعية يقوم بتوليد واستيعاب آثار الاستدلال لفهم الوثائق المرئية ذات السياق الطويل عبر دمج النماذج منخفض القوة، مما يمكّن النماذج الأصغر مثل Qwen3 VL 32B من التفوق بشكل كبير على نظيراتها الأكبر حجماً مع تقليل استخدام الرموز المخرجة بشكل جذري.
إن LumiVideo هو نظام وكيل ذكي يحاكي سير العمل المعرفي لخبراء تلوين الألوان المحترفين لتوليد تدرجات لونية سينمائية ذاتياً من لقطات (log) الخام، وذلك عبر دمج استدلال النماذج اللغوية الكبيرة (LLM) مع التوليد المعزز بالاسترجاع (RAG)، ليخرج بتكوينات ASC-CDL و3D LUT متوافقة مع المعايير الصناعية لضمان نتائج قابلة للتفسير، ومتسقة زمنياً، وقابلة للتحكم التكراري.
تقدم هذه الورقة مراجعة شاملة وتحليلاً مقارناً لمجموعات بيانات صور قاع العين لإدارة اعتلال الشبكية السكري، حيث تقيم قابليتها للاستخدام عبر مهام سريرية متنوعة، وتحدد الفجوات الحرجة مثل عدم اتساق التوصيفات ومحدودية التنوع، وتقدم توصيات لتطوير مجموعات بيانات أكثر قوة ومعيارية لدعم حلول التعلم العميق الموثوقة.
تُثبت هذه الورقة أن نموذج التأسيس القائم على الانتشار، EarthSynth، يمكنه بفعالية تخليق صور أقمار صناعية واقعية لما بعد حرائق الغابات من خلال التكييف مع أقنعة الحرق عبر مسار معالجة لإعادة الرسم (inpainting)، مما يعالج ندرة البيانات المصنفة لأنظمة الكشف عن حرائق الغابات القائمة على التعلم العميق.