12754 ورقة بحثية
تقترح هذه الورقة البحثية إطار عمل LDF-VFI، وهو إطار عمل شامل متمحور حول الفيديو يستخدم محول انتشار ذاتي الانحدار مع تقنيات مبتكرة للعينات من نوع (skip-concatenate) وانتباه محلي متفرق لتحقيق استيفاء إطارات فيديو متطور وحاصل على أعلى المعايير، يتسم بالاتساق الزمني ويدعم دقات عشوائية وتسلسلات طويلة.
تقدم هذه الورقة BrepARG، وهو الإطار الأول لترميز بيانات تمثيل الحدود (B-rep) إلى تسلسل رموز كلي يتكون من رموز هندسية وطوبولوجية، مما يتيح توليداً متطوراً بنظام التنبؤ الذاتي عبر بنية محول تعتمد فقط على فك التشفير.
يُعد PhaSR إطار عمل عام لإزالة ظلال الصور يحقق أداءً قويًا عبر ظروف إضاءة متنوعة من خلال توظيف محاذاة مسبقة ثنائية المستوى عبر التقييس المحاذي فيزيائيًا لتصحيح الإضاءة، وانتباه التصحيح الهندسي-الدلالي لمواءمة الهندسة العميقة مع التضمينات الدلالية.
يُعد CoPE-VideoLM نموذج لغة فيديو فعالاً يستفيد من متجهات الحركة والمتبقيات من بدائيات ترميز الفيديو لتقليل العبء الحسابي وزمن الاستجابة بشكل جذري مع الحفاظ على الأداء أو تجاوزه عبر مختلف معايير فهم الفيديو.
تقترح هذه الورقة إطاراً لحماية حقوق الطبع والنشر للنماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) يقوم بتوليد صور محفزة عدائية عبر آلية حقن مزدوجة —تجمع بين الاتساق النصي ومحاذاة السمات الدلالية— لاستثارة استجابات فريدة تتعلق بالملكية في المشتقات التي خضعت لضبط دقيق، بينما تظل خاملة في النماذج غير المشتقة.
يُعد ConceptPrism إطار عمل لتوليد الصور من النصوص بشكل مخصص، حيث يحقق فصلاً دقيقاً للمفاهيم عبر التحسين المشترك لرمز مستهدف ورموز متبقية على مستوى الصورة من خلال خسائر إعادة البناء والاستبعاد، مما يؤدي إلى عزل الميزات المشتركة دون الحاجة إلى معلومات خارجية.
تحدد الورقة البحثية أن نماذج CLIP المدربة على شروح طويلة تعاني من انحياز "قصر نظر" حيث يتركز الانتباه على الجملة الملخصة الأولية، وتقترح DeBias-CLIP، وهي طريقة خالية من المعلمات تعمل على إزالة هذا الملخص وإعادة توزيع الإشراف لتحقيق أداء رائد في استرجاع النصوص الطويلة وتحسين المتانة.
يقدم Fase3D أول نموذج لغوي متعدد الوسائط ثلاثي الأبعاد فعال وخالٍ من المشفر، والذي يستفيد من أداة ترميز مبتكرة قائمة على تحويل فوريه تجمع بين تسلسل السحابة النقطية وتحويل فوريه السريع (FFT) لتحقيق أداء يضاهي الأنظمة القائمة على المشفرات مع تقليل التكاليف الحسابية وتكاليف المعلمات بشكل كبير.
يُعد DyaDiT نموذج محول انتشار متعدد الوسائط يقوم بتوليد إيماءات ثنائية واعية بالسياق ومقبولة اجتماعياً من خلال الاستفادة من الديناميكيات الصوتية المتبادلة ورموز السياق الاجتماعي الاختيارية ليتفوق على الأساليب الحالية في كل من المقاييس الموضوعية وتفضيلات المستخدمين.
يُعد OMG-Avatar طريقة مبتكرة من نوع "المرة الواحدة" (one-shot) تستخدم تمثيلاً غاوسياً متعدد مستويات التفاصيل (Multi-LOD Gaussian) وبنية قائمة على المحولات (transformer-based) مع نموذج تعلم من الخشن إلى الناعم لإعادة بناء نماذج رمزية ثلاثية الأبعاد للرأس عالية الجودة وقابلة للتحريك مع دمج الكتفين في غضون 0.2 ثانية فقط، مما يوازن بفعالية بين جودة إعادة البناء والكفاءة الحسابية عبر مختلف قدرات الأجهزة.