12799 ورقة بحثية
تقترح هذه الورقة إطار عمل "BiomedCLIP" المعزز بالانتباه التفاضلي، والمُحسّن باستراتيجيات التحسين البؤري غير المتماثل والتنعيم الزمني، لمعالجة عدم التوازن الشديد في الفئات في تصنيف كبسولات الفيديو الطبية متعددة الملصقات، محققةً أداءً تنافسيًا على مجموعة اختبار RARE-VISION مع كفاءة في الاستدلال.
تقدم هذه الورقة C-TRAIL، وهي مجموعة بيانات متعددة الوسائط تربط مقاطع فيديو كاميرات السيارات الصينية باللوائح المرورية، وتقترح إطار عمل ثنائي المراحل يجمع بين فهم الفيديو ونظام استدلال قانوني متعدد الوكلاء لتوليد أحكام تلقائية ومفسرة للمسؤولية المرورية.
تُعد LaDe إطار عمل لانتشار كامن موحد يستفيد من موسع مطالبات قائم على نموذج لغوي كبير ومحول مشفر بـ 4D RoPE لإنشاء وسائط رسومية متعددة الطبقات وقابلة للتحرير بالكامل مع أعداد طبقات مرنة، ويدعم مهام إنشاء الطبقات من النص ومهام تفكيك الصور.
تُعد AHOY طريقة مبتكرة تعيد بناء نماذج ثلاثية الأبعاد كاملة وقابلة للتحريك من نوع "Gaussian" لأفاتار، وذلك من فيديوهات أحادية العدسة في بيئات طبيعية تعاني من حجب شديد، عبر الاستفادة من نماذج الانتشار التي تم ضبطها بدقة لتناسب الهوية لتخيل مناطق الجسم غير المرئية، واستخدام بنية متخصصة لمعالجة التناقضات بين المشاهد المتعددة.
تقدم هذه الورقة البحثية GMT، وهو إطار عمل محول متعدد الوسائط مشروط بالهدف يقوم بتخليق مسارات تلاعب بالأجسام ذات ست درجات حرية (6-DOF) واقعية وقابلة للتحكم في مشاهد ثلاثية الأبعاد معقدة من خلال الاستفادة المشتركة من الهندسة ثلاثية الأبعاد، والسحب النقطية، والفئات الدلالية، والوضعيات المستهدفة، متفوقاً بذلك على الأساليب الحالية الرائدة في دقة المكان والتحكم في التوجيه.
تقترح الورقة البحثية طريقة LoST (ترميز مستوى الدلالة)، وهي طريقة مبتكرة ترتب رموز الأشكال ثلاثية الأبعاد حسب البروز الدلالي وتستخدم فقدان محاذاة المسافة البينية العلاقاتية (RIDA) لتحقيق إعادة بناء ذات أداء فائق وتحقيق توليد ذاتي تنبؤي فعال بعدد أقل بكثير من الرموز مقارنة بالنهج القائمة على التسلسل الهرمي الهندسي السابقة.
تقدم هذه الورقة إطار عمل خالٍ من التدريب لتحرير الصور المستمر في النماذج التوليدية المشروطة بالنصوص، والذي يحقق تغييرات دلالية سلسة وقابلة للتحكم عبر البناء التلقائي لمطالبات تباينية لاستخلاص ناقلات التوجيه في فضاء تضمين النص، واستخدام بحث النطاق المرن لتحسين مقدار التحرير.
يُعد Loc3R-VLM إطار عمل مبتكر يعزز نماذج الرؤية واللغة ثنائية الأبعاد بقدرات فهم ثلاثية الأبعاد قوية من مقاطع الفيديو أحادية العدسة، وذلك عبر الاستفادة من أهداف مشتركة لإعادة بناء المخطط العام ونمذجة الموقف الصريحة، بتوجيه من أولويات وضع الكاميرا خفيفة الوزن لتحقيق أداء رائد في التحديد المكاني القائم على اللغة والاستدلال ثلاثي الأبعاد.
تقدم هذه الورقة تقنية تسجيل الرموز الزماني والمكاني (STTS)، وهي وحدة تدريبية خفيفة الوزن وقابلة للتدريب من الطرف إلى الطرف توحد عملية تقليم رموز الرؤية عبر كل من نماذج ViT ونماذج LLM دون اشتراط النص، محققةً كفاءة بنسبة 62% مع حد أدنى من فقدان الأداء في مهام الرؤية واللغة للفيديو.
تقدم هذه الورقة طريقة جديدة وسهلة الاستخدام لالتقاط هندسة ومظهر ثلاثي الأبعاد عالي الجودة وكامل للوجه — بما في ذلك الجلد، والشعر، والعيون، وتجويف الفم — من خلال تسلسل وميض هاتف ذكي واحد في إضاءة خافتة، وذلك باستخدام تمثيل هجين ونماذج إضاءة متقدمة لتحقيق نتائج قابلة لإعادة الإضاءة مناسبة للاستخدام المنزلي اليومي.