12799 ورقة بحثية
تقدم هذه الورقة V3Fusion، وهو إطار عمل مبتكر يعزز الاستدلال البصري من خلال دمج نماذج الرؤية واللغة المتنوعة عبر الاختيار القائم على الرؤية واللغة، ومقاييس تنوع الخطأ البؤري، وتحسين الخوارزمية الجينية، محققاً أداءً هو الأفضل في فئته عبر معايير متعددة مع الحد بفعالية من الهلوسة.
تُعد STRAP-ViT آلية دفاع غير قابلة للتدريب وتعمل بمبدأ "التوصيل والتشغيل" لنماذج المحولات الرؤيوية (Vision Transformers)، حيث تعمل على تخفيف هجمات الرقعة العدائية عبر تحديد الرموز الشاذة إحصائياً باستخدام تباعد جينسن-شانون وتطبيق تحويلات عشوائية عليها، محققةً دقة تقارب دقة الصور الأصلية دون تكاليف تدريب إضافية.
تقدم هذه الورقة نهج وسم الوحدة الدلالية الهيكلية (SSU) ودرجة COTe القابلة للتفكيك لمعالجة أوجه القصور في مقاييس اكتشاف الكائنات التقليدية في تحليل تخطيط المستندات، مما يوفر إطاراً أكثر دقة ومتانة لتقييم أداء النموذج وتحديد أوضاع الفشل المحددة.
تقدم هذه الورقة Dyn-Bench، وهو معيار واسع النطاق لتقييم قدرة النماذج اللغوية الكبيرة متعددة الوسائط على إدراك والاستدلال حول الديناميكيات المكانية والزمانية في العوالم الفيزيائية رباعية الأبعاد، مما يكشف أن النماذج الحالية تعاني من صعوبة في تفسير الحركة المتسق ولكن يمكن تحسينها بشكل كبير من خلال نهج التكامل الهيكلي مثل الاندماج الموجه بالقناع والخرائط المعرفية النصية المكانية-الزمانية.
تقترح الورقة البحثية SLICE، وهو إطار عمل لعلامات مائية للصور لا يتطلب تدريباً، يعمل على تعزيز المتانة ضد هجمات التحرير الدلالي من خلال فصل دلالات الصورة إلى أربعة عوامل متميزة وربطها بمناطق محددة من ضجيج الانتشار الأولي لتمكين الكشف عن التلاعب وتحديده بدقة عالية.
تقدم الورقة البحثية وحدة "حقن المرئيات الإضافي" (PVI)، وهي وحدة خفيفة الوزن ومستقلة عن نوع المشفر، تعمل على تعزيز نماذج الرؤية واللغة والأداء عبر حقن ميزات الفيديو الزمنية من خلال مسارات متبقية ذات تهيئة صفرية، مما يحسن الأداء في مهام المناولة المعقدة ومتعددة المراحل دون الحاجة إلى تغييرات هيكلية واسعة أو تدريب متعدد المراحل.
تقدم هذه الورقة KazakhOCR، وهو معيار مرجعي اصطناعي لتقييم النماذج متعددة الوسائط في النصوص الكازاخستانية منخفضة الموارد بالنماذج العربية والسيريلية واللاتينية، مما يكشف أن النماذج اللغوية الكبيرة متعددة الوسائط الحالية تقصر بشكل كبير مقارنة بطرق التعرف الضوئي على الحروف التقليدية، لا سيما في التعرف على النصوص العربية واللاتينية وتحديد اللغة بشكل صحيح.
تُثبت هذه الورقة أن نماذج الرؤية واللغة المدمجة والمكيفة بكفاءة في المعلمات، والتي تم تقييمها بموجب بروتوكول موحد ضعيف الإشراف، تحقق دقة تضاهي أو تتجاوز النماذج المرجعية الراسخة مع الحفاظ على زمن انتقال تنافسي لكل مقطع فيديو وانخفاض في الحساسية تجاه الأوامر النصية لضمان كشف موثوق للأنشطة غير الطبيعية في كاميرات المراقبة.
تقترح الورقة البحثية RBF-Solver، وهو أداة عينات انتشار متعددة الخطوات مبتكرة تستخدم دوال القاعدة الشعاعية الغاوسية القابلة للتعلم لاستكمال تقييمات النموذج، مما يؤدي إلى تحسين مسارات أخذ العينات لتحقيق دقة صور فائقة ودرجات FID أقل مقارنة بالطرق القائمة على كثيرات الحدود في كل من أنظمة تقييم الدوال المنخفضة والعالية.
تقترح الورقة البحثية Info-VLA، وهو إطار عمل للتعلم المستمر قائم على نظرية المعلومات، يعمل على التخفيف من حدة النسيان الكارثي في نماذج الرؤية واللغة والعمل (Vision-Language-Action) من خلال توظيف تعلم تباين مرساة الإعادة وتعظيم المعلومات المتبادلة عبر الوسائط للحفاظ على التبعيات الحرجة عبر الوسائط، مما يؤدي إلى تحسين استبقاء المهام والتكيف بشكل كبير في معيار LIBERO.