13041 ورقة بحثية
تقدم الورقة البحثية إطار عمل MSSR، وهو إطار عمل ثنائي الوكلاء يعزز القدرة على الاستدلال المكاني للنماذج اللغوية البصرية من خلال التقييم البرمجي لمجموعة كافية دنيا من نتائج الإدراك ثلاثي الأبعاد المستمدة من نماذج خبيرة للتغلب على الاختناقات الناتجة عن عدم كفاية الفهم ثلاثي الأبعاد والمعلومات الزائدة، مما يحقق أداءً هو الأفضل في فئته على الاختبارات المعيارية الصعبة.
تقدم الورقة البحثية نموذج "Grasp Any Region" (GAR)، وهو نموذج لغوي كبير متعدد الوسائط يستفيد من إعادة تشغيل الميزات المتوافقة مع منطقة الاهتمام (RoI-aligned feature replay) لدمج السياق العالمي من أجل فهم دقيق وتفاعلي على مستوى المنطقة واستدلال تركيبي، محققاً أداءً هو الأفضل في فئته على كل من معايير الصور والفيديو.
يُعد FLoC إطار عمل لا يتطلب تدريباً ومستقلاً عن النماذج، حيث يستفيد من دالة تحديد الموقع (facility location function) وخوارزمية جشعة كسولة (lazy greedy algorithm) لاختيار مجموعة فرعية مدمجة ومتنوعة من الرموز المرئية (visual tokens) لفهم الفيديو الطويل بكفاءة، مما يقلل التكاليف الحسابية بشكل كبير مع الحفاظ على أداء يقارب المثالية عبر مختلف المعايكات.
يُعد DAP مخططاً تكرارياً مدمجاً يعتمد على الرموز المنفصلة، يقوم بالتنبؤ المشترك بالدلالات في منظور الرؤية من الأعلى (BEV) ومسارات المركبة ذاتية القيادة مع الضبط الدقيق باستخدام التعلم التعزيزي، محققاً أداءً هو الأفضل في فئته على معايير قياس القيادة الذاتية رغم ميزانية محدودة تبلغ 160 مليون معلمة.
تقدم هذه الورقة FlashCache، وهو إطار عمل لضغط ذاكرة التخزين المؤقت لـ KV موجه بنطاق التردد يعمل على تحديد وحفظ "قيم KV الشاذة" الحرجة مع الاستفاء من الترشيح منخفض التردد وتخصيص الميزانية الديناميكي لتحقيق تسريع كبير في الاستدلال وتقليل الذاكرة في النماذج اللغوية الكبيرة متعددة الوسائط دون المساس بالأداء.
تقدم الورقة البحثية "المراقب-المؤدي" (ObAct)، وهو إطار عمل جديد للرؤية النشطة في تعلم التقليد للروبوتات ثنائية الأذرع، والذي يقوم ديناميكياً بتعيين ذراع واحدة لبناء تمثيل "Gaussian Splatting" ثلاثي الأبعاد وتحديد زوايا الرؤية المثلى للذراع الأخرى، مما يعزز بشكل كبير من قوة الأداء وكفاءة السياسة من خلال تقليل حالات الحجب مقارنة بإعدادات الكاميرا الثابتة.
يقدم RadarVLM إطار عمل موحداً للرؤية واللغة لفهم مشاهد الرادار، والذي يستفيد من مجموعة بيانات واسعة النطاق من أزواج الرادار والتعليقات النصية ومن هدف CLIP المرتكز مكانياً والمبتكر لتحقيق تحسينات كبيرة في الاستدلال المكاني وأداء التجزئة عبر سيناريوهات القيادة المتنوعة.
يُعد PowerCLIP إطار عمل جديدًا للتدريب المسبق التبايني يعزز الفهم التركيبي من خلال المحاذاة الشاملة لمجموعات القوى الخاصة بمناطق الصور مع الأشجار الإعرابية النصية، مستخدمًا مجمعات غير خطية فعالة للتغلب على التكلفة الحسابية الأسية لبناء مجموعات القوى الساذجة مع تحقيق أداء رائد في مهام الرؤية واللغة الصفرية.
تقدم هذه الورقة مجموعة بيانات EgoCampus ونموذج EgoCampusNet لمعالجة تحدي التنبؤ بنظرة عين المشاة من منظور الشخص الأول في الملاحة الخارجية في العالم الحقيقي، وذلك عبر الاستفادة من مجموعة واسعة ومتنوعة من مقاطع الفيديو المسجلة والموسومة ببيانات نظرة العين والتي تم التقاطها عبر نظارات Project Aria من Meta.
تقدم هذه الورقة FluenceFormer، وهو إطار عمل مكون من مرحلتين يعتمد على الـ Transformer، يستفيد من فقدان الانحدار المدرك للتدفق (Fluence-Aware Regression loss) والمستند إلى الفيزياء، لتحقيق تنبؤ متفوق لخرائط التدفق (fluence maps) مدرك للهندسة في التخطيط للعلاج الإشعاعي، متفوقاً بشكل ملحوظ على طرق الشبكات العصبية الالتفافية (CNN) والطرق أحادية المرحلة في الحفاظ على الطاقة والدقة الهيكلية.