13200 ورقة بحثية
إن MetaphorStar هو إطار عمل للتعلم التعزيزي البصري متكامل من البداية إلى النهاية، يستخدم مجموعة بيانات جديدة دقيقة التفاصيل (TFQ-Data) وطريقة تعلم تعزيزي متخصصة (TFQ-GRPO) لتعزيز قدرة النماذج اللغوية الكبيرة متعددة الوسائط بشكل كبير على فهم والاستدلال حول الاستعارات والآثار الصورية المعقدة.
تقترح الورقة البحثية SUCode، وهي شبكة لتحسين الصور تحت الماء مدركة للدلالات (semantic-aware) تستخدم تمثيلات كتاب رموز (codebook) منفصلة وتكيفية على مستوى البكسل ونموذج تدريب ثلاثي المراحل لمعالجة التدهور غير المتسق عبر المناطق الدلالية المختلفة من أجل استعادة فائقة للألوان والنسيج.
تقيم هذه الورقة أداء نموذج كشف الأشياء YOLOX لسلامة الركاب في محطات القطارات، حيث أظهرت أن مسرع الذكاء الاصطناعي Hailo-8 يتفوق على Jetson Orin Nano من حيث الدقة وزمن الاستجابة على حد سواء.
تُعد AurigaNet بنية شبكية متقدمة متعددة المهام تدمج بين كشف الأجسام، وكشف المسارات، وتجزئة مثيل المنطقة القابلة للقيادة لتوفين حل إدراك عالي الدقة والكفاءة وفي الوقت الفعلي للقيادة الذاتية، كما يتضح من أدائها المتفوق على مجموعة بيانات BDD100K ونشرها الناجح على الأجهزة المدمجة.
تقدم الورقة البحثية TwiFF، وهو إطار عمل جديد للاستنتاج البصري الديناميكي يتميز بمجموعة بيانات واسعة النطاق (TwiFF-2.7M)، ومعيار تقييم متخصص (TwiFF-Bench)، ونموذج موحد يعزز الاستنتاج متعدد الوسائط من خلال التوليد التكراري لإطارات الأفعال المستقبلية وخطوات الاستنتاج النصية.
تقترح هذه الورقة إطار عمل "الأولوية التوليدية العميقة" (DGP) المُحسَّن الذي يدمج النماذج القائمة على الانتشار مع التحسين التكراري لتحسين جودة إعادة بناء صور الأشعة المقطعية من مخططات السينوغرافرام ذات الرؤية المتفرقة.
تُعد "OccFace" إطار عمل موحداً واعياً بالانسداد للوجوه المتنوعة الشبيهة بالبشر، حيث يتنبأ بشكل مشترك بإحداثيات المعالم الوجهية ووضوح كل نقطة من خلال دمج الأدلة المحلية مع سياق المعالم المتقاطع.
تقترح هذه الورقة إطار عمل للتعلم التبايني الطيفي-المكاني غير المرتبط بنموذج محدد ومجموعة من عمليات تعزيز البيانات المتخصصة المصممة لتحسين أداء الانحدار على البيانات فائقة الطيف عبر مختلف البنى الأساسية.
تقدم هذه الورقة البحثية **CyclingVQA**، وهو معيار تشخيصي جديد مصمم لتقييم ما إذا كانت النماذج اللغوية البصرية (VLMs) يمكنها تعميم قدراتها في الإدراك والاستنتاج من منظور متمحور حول المركبة إلى منظور متمحور حول راكب الدراجة، مما يكشف أن النماذج الحالية — بما في ذلك النماذج المتخصصة في القيادة — لا تزال تعاني في الفهم المكاني المرتبط براكب الدراجة وربط قواعد المرور.
تقترح هذه الورقة أن التعلم المعزز (RL) يتفوق على الضبط الدقيق الخاضع للإشراف (SFT) في تعميم النماذج البصرية اللغوية (VLM) لأنه يعطي الأولوية ضمنياً للبيانات متوسطة الصعوبة، مما دفع المؤلفين إلى تقديم "الضبط الدقيق المنسق حسب الصعوبة" (DC-SFT)، وهو أسلوب أكثر كفاءة يحقق أداءً فائقاً خارج نطاق التوزيع من خلال التصفية الصريحة لعينة الصعوبة المثلى.