13200 ورقة بحثية
تقدم الورقة البحثية MomaGraph، وهو تمثيل موحد لمخطط المشهد مدرك للحالة، ومجموعة بيانات وتقييم واسعة النطاق متوافقين معه، إلى جانب MomaGraph-R1، وهو نموذج لغوي بصري يستفيد من هذه الموارد لتحقيق أداء رائد في التنبؤ بمخطط المشهد الموجه للمهام وتخطيط المهام المتجسدة.
يُعد SuperiorGAT إطار عمل يعتمد على انتباه الرسوم البيانية، يقوم بإعادة بناء بيانات الارتفاع المفقودة في سحب نقاط ليدار (LiDAR) المتفرقة من خلال نمذجة عمليات المسح كرسوم بيانية مدركة للحزم، مما يوفر طريقة فعالة حاسبياً لتحسين دقة المستشعر دون الحاجة إلى أجهزة إضافية.
تقدم هذه الورقة نموذجاً بديلاً من نوع (U-Net) تلافيفياً بالكامل وسريعاً، معززاً بالانتشار الشرطي للتهيئة وميزات هيكلية متخصصة، مما يتيح استقراءً مكانياً-زمانياً عالي الكفاءة لمحاكاة حقل الطور لعملية إزالة السبائك في المعادن السائلة بتكاليف حوسبة منخفضة بشكل كبير ودقة فيزيائية عالية.
تُعد مجموعة بيانات "Moonworks Lunara Aesthetic" مجموعة عالية الجودة، مرخصة بموجب رخصة "Apache 2.0"، وتضم صوراً مُولدة بواسطة الذكاء الاصطناعي تتميز بأنماط فنية وإقليمية متنوعة، مصحوبة بتعليقات توضيحية دقيقة تم تنقيحها بشرياً لدعم الأبحاث الدقيقة والاستخدام التجاري.
إن W-DUALMINE هو إطار عمل لدمج الخبراء المزدوجين بوزن الموثوقية، والذي يحل المفاضلة بين التشابه الإحصائي العالمي والدقة الهيكلية المحلية في دمج الصور الطبية من خلال وزن الأنماط التكيفي، واستراتيجية الخبير مزدوج النطاق، ونموذج دمج المتبقي إلى المتوسط.
لمعالجة ديناميكيات التدريب غير المستقرة وعدم التوافق بين الطبقات في الضبط الدقيق للمطالبات البصرية (Visual Prompt Tuning)، تقترح الورقة البحثية "التطور غير المرتبط بالمطالبة" (Prompt-Agnostic Evolution - PAE)، وهي طريقة تعمل على تثبيت تعلم المطالبات من خلال استخدام التهيئة في نطاق التردد، ومعامل كوبمان (Koopman operator) مشترك للتطور المتماسك عبر الطبقات، ومنظم استقرار مستوحى من نظرية ليابونوف (Lyapunov).
تقدم Moonworks مجموعة بيانات Lunara Aesthetic II، وهي مجموعة بيانات مُطلقة للعموم تتكون من 2,854 زوجاً من صور التباين ذات جمالية عالية ومستمدة من مصادر أخلاقية، صُممت لتقييم وتحسين الحفاظ على الهوية والاتساق السياقي في أنظمة توليد الصور وتحريرها.
يقترح SVD-ViT إطار عمل مبتكرًا يستخدم تحليل القيم المفردة من خلال ثلاثة مكونات متخصصة (SPC وSSVA وID-RSVD) لتثبيط ضوضاء الخلفية والشوائب، مما يمكن نماذج Vision Transformers من التركيز بشكل أكثر فعالية على سمات المقدمة لتحسين أداء التصنيف.
تقترح الورقة البحثية DiGAN، وهو إطار عمل مبتكر يجمع بين نمذجة الانتشار الكامن لتخليق مسارات التصوير العصبي الطولية مع شبكة تلافيفية موجهة بالانتباه لتحسين الكشف المبكر عن مرض ألزهايمر من بيانات سريرية محدودة وغير منتظمة.
يُعد Mask-LLaVA إطار عمل يعمل على تحسين كفاءة النماذج اللغوية البصرية ذات التوليد الذاتي من خلال الجمع بين الرموز البصرية العالمية والمحلية والقائمة على القناع، مما يسمح بتقليل مرن في عدد الرموز البصرية أثناء الاستدلال دون فقدان ملحوظ في الأداء.