10757 पेपर
यह शोध पत्र टेक्स्ट एम्बेडिंग स्टीयरिंग (TES) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त ढांचा है जो डीनोइजिंग प्रक्रिया के दौरान कंडीशनल टेक्स्ट एम्बेडिंग्स को अनुकूलित करके टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल्स में जनसांख्यिकीय पूर्वाग्रह को कम करता है, जिससे इमेज की गुणवत्ता या मॉडल को पुन: प्रशिक्षित किए बिना बेहतर निष्पक्षता प्राप्त होती है।
यह शोध पत्र 'स्टिच्ड एम्बेडिंग्स' (Stitched Embeddings) को प्रस्तुत करता है, जो एक नवीन सिमुलेशन-मुक्त ढांचा है जो एक प्री-ट्रेन्ड 3D फाउंडेशन मॉडल और बॉक्समेश (BoxMesh) मध्यवर्ती प्रतिनिधित्व का लाभ उठाकर एक ही द्वि-दिशीय लेटेंट स्पेस के भीतर 3D गारमेंट पुनर्निर्माण और 2D सिलाई पैटर्न अनुमान को एकीकृत करता है ताकि अत्याधुनिक सटीकता और दक्षता प्राप्त की जा सके।
यह शोध पत्र CIM को प्रस्तुत करता है, जो एक नवीन मीट्रिक-संचालित ढांचा है जो मौजूदा डेटासेट डिस्टिलेशन विधियों के सूचना-हानि-प्रेरित दोहरी-संपीड़न प्रतिमान (dual-compression paradigm) को समाप्त करता है ताकि न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ ImageNet-1K जैसे बड़े पैमाने के डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र इम्पलिसिट न्यूरल रिप्रेजेंटेशन्स (INRs) को बेहतर बनाने के लिए कार्डियक मोशन प्रायर्स (cardiac motion priors) सीखने की चार रणनीतियों का मूल्यांकन करता है, जो यह प्रदर्शित करता है कि हालांकि सभी विधियाँ रैंडम इनिशियलाइजेशन की तुलना में अनुकूलन (adaptation) में सुधार करती हैं, मेटा-लर्निंग ट्रैकिंग सटीकता और अनुकूलन प्रक्षेपवक्र (adaptation trajectory) में समग्र रूप से सर्वश्रेष्ठ प्रदर्शन प्राप्त करता है।
TRCGL-Net एक नवीन फ्रेमवर्क है जो लॉन्ग-टेल्ड मल्टी-लेबल चेस्ट एक्स-रे वर्गीकरण के लिए है, जो दुर्लभ रोगों के नमूनों को उत्पन्न करने के लिए एक टेक्स्ट-गाइडेड कंडिशनल डिफ्यूजन मॉडल, एक चैनल रीवेटिंग मैकेनिज्म, क्लास-अवेयर अटेंशन, और एक लेबल को-अकरेंस ग्राफ कन्वोल्यूशन नेटवर्क को एकीकृत करता है ताकि PadChest डेटासेट पर दुर्लभ रोगों की पहचान और समग्र प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।
यह शोध पत्र QCA का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free), क्वेरी- और कंटेंट-जागरूक कीफ्रेम चयन ढांचा है जो मौजूदा विधियों की तुलना में काफी कम फ्रेमों के साथ अत्याधुनिक लॉन्ग वीडियो अंडरस्टैंडिंग प्रदर्शन प्राप्त करने के लिए फ्रेम बजट को गतिशील रूप से आवंटित करता है और विविधता को अनुकूलित करता है।
GenAU एक एकीकृत विजन-लैंग्वेज फ्रेमवर्क है जो औद्योगिक निरीक्षण के लिए विशेष सेगमेंटेशन टोकन के साथ एक VLM को संवर्धित करके इमेज-लेवल डिटेक्शन, पिक्सेल-लेवल सेगमेंटेशन, मल्टी-टाइप विसंगति पहचान और लैंग्वेज-ग्राउंडेड डिफेक्ट विश्लेषण को एक एकल इंस्ट्रक्शन-फॉलोइंग मॉडल में एकीकृत करता है।
यह शोध पत्र H-Tac, एक बड़े पैमाने के मानव-केंद्रित स्पर्श (tactile) डेटासेट को प्रस्तुत करता है और ट्रांसफरएबल टैक्टाइल प्री-ट्रेनिंग (TTP) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो एकीकृत स्पर्श-क्रिया (tactile-action) स्थानों को संरक्षित करके और संपर्क गतिकी (contact dynamics) को स्पष्ट रूप से मॉडल करके, मानव स्पर्श डेटा का लाभ उठाकर सुदृढ़, सूक्ष्म दक्ष रोबोटिक हेरफेर को सक्षम बनाता है।
यह शोध पत्र LongVQUBench को प्रस्तुत करता है, जो 1200 से अधिक विविध लंबी अवधि के वीडियो और 1500 प्रश्नों से बना एक व्यापक बेंचमार्क है जिसे तीन पदानुक्रमित तर्क स्तरों के माध्यम से विजन-लैंग्वेज मॉडल की दीर्घकालिक वीडियो गुणवत्ता समझ का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो टेम्पोरल इंटीग्रेशन और परसेप्चुअल एट्रिब्यूशन के संबंध में वर्तमान अत्याधुनिक मॉडलों में महत्वपूर्ण प्रदर्शन सीमाओं को प्रकट करता है।
EquiSteer एक प्रशिक्षण-मुक्त (training-free), प्रति-नमूना अनुमान विधि है जो तटस्थ प्रॉम्प्ट्स में लक्षित गुणों को इंजेक्ट करने के लिए क्रॉस-अटेंशन एक्टिवेशन्स को गतिशील रूप से निर्देशित करके और गुण-विशिष्ट प्रॉम्प्ट्स के मूल इरादे को सुरक्षित रखते हुए टेक्स्ट-टू-इमेज जनरेशन में जनसांख्यिकीय पूर्वाग्रहों को कम करती है।