10757 पेपर
यह अध्ययन प्रदर्शित करता है कि दृश्य क्षेत्र (फील्ड-ऑफ-व्यू) की बाधाओं और डेटा संरेखण से संबंधित चुनौतियों के बावजूद, अर्ली और लेट फ्यूजन दोनों विधियों का उपयोग करके संरेखित दृश्य और थर्मल हवाई छवियों को मिलाने से ग्रेट ब्लू हेरॉन और उनके घोंसलों का स्वचालित पता लगाने में केवल दृश्य-आधारित मॉडलों की तुलना में महत्वपूर्ण सुधार होता है।
यह शोध पत्र LightOnOCR-2-1B को प्रस्तुत करता है, जो एक संक्षिप्त 1B-पैरामीटर वाला एंड-टू-एंड बहुभाषी विजन-लैंग्वेज मॉडल है, जो दस्तावेज़ छवियों को सीधे स्वच्छ टेक्स्ट और स्थानीयकृत बाउंडिंग बॉक्स में परिवर्तित करके OlmOCR-Bench पर अत्याधुनिक (state-of-the-art) OCR प्रदर्शन प्राप्त करता है, जबकि RLVR और चेकपॉइंट मर्जिंग जैसी उन्नत प्रशिक्षण रणनीतियों के माध्यम से पिछले मॉडलों की तुलना में महत्वपूर्ण गति और आकार के लाभ प्रदान करता है।
यह शोध पत्र गॉसियन बिलीफ प्रोपेगेशन नेटवर्क (GBPN) प्रस्तुत करता है, जो एक नवीन हाइब्रिड फ्रेमवर्क है जो एक ग्राफिकल मॉडल कंस्ट्रक्शन नेटवर्क के माध्यम से गतिशील रूप से एक दृश्य-विशिष्ट मार्कोव रैंडम फील्ड का निर्माण करता है और विशेष रूप से उच्च विरलता (sparsity) की स्थितियों में अत्याधुनिक डेप्थ कम्प्लीशन प्रदर्शन प्राप्त करने के लिए एक उन्नत गॉसियन बिलीफ प्रोपेगेशन योजना का उपयोग करके इसका अनुमान लगाता है।
यह शोध पत्र DO-ALL को पेश करता है, जो एक प्लग-एंड-प्ले फ्रेमवर्क है जो परिनियोजन (डिप्लॉयमेंट) से पहले स्रोत डेटा से संक्षिप्त सिंथेटिक एंकर्स उत्पन्न करने के लिए डेटासेट डिस्टिलेशन का लाभ उठाता है, जिससे कच्चे स्रोत डेटा को बनाए रखे बिना या कैटास्ट्रोफिक फॉरगेटिंग (विस्मृति) से ग्रस्त हुए स्थिर और सुदृढ़ निरंतर टेस्ट-टाइम अनुकूलन सक्षम होता है।
PIAvatar एक नवीन फ्रेमवर्क है जो काइनेमैटिक वेलोसिटी (kinematic velocity) को डीफॉर्मेशन ग्रेडिएंट्स (deformation gradients) से अलग करके और जटिल अवतार-अवतार तथा अवतार-पर्यावरण इंटरैक्शन के दौरान रीयल-टाइम पोज़ ट्रैकिंग के लिए एक स्केलेटल फ्रेमवर्क को एकीकृत करके, नॉन-रिजिड डिफॉर्मेबल सिमुलेशन के साथ भौतिक रूप से इंटरैक्टिव 3D मानव अवतारों को सक्षम बनाता है।
यह शोध पत्र एक नवीन न्यूरोसिम्बोलिक ढांचे (neurosymbolic framework) को प्रस्तुत करता है जो रोगी-केंद्रित कंकाल अनुक्रमों (skeleton sequences) को निकालने, नैदानिक रूप से आधारित स्थानिक-कालिक अवधारणाओं (spatio-temporal concepts) की भविष्यवाणी करने और उन्हें ऑडिट करने योग्य बूलियन नियमों में विभेदात्मक तर्क (differentiable logic) के माध्यम से संयोजित करके, गैर-दौरे वाली गतिविधियों के सूक्ष्म उप-वर्गीकरण के माध्यम से गलत सकारात्मकता (false positives) को कम करते हुए, व्याख्या योग्य, उच्च-सटीक वीडियो-आधारित दौरे का पता लगाने की क्षमता प्राप्त करता है।
PolyFlow एक नवीन ढांचा पेश करता है जो डिस्क्रीट मेश कनेक्टिविटी को एक निरंतर एम्बेडिंग स्पेस में परिवर्तित करके कुशल समानांतर जनरेशन और उच्च-गुणवत्ता वाले आर्टिस्ट-स्टाइल मेश सिंथेसिस के बीच के अंतर को पाटता है, जिससे एक ट्रांसफॉर्मर-आधारित फ्लो-मैचिंग मॉडल गति और ज्यामितीय सटीकता दोनों में ऑटोरेग्रेसिव बेसलाइन्स से बेहतर प्रदर्शन करने में सक्षम होता है।
DANTE-W एक न्यूरल टेक्सचरिंग फ्रेमवर्क है जो शास्त्रीय मेश टेक्सचरिंग की शेडिंग और शैडो सीमाओं को दूर करने के लिए व्यू-स्पेस जेनेरेटिव प्रायर्स को भौतिक रूप से सिद्धांतबद्ध न्यूरल रेंडरिंग के साथ जोड़कर, असंरचित इन-द-वाइल्ड इमेज कलेक्शंस से उच्च-निष्ठा वाले, रिलाइटेबल डिफ्यूज़ एल्बेडो टेक्सचर्स को रिकवर करता है।
यह शोध पत्र LUMOS को प्रस्तुत करता है, जो एक सिमेंटिक ऑपरेटिंग-सिस्टम लेयर है जो एक्सेसिबिलिटी मेटाडेटा को मशीन-पठनीय ब्लूप्रिंट में बदलकर AI एजेंटों और नेटिव इंटरफेस के बीच सेतु का कार्य करता है, जिससे स्क्रीनशॉट और OCR जैसी अक्षम विजुअल इंटरप्रिटेशन विधियों पर निर्भरता कम होती है।
यह शोधपत्र एक ऐसे फ्रेमवर्क को प्रस्तुत करता है जो वितरण संबंधी मेट्रिक्स (distributional metrics) के माध्यम से डेटासेट समानता को मापने के लिए लेटेंट सीन एम्बेडिंग्स (latent scene embeddings) को सीखता है, और यह प्रदर्शित करता है कि ये ट्रांसफरैबिलिटी स्कोर भविष्य के मॉडल विकास को निर्देशित करने के लिए 24 प्रमुख डेटासेट्स में क्रॉस-डेटासेट मोशन प्रेडिक्शन प्रदर्शन के साथ दृढ़ता से सह-संबंधित हैं।