10519 पेपर
यह शोध पत्र CIB-Med-1 प्रस्तुत करता है, जो चेस्ट रेडियोग्राफी संपादन के लिए एक बेंचमार्क है जो यह दर्शाता है कि कैसे मानक डिफ्यूजन मॉडल अक्सर गैर-लक्ष्य निष्कर्षों को बदलकर "रिवॉर्ड हैक" करते हैं, और यह प्रदर्शित करता है कि एक कसी हुई गाइडेड अप्रोच (constrained guidance approach) इच्छित पैथोलॉजी प्रोग्रेशन को प्रभावी ढंग से संरक्षित करते हुए ऑफ-टारगेट सिमेंटिक ड्रिफ्ट को काफी कम करती है।
यह शोध पत्र प्रदर्शित करता है कि जबकि मस्तिष्क-एन्कोडिंग मॉडल के पूर्वानुमान वीडियो स्मृति पूर्वानुमान के लिए उनके विजुअल बैकबोन से सार्वभौमिक रूप से बेहतर प्रदर्शन नहीं करते हैं, वे वेंट्रल ऑक्सीपिटो-टेम्पोरल कॉर्टेक्स में स्थानीयकृत एक विजन-ऑर्थोगोनल सिग्नल को कैप्चर करके वीडियोमेम (VideoMem) डेटासेट पर बैकबोन की तुलना में एक डेटासेट-विशिष्ट लाभ प्रदान करते हैं (लेकिन मेमेंटो10के (Memento10k) पर नहीं)।
यह शोध पत्र ग्रुप-कॉन्ट्रास्टिव फॉरवर्ड-फॉरवर्ड (GCFF) एल्गोरिदम का प्रस्ताव करता है, जो एक जैविक रूप से प्रशंसनीय शिक्षण विधि है जो स्पर्सिटी (sparsity) के बजाय संरचनात्मक बाधाओं के माध्यम से गैर-रेखीय अवधारणाओं को पकड़ने में सक्षम पदानुक्रमित मोनोसेमेंटिक न्यूरॉन्स (hierarchical monosemantic neurons) प्राप्त करती है, और साथ ही इमेज क्लासिफिकेशन बेंचमार्क पर अत्याधुनिक प्रदर्शन भी प्राप्त करती है।
CoBind एक प्रशिक्षण-मुक्त (training-free) फ्रेमवर्क है जो प्रॉम्प्ट्स को कंपोजिशन ग्राफ में पार्स करके और सटीक एट्रिब्यूट बाइंडिंग एवं स्थानिक लेआउट सुनिश्चित करने के लिए स्टेज-अवेयर बाधाओं (stage-aware constraints) को लागू करके जटिल टेक्स्ट-टू-इमेज जनरेशन में सुधार करता है, जिसके लिए मॉडल को पुन: प्रशिक्षित करने की आवश्यकता नहीं होती है।
यह शोध पत्र SaaF का प्रस्ताव करता है, जो एक नवीन गॉसियन स्प्लेटिंग-आधारित 3D लैंग्वेज फील्ड है जो एक इंस्टेंस-डिस्क्रिमिनेटिव और एम्बिग्युटी-अवेयर फीचर स्पेस बनाने के लिए मेट्रिक लर्निंग का लाभ उठाता है, जिससे इस प्रकार सर्विस रोबोट्स को समान वस्तुओं और अस्पष्ट उपयोगकर्ता प्रश्नों को प्रभावी ढंग से संभालकर वास्तविक दुनिया के दृश्यों में मजबूत इंटरैक्टिव ऑब्जेक्ट रिट्रीवल प्राप्त करने में सक्षम बनाया जा सके।
xperception एक ज़ीरो-शॉट 6D पोज़ एस्टीमेशन सिस्टम है जो CAD मॉडल्स और फाउंडेशन मॉडल फीचर्स का लाभ उठाकर हाई-मिक्स लो-वॉल्यूम मैन्युफैक्चरिंग में मिलीमीटर-सटीक, सुदृढ़ रोबोटिक ग्रैस्पिंग को सक्षम बनाता है, जिसके लिए ऑब्जेक्ट-विशिष्ट प्रशिक्षण या डेटा एनोटेशन की आवश्यकता नहीं होती है।
यह शोध पत्र एक डेप्थ-रेगुलराइज्ड (depth-regularized) JEPA वर्ल्ड मॉडल प्रस्तुत करता है जो वास्तविक दुनिया के बाहरी रोबोट डेटा से अधिक हस्तांतरणीय (transferable) और सुदृढ़ प्रतिनिधित्व सीखने के लिए ज्यामितीय पूर्वधारणाओं (geometric priors) और लेटेंट रेगुलराइजेशन का लाभ उठाता है, जो बिना इन्फरेंस ओवरहेड बढ़ाए विजुअल ओडोमेट्री, सरप्राइज डिटेक्शन और मल्टी-स्टेप प्रेडिक्शन में बेसलाइन्स से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र Eddy-VL 1.9B को प्रस्तुत करता है, जो एज डिप्लॉयमेंट के लिए डिज़ाइन किया गया एक संकुचित मल्टीमॉडल एम्बेडिंग मॉडल है, जो प्रोब-ड्रिवन स्ट्रक्चरल प्रूनिंग और लेयर्ड नॉलेज डिस्टिलेशन के माध्यम से अपने 2.13B के टीचर के 91.7% प्रदर्शन को प्राप्त करते हुए पैरामीटर्स में 9.5% और लेटेंसी में 10% की कमी करता है।
यह अध्ययन एक आर्किटेक्चर-अज्ञेय (architecture-agnostic) पाइपलाइन प्रस्तुत करता है जो ब्रेन ट्यूमर एमआरआई वर्गीकरण के लिए कैलिब्रेटेड अनिश्चितता अनुमान उत्पन्न करने हेतु मोंटे कार्लो ड्रॉपआउट का लाभ उठाता है, जो चयनात्मक भविष्यवाणी को सक्षम बनाता है जो सबसे अनिश्चित मामलों को रेडियोलॉजिस्टों के पास भेज देता है और नैदानिक सटीकता में महत्वपूर्ण सुधार करता है।
यह शोधपत्र CANVAS को प्रस्तुत करता है, जो एक शीफ-थ्योरी (sheaf-theory) से प्रेरित ढांचा है जो कलाकृतियों को संदर्भ-विशिष्ट एम्बेडिंग में प्रोजेक्ट करके बहु-संबंधी विजन-लैंग्वेज रिप्रजेंटेशन सीखता है, जिससे सिंगल-स्पेस मॉडल्स की सीमाओं को दूर किया जा सके और नए बहु-संबंधी आर्ट बेंचमार्क पर बेहतर प्रदर्शन प्राप्त किया जा सके।