10757 पेपर
यह शोध पत्र Q-Margin को प्रस्तुत करता है, जो एक नवीन -डाइवर्जेंस लॉस है जो स्पार्स समाधानों (sparse solutions) को प्रेरित करने के लिए संदर्भ मापों में संभाव्य मार्जिन को एनकोड करता है, जिससे कम फॉल्स एक्सेप्टेंस रेट्स पर बेहतर प्रदर्शन प्राप्त होता है और बड़े पैमाने पर बायोमेट्रिक सत्यापन के लिए मेमोरी-कुशल प्रशिक्षण सक्षम होता है।
यह शोध पत्र WorldRoamBench प्रस्तुत करता है, जो एक नवीन ओपन-वर्ल्ड बेंचमार्क है जिसे चार महत्वपूर्ण आयामों—एक्शन (action), विजन (vision), फिजिक्स (physics) और मेमोरी (memory)—में इंटरैक्टिव वर्ल्ड मॉडल्स की लॉन्ग-होरिज़न स्थिरता का कड़ाई से मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो यह प्रकट करता है कि वर्तमान अत्याधुनिक मॉडल्स अभी भी निरंतर इंटरैक्टिव वातावरण में विश्वसनीय, भौतिक रूप से आधारित और मेमोरी-फिथफुल प्रदर्शन प्राप्त करने के लिए संघर्ष कर रहे हैं।
यह शोध पत्र एक एंड-टू-एंड पाइपलाइन प्रस्तुत करता है जो हैंडहेल्ड फोकस स्टैकिंग, एक नॉन-कॉन्टैक्ट मिरर सिस्टम और एक मिरर-अवेयर 3D गॉसियन स्प्लैटिंग एक्सटेंशन को जोड़ता है ताकि माउंटेड तितलियों के फोटो-रियलिस्टिक 3D मॉडल तैयार किए जा सकें, जो उनकी नाजुकता, सूक्ष्म विवरणों और अप्राप्य वेंट्रल सतहों से संबंधित चुनौतियों पर विजय प्राप्त करता है।
शेलमेकर (ShellMaker) एक भाषा-निर्देशित ढांचा है जो निश्चित आंतरिक स्कैफोल्ड्स को पूरा करते हुए, ज्यामितीय और अर्थपूर्ण बाधाओं का कड़ाई से पालन करते हुए, शैलीगत रूप से सुसंगत और संरचनात्मक रूप से सुसंगत बाहरी इमारतों, जिनमें अग्रभाग (फसाड) और छतें शामिल हैं, का संश्लेषण करता है।
यह शोध पत्र यह प्रदर्शित करता है कि जबकि स्पार्स ऑटोएनकोडर्स (Sparse Autoencoders) डिफ्यूजन मॉडल्स में सिमेंटिक अवधारणाओं का प्रभावी ढंग से पता लगाते हैं, इन फीचर्स का उपयोग करके किया गया प्रत्यक्ष लेटेंट हस्तक्षेप (direct latent intervention) दृश्य विसंगतियों (visual artifacts) का कारण बनता है, जो एक डिटेक्शन-आधारित प्रतिस्थापन रणनीति (detection-based replacement strategy) को प्रेरित करता है जो मॉडल के एक्टिवेशन सांख्यिकी (activation statistics) को संरक्षित करके बेहतर ऑब्जेक्ट इरेज़र (object erasure) प्राप्त करती है।
यह शोध पत्र WIDER-FAIR को प्रस्तुत करता है, जो निष्पक्षता मूल्यांकन को सक्षम करने के लिए जातीयता और लिंग के मैनुअल एनोटेशन के साथ WIDER-FACE बेंचमार्क का विस्तार करने वाला एक नया डेटासेट है, जो प्रयोगों के माध्यम से यह प्रदर्शित करता है कि फेस डिटेक्शन मॉडल प्रदर्शन में महत्वपूर्ण असमानताएं प्रदर्शित करते हैं, विशेष रूप से अश्वेत व्यक्तियों के विरुद्ध।
UniCoder एक एकीकृत सुदृढीकरण शिक्षण (reinforcement learning) ढांचे को पेश करता है जो डेंस रिवॉर्ड्स के लिए प्रतीकात्मक विशेषता संरेखण (symbolic attribute alignment) और स्थानीय इष्टतम (local optima) से बचने के लिए संदर्भ-निर्देशित कोड अनुकूलन का उपयोग करके विजुअल-टू-कोड जनरेशन में मानक मल्टीमॉडल मॉडलों की सीमाओं को दूर करता है, जिससे कई बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
मेमलर्नर (MemLearner) प्री-ट्रेंड विजुअल प्रायर्स और एक मल्टी-डेटासेट ट्रेनिंग स्ट्रैटेजी का लाभ उठाने वाले एक लर्निंग-बेस्ड अडैप्टिव कॉन्टेक्स्ट क्वेरी मेथड को पेश करके वीडियो वर्ल्ड मॉडल्स में मेमोरी सीमाओं को संबोधित करता है, जो विशेष रूप से ओक्लूजन (occlusions) और डायनेमिक ऑब्जेक्ट्स वाले परिदृश्यों में सीन कंसिस्टेंसी में महत्वपूर्ण सुधार करता है।
यह शोध पत्र RhythmJEPA का प्रस्ताव करता है, जो एक स्व-पर्यवेक्षित (self-supervised) रिमोट फोटोप्लेथिस्मोग्राफी फ्रेमवर्क है जो मास्क किए गए वीडियो से लेटेंट टीचर रिप्रेजेंटेशन्स का पूर्वानुमान लगाकर और पल्स सिग्नल्स की चक्रीय टेम्पोरल संरचना को स्पष्ट रूप से मॉडल करने के लिए ड्यूल ऑर्डर मंबा एनकोडर के साथ एक साइक्लिक रिदम-स्टेट प्लानर का उपयोग करके शारीरिक संकेत अनुमान में सुधार करता है।
यह शोधपत्र JL1-CC&QA प्रस्तुत करता है, जो एक मल्टी-टास्क बेंचमार्क है जो 5,000 जिलिन-1 (Jilin-1) उपग्रह छवि युग्मों से व्युत्पन्न 17,021 परिवर्तन विवरणों (change captions) और 20,060 प्रश्न-उत्तर युग्मों के साथ JL1-CD डेटासेट का विस्तार करता है, ताकि लैंड-कवर परिवर्तनों के सूक्ष्म विवरण और संवादात्मक पूछताछ को सक्षम बनाकर रिमोट सेंसिंग चेंज डिटेक्शन में सिमेंटिक गैप को पाटा जा सके।