👁️ Category

cs.CV

10757 पेपर

💻 computer science

A Morse-Bott Framework for Blind Inverse Problems: Local Recovery Guarantees and the Failure of the MAP

यह शोध पत्र एक मोर्स-बॉट (Morse-Bott) ढांचे का उपयोग यह प्रदर्शित करने के लिए करता है कि जबकि ब्लाइंड इनवर्स समस्याओं में मैक्सिमम ए पोस्टीरiori (MAP) अनुमान वास्तविक सत्य (ground truth) के निकट स्थानीय स्थिरता और अभिसरण गारंटी प्रदान करता है, इसकी "ब्लरी ट्रैप्स" (blurry traps) से बचने में अंतर्निहित विफलता किसी पूर्व सूचना (prior) की गुणवत्ता की सीमा नहीं बल्कि एक आंतरिक परिदृश्य विशेषता है, जिसके लिए सफल रिकवरी हेतु रणनीतिक इनिशियलाइजेशन (strategic initialization) आवश्यक है।

Minh-Hai Nguyen, Edouard Pauwels, Pierre Weiss2026-06-30
💻 computer science

TAR: Temporal Anchor-Constrained Reasoning for Video Temporal Grounding

यह शोध पत्र TAR का प्रस्ताव करता है, जो एक टेम्पोरल एंकर तंत्र को पेश करके वीडियो टेम्पोरल ग्राउंडिंग को उन्नत करता है ताकि प्रगतिशील, विजुअल-ग्राउंडेड रीजनिंग को लागू किया जा सके और एक बूटस्ट्रैपिंग प्रतिमान (पैराडाइम) को उच्च-गुणवत्ता वाला प्रशिक्षण डेटा स्वायत्त रूप से उत्पन्न करने के लिए उपयोग किया जा सके, जिससे कंप्यूटेशनल रूप से महंगे बाहरी मॉडलों पर निर्भर किए बिना मतिभ्रम (हैलुसिनेशन) को कम करते हुए अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।

Chaohong Guo, Xun Mo, Yongwei Nie, Fei Ma, Xuemiao Xu, Chengjiang Long2026-06-30
💻 computer science

Invisible Yet Detected: PelFANet with Attention-Guided Anatomical Fusion for Pelvic Fracture Diagnosis

यह शोध पत्र PelFANet को प्रस्तुत करता है, जो एक ड्यूल-स्ट्रीम अटेंशन नेटवर्क है जो दृश्य और अदृश्य पेल्विक फ्रैक्चर के मजबूत और सटीक निदान को प्राप्त करने के लिए कच्चे पेल्विक एक्स-रे को खंडित (segmented) हड्डी की छवियों के साथ संलयित करता है, जो AMERI डेटासेट पर पारंपरिक तरीकों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

Siam Tahsin Bhuiyan, Rashedur Rahman, Sefatul Wasi, Naomi Yagi, Syoji Kobashi, Ashraful Islam, Saadia Binte Alam2026-06-30
💻 computer science

Data-Efficient Stream-Based Active Distillation for Scalable Edge Model Deployment

यह शोध पत्र एक डेटा-कुशल स्ट्रीम-आधारित सक्रिय आसवन (एक्टिव डिस्टिलेशन) ढांचे का प्रस्ताव करता है जो प्रशिक्षण की गुणवत्ता को अधिकतम करते हुए और डेटा ट्रांसमिशन लागत को न्यूनतम करते हुए एज मॉडल परिनियोजन को अनुकूलित करने के लिए उच्च-विश्वास चयन को विविधता-आधारित नमूनाकरण के साथ जोड़ता है।

Dani Manjah, Tim Bary, Benoît Gérin, Benoît Macq, Christophe de Vleeschouwer2026-06-30
💻 computer science

MM-Nav: Multi-View VLA Model for Robust Visual Navigation via Multi-Expert Learning

यह शोध पत्र MM-Nav को प्रस्तुत करता है, जो एक मल्टी-व्यू विजन-लैंग्वेज-एक्शन मॉडल है जो रीचिंग (पहुंचना), स्क्वीजिंग (दबाना) और अवॉइडिंग (बचना) कार्यों के लिए प्रिविलेज्ड-डेप्थ आरएल (RL) विशेषज्ञों से विविध क्षमताओं को डिस्टिल करने के लिए एक टीचर-स्टूडेंट फ्रेमवर्क का लाभ उठाकर मजबूत विजुअल नेविगेशन प्राप्त करता है, और अंततः सिंथेटिक और वास्तविक दुनिया के वातावरण में अपने शिक्षकों से बेहतर प्रदर्शन करता है।

Tianyu Xu, Jiawei Chen, Jiazhao Zhang, Wenyao Zhang, Zekun Qi, Minghan Li, Zhizheng Zhang, He Wang2026-06-30
💻 computer science

SSDD: Single-Step Diffusion Decoder for Efficient Image Tokenization

यह शोध पत्र SSDD को प्रस्तुत करता है, जो एक GAN-मुक्त, सिंगल-स्टेप डिफ्यूजन डिकोडर है जो बिना किसी एडवरसेरियल लॉस (adversarial loss) की आवश्यकता के बेहतर पुनर्निर्माण गुणवत्ता और तेज़ सैंपलिंग गति प्राप्त करके पारंपरिक KL-VAE टोकनाइज़र से बेहतर प्रदर्शन करता है।

Théophane Vallaeys, Jakob Verbeek, Matthieu Cord2026-06-30
💬 NLP

SRUM: Fine-Grained Self-Rewarding for Unified Multimodal Models

SRUM एक यूनिफाइड मल्टीमॉडल मॉडल्स के लिए एक सेल्फ-रिवॉर्डिंग पोस्ट-ट्रेनिंग फ्रेमवर्क पेश करता है जो बाहरी रिवॉर्ड मॉडल्स या मानव-लेबल वाले डेटा की आवश्यकता के बिना विजुअल जनरेशन फिडेलिटी को महत्वपूर्ण रूप से बढ़ाने के लिए एक ग्लोबल-लोकल डुअल रिवॉर्ड सिस्टम के साथ मॉडल के अपने अंडरस्टैंडिंग मॉड्यूल का आंतरिक इवैल्यूएटर के रूप में लाभ उठाता है।

Weiyang Jin, Yuwei Niu, Jiaqi Liao, Chengqi Duan, Aoxue Li, Shenghua Gao, Xihui Liu2026-06-30
🔬 physics

PCP-GAN: Property-Constrained Pore-scale image reconstruction via conditional Generative Adversarial Networks

यह अध्ययन PCP-GAN को प्रस्तुत करता है, जो एक मल्टी-कंडीशनल जेनेरेटिव एडवरसैरियल नेटवर्क है जो डेटा की कमी और स्थानिक विषमता को दूर करने के लिए RGB थिन सेक्शन्स से प्रतिनिधि, गुण-प्रतिबंधित पोर-स्केल चित्र उत्पन्न करता है, जो यादृच्छिक रूप से निकाले गए वास्तविक उप-चित्रों की तुलना में सरंध्रता (porosity), खनिज विज्ञान और रूपात्मक विशेषताओं में काफी उच्च निष्ठा प्राप्त करता है।

Ali Sadeghkhani, Brandon Bennett, Masoud Babaei, Arash Rabbani2026-06-30
💻 computer science

AD-DAE: Alzheimer's Disease Progression Modeling with Unpaired Longitudinal MRI using Diffusion Auto-Encoders

यह शोध पत्र AD-DAE को प्रस्तुत करता है, जो एक कंडिशनेबल डिफ्यूजन ऑटो-एनकोडर फ्रेमवर्क है जो अल्जाइमर रोग की प्रगति को मॉडल करता है और एक कॉम्पैक्ट लेटेंट स्पेस सीखकर एकल समय बिंदुओं से फॉलो-अप एमआरआई इमेज जेनरेट करता है जहाँ प्रोग्रेशन और सब्जेक्ट आइडेंटिटी को अलग किया गया है, जिससे पेयर्ड सब्जेक्ट-स्पेसिफिक डेटा की आवश्यकता के बिना नियंत्रित लोंगीटुडिनल सिंथेसिस संभव हो पाता है।

Ayantika Das, Arunima Sarkar, Keerthi Ram, Mohanasankar Sivaprakasam2026-06-30
💻 computer science

MonoSR: Open-Vocabulary Spatial Reasoning from Monocular Images

यह शोध पत्र MonoSR को प्रस्तुत करता है, जो विविध इनडोर और आउटडोर परिदृश्यों में मोनोक्यूलर स्थानिक तर्क (monocular spatial reasoning) के लिए एक बड़े पैमाने का ओपन-वोकैबुलरी डेटासेट है, साथ ही यह वर्तमान विजन-लैंग्वेज मॉडल्स का मूल्यांकन करता है और एकल छवियों से ओपन-वर्ल्ड 3D समझ के लिए भविष्य के अनुसंधान को निर्देशित करने हेतु अंतर्दृष्टि प्रदान करता है।

Qirui Wang, Jingyi He, Yining Pan, Si Yong Yeo, Xulei Yang, Shijie Li2026-06-30