cs.CV पेपर | Gist.Science

MuseBench: Benchmarking Intent-Level Audiovisual Arts Understanding in MLLMs

यह शोध पत्र MuseBench को प्रस्तुत करता है, जो विविध दृश्य-श्रव्य कलाओं में 4,000 से अधिक विशेषज्ञ-सत्यापित प्रश्नों वाला एक व्यापक बेंचमार्क है, जिसे मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स की इरादा-स्तर (intent-level) की तर्क क्षमताओं का मूल्यांकन करने के लिए डिज़ाइन किया गया है और जो रचनात्मक कलात्मक इरादे को समझने में वर्तमान एआई प्रणालियों और मानव विशेषज्ञों के बीच प्रदर्शन के एक महत्वपूर्ण अंतर को प्रकट करता है।

Yuxuan Fan, Gyusik Seo, Jing Hao, Jaemin Cho, Mohit Bansal, Jaehong Yoon2026-06-30

💻 computer science

Cross-Modal Iteration Distillation for Robust IHD Screening: The IDNet Framework and A New Benchmark

यह शोध पत्र IDNet प्रस्तुत करता है, जो एक क्रॉस-मोडल डिस्टिलेशन एग्रीगेटर (Cross-Modal Distillation Aggregator) वाला एक मल्टीमॉडल फ्रेमवर्क है जो इस्केमिक हृदय रोग की स्क्रीनिंग में सुधार के लिए फंडस छवियों को नैदानिक डेटा के साथ प्रभावी ढंग से फ्यूज करता है, साथ ही एक नए बड़े पैमाने के, पुनरुत्पादक UK बायोबैंक बेंचमार्क का विमोचन भी करता है जो मौजूदा बेसलाइनों पर इसके बेहतर प्रदर्शन को प्रदर्शित करता है।

Yongchang Gao, Junjie Pang, Shuaiyu Yang, Yusheng Yang, Xichao Jia, Shaojie Li, Hongfei Zhang, Jia Mu2026-06-30

🤖 machine learning

Consensus Clustering of Free-Viewing Gaze Data: New Insights into Human-Information Interaction

यह शोधपत्र EnsembleGaze प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड एन्सेम्बल लर्निंग सिस्टम है जो फ्री-व्यूइंग गेज़ डेटा पर कंसेंसस क्लस्टरिंग लागू करता है, जो उद्दीपकों (stimuli) के लिए एम्बिएंट बनाम फोकल व्यूइंग मोड में सुदृढ़ अंतर को प्रकट करता है और यह प्रदर्शित करता है कि उपयोगकर्ता व्यवहार पैटर्न संदर्भ-निर्भर होते हैं और उन्हें बाइसक्लस्टरिंग रणनीतियों के माध्यम से सर्वोत्तम रूप से कैप्चर किया जा सकता है।

Beryl Gnanaraj, Jaya Sreevalsan-Nair, Saqib Alam Ansari, Maanasa Rajaraman2026-06-30

💻 computer science

Illuminating Unified Multimodal Model for Free-form Interleaved Text-Image Generation

यह शोध पत्र ILLUME-X को प्रस्तुत करता है, जो एक एकीकृत मल्टीमॉडल मॉडल है जो एक अनुकूलित डेटा पाइपलाइन, स्व-अनुकूली उद्देश्यों के साथ एक प्रगतिशील प्रशिक्षण रणनीति और ILScore नामक एक नवीन मूल्यांकन मीट्रिक के माध्यम से उच्च-गुणवत्ता वाले, मुक्त-रूप इंटरलीव्ड टेक्स्ट-इमेज जनरेशन को प्राप्त करता है, जो विभिन्न कार्यों में पिछले मॉडलों से बेहतर प्रदर्शन करता है।

Chonghuinan Wang, Zhikai Chen, Chunwei Wang, Yecong Wan, Junwei Yang, Zhixin Wang, Wei Zhang, Jiaqi Xu, Renjing Pei, Xia (…)2026-06-30

💻 computer science

Emergence of a Shared Canonical Object Frame from In-the-Wild Videos

यह शोध पत्र यह प्रदर्शित करता है कि प्रशिक्षण अनुक्रमों को एक मोटे ज्यामितीय बॉटलनेक (coarse geometric bottleneck) के माध्यम से रूट करके, इन-द-वाइल्ड वीडियो से स्व-पर्यवेक्षित (self-supervised) तरीके से एक साझा कैनोनिकल ऑब्जेक्ट फ्रेम सीखा जा सकता है, जिससे मैनुअल कैनोनिकल पोज़ एनोटेशन की आवश्यकता समाप्त हो जाती है और श्रेणी-स्तरीय पोज़ अनुमान बेंचमार्क पर प्रतिस्पर्धी सटीकता प्राप्त होती है।

Tom Fischer, Martin Sundermeyer, Adam Kortylewski, Eddy Ilg2026-06-30

🤖 machine learning

Neural Subspace Reallocation: Continual Learning as Retrieval-Based Subspace Memory Management

यह शोध पत्र न्यूरल सबस्पेस रीएलोकेशन (NSR) को प्रस्तुत करता है, जो एक निरंतर सीखने (continual learning) का ढांचा है जो LoRA मॉड्यूल को एक फ्रीज्ड बैकबोन पर संपीड़ित (compressible), प्रतिग्रहित (retrievable) मेमोरी यूनिट के रूप में मानता है, और यह प्रदर्शित करता है कि टास्कनॉलेजबैंक (TaskKnowledgeBank) से सरल समानता-आधारित रिट्रीवल, भूलने की प्रक्रिया (forgetting) को कम करने और कार्य रिकवरी को तेज करने के साथ-साथ न्यूनतम मेमोरी फुटप्रिंट बनाए रखते हुए जटिल सीखे गए एलोकेशन पॉलिसियों की तुलना में काफी बेहतर प्रदर्शन करता है।

Byeong Hoon Yoon2026-06-30

💻 computer science

SIR: Structured Image Representations for Explainable Robot Learning

यह शोध पत्र स्ट्रक्चर्ड इमेज रिप्रेजेंटेशन्स (SIR) को प्रस्तुत करता है, जो रोबोटिक पॉलिसियों के प्रदर्शन और अंतर्निहित व्याख्यात्मकता को बढ़ाने के लिए मध्यवर्ती निरूपण के रूप में सीखने योग्य, स्पार्स सीन ग्राफ का उपयोग करने वाली एक विधि है, जो ग्राफ विश्लेषण के माध्यम से डेटासेट पूर्वाग्रहों का पता लगाने में सक्षम बनाती है।

Paul Mattes, Jan Schwab, Jens Bosch, Nils Blank, Maximilian Xiling Li, Minh-Trung Tang, Moritz Haberland, Rudolf Lioutik (…)2026-06-30

💻 computer science

Hyper-Network Neural Functional Maps for Unsupervised Robust 3D Shape Matching

यह शोध पत्र एक हाइपर-नेटवर्क-आधारित ढांचे को प्रस्तुत करता है जो रैखिक स्पेक्ट्रल संरेखण (linear spectral alignment) की सीमाओं को दूर करने के लिए एक अनसुपरवाइज्ड (unsupervised) तरीके से नॉन-लीनियर न्यूरल फंक्शनल मैप्स को सीखता है, जिससे आंशिकता (partiality) और टोपोलॉजिकल शोर (topological noise) जैसी चुनौतीपूर्ण स्थितियों में 3D शेप मैचिंग में मजबूती और सटीकता में महत्वपूर्ण सुधार होता है।

Dongliang Cao, Florian Bernard2026-06-30

💻 computer science

Latent Noise Mask for Reducing Visual Redundancy in Multimodal Large Language Models

यह शोध पत्र Lens का प्रस्ताव करता है, जो एक हल्का, प्रश्न-आधारित ढांचा (framework) है जो अप्रासंगिक इमेज टोकन में अनुकूल रूप से लेटेंट नॉइज़ (latent noise) इंजेक्ट करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में विजुअल रेडंडेंसी को कम करता है, जिससे मॉडल बैकबोन को संशोधित किए बिना फाइन-ग्रेन्ड रीजनिंग और ग्राउंडिंग प्रदर्शन में महत्वपूर्ण सुधार होता है।

Kai Jiang, Ruishu Zhu, Siqi Huang, Hongyuan Zhang, Xuelong Li2026-06-30

💻 computer science

A Multi Center Breast FNAC Whole-Slide Cytology Dataset for AI-Assisted Patch-Wise Classification Using C1 to C5 Reporting Categories

यह शोध पत्र एक मल्टी-सेंटर ब्रेस्ट FNAC होल-स्लाइड साइटोलॉजी डेटासेट प्रस्तुत करता है जिसमें 321 भारतीय रोगियों की 470 छवियों का संग्रह है, जिसमें AI-सहायता प्राप्त पैच-वाइज वर्गीकरण के समर्थन के लिए C1-C5 रिपोर्टिंग लेबल के साथ 7,398 विशेषज्ञ-एनोटेटेड पैच शामिल हैं।

Garima Jain, Abhijeet Patil, Surabhi Jain, Sanghamitra Pati, Amit Sethi, Sandeep Mathur, Pulkit Verma, Nishi Halduniya (…)2026-06-30

← पिछला अगला →