10804 पेपर
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।
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।
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।
यह शोध पत्र ट्रैफिक दुर्घटना वीडियो-क्यू-ए (VideoQA) बेंचमार्क का ऑडिट करता है ताकि यह प्रकट किया जा सके कि उच्च सटीकता अक्सर दृश्य साक्ष्य के बजाय पाठ्य शॉर्टकट (textual shortcuts) से उत्पन्न होती है, और एक नए मेट्रिक्स तथा एक प्रशिक्षण-मुक्त फ़िल्टरिंग विधि का प्रस्ताव करता है जो शॉर्टकट-संभावित प्रश्नों की पहचान करने और उन्हें हटाने के लिए है, जिससे सुरक्षा-महत्वपूर्ण अनुप्रयोगों में वास्तविक दृश्य ग्राउंडिंग (visual grounding) सुनिश्चित की जा सके।
यह शोध पत्र S4ECA का प्रस्ताव करता है, जो एक पैरामीटर-कुशल फ्रेमवर्क है जो सिमेंटिक-ड्रिवन स्केल और स्पेशियल सिलेक्शन मैकेनिज्म के साथ एक डुअल-एनकोडर एडेप्टर का उपयोग करता है ताकि बैकबोन के केवल 2.4% पैरामीटर्स को अपडेट करते हुए रिफरिंग रिमोट सेंसिंग इमेज सेगमेंटेशन में स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एक मध्यवर्ती टेक्स्ट प्रतिनिधित्व-निर्देशित विधि का प्रस्ताव करके "एक और केवल एक" (one-and-only) वस्तुओं को निष्ठापूर्वक रेंडर करने में टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल की विफलता को संबोधित करता है, जो दमित अवधारणा संबंधी जानकारी को पुनः प्राप्त करने के लिए प्रारंभिक-परत एनकोडर अवस्थाओं को इंजेक्ट करता है, जिससे बिना किसी अतिरिक्त प्रशिक्षण के महत्वपूर्ण संरेखण सुधार प्राप्त होता है।
VisReflect एक नवीन फ्रेमवर्क है जो एकल फॉरवर्ड पास के भीतर प्रमुख क्षेत्रों की ओर ध्यान केंद्रित करने के लिए निरंतर लेटेंट विजुअल रिफ्लेक्शंस (latent visual reflections) उत्पन्न करके लंबे विजुअल संदर्भों में सूक्ष्म धारणा (fine-grained perception) को बढ़ाता है, जिससे यह पारंपरिक री-एनकोडिंग विधियों की तुलना में विजुअल अटेंशन सिंक समस्या को दूर करता है और कम्प्यूटेशनल ओवरहेड को कम करता है।
DreamForge-World 0.1 Preview एक लो-कंप्यूट, कंज्यूमर-जीपीयू-फ्रेंडली फाउंडेशनल वर्ल्ड मॉडल है जो Wan2.1-व्युत्पन्न LongLive 1 आर्किटेक्चर को एक रेसिडुअल एक्शन पाथवे के साथ अनुकूलित करता है ताकि RTX 4090 पर कीबोर्ड और माउस कंट्रोल के साथ 15 FPS तक रियल-टाइम, इंटरैक्टिव वीडियो सिमुलेशन सक्षम किया जा सके।
यह शोध पत्र एक हल्का, ट्रांसफॉर्मर-आधारित फ्रेमवर्क प्रस्तावित करता है जो घर पर शारीरिक पुनर्वास अभ्यासों के लागत प्रभावी, स्वचालित और उच्च-प्रदर्शन वाले मूल्यांकन को सक्षम करने के लिए RGBD संयुक्त डेटा पर कर्व-आधारित पॉइंट-क्लाउड फीचर एग्रीगेशन और एक्सियल सेल्फ-अटेंशन का उपयोग करता है।
यह शोध पत्र TRACE को प्रस्तुत करता है, जो RANO 2.0 मानदंडों के अनुरूप एक व्याख्या योग्य कॉन्सेप्ट बॉटलनेक मॉडल है, जो पारदर्शी तर्क और संभावित नैदानिक सुधार को सक्षम करने के लिए मध्यवर्ती अवधारणाओं के रूप में नैदानिक रूप से सार्थक ट्यूमर मापन की भविष्यवाणी करके 3D MRI पर अनुदैर्ध्य ग्लियोब्लास्टोमा प्रतिक्रिया मूल्यांकन में सुधार करता है।