10560 पेपर
TimeLens2 एक सामान्यवादी वीडियो टेम्पोरल ग्राउंडिंग फ्रेमवर्क पेश करता है जो विविध बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए एक नवीन मल्टी-स्पैन सुपरविजन रणनीति और एक टेम्पोरल वासरस्टीन रिवॉर्ड का लाभ उठाते हुए मल्टीमॉडल एलएलएम (LLMs) का उपयोग करता है, जो समान आकार के बेसलाइन और बहुत बड़े ओपन-सोर्स मॉडलों दोनों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र DA-MergeLoRA प्रस्तुत करता है, जो एक फ्यू-शॉट टेस्ट-टाइम डोमेन एडेप्टेशन फ्रेमवर्क है जो एक मेटा-लर्नड हाइपरनेटवर्क का लाभ उठाता है ताकि नए टार्गेट डोमेन के लिए सोर्स-डोमेन-विशिष्ट LoRA मॉड्यूल्स को एक एकल एडेप्टेड रिप्रेजेंटेशन में गतिशील रूप से मर्ज किया जा सके, जिससे सोर्स ट्रेनिंग के दौरान टार्गेट डेटा की आवश्यकता के बिना स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है।
TraversRL एक सुदृढीकरण शिक्षण (reinforcement learning) आधारित ढांचे को पेश करता है जो पैदल पथ निर्माण को एक क्रमिक निर्णय प्रक्रिया के रूप में मॉडल करता है, जिससे एक विज़न-कंडीशन्ड एजेंट को हवाई छवियों से निरंतर जुड़े हुए और सुगम नेटवर्क का निर्माण करने में सक्षम बनाया जाता है, जो कनेक्टिविटी और सटीकता दोनों में पारंपरिक विभाजन (segmentation) विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र लंग अल्ट्रासाउंड वीडियो वर्गीकरण के लिए एक डीप लर्निंग फ्रेमवर्क प्रस्तावित करता है जो पैथोलॉजिकल विभेदन, स्थानीयकरण और कई नैदानिक वर्गों में मजबूती को बेहतर बनाने के लिए पदानुक्रम-जागरूक प्रशिक्षण (hierarchy-aware training) और शरीर रचना-निर्देशित मास्क पर्यवेक्षण (anatomy-guided mask supervision) को संयोजित करता है।
FlexiGrad एक सरल, पैरामीटर-मुक्त विधि है जो फाइन-ग्रेंड क्लासिफिकेशन में पदानुक्रमित ग्रेडिएंट संघर्षों (hierarchical gradient conflicts) को हल करती है, जो हानिकारक विसंगतियों को हटाने और साझा शिक्षण दिशाओं को सुदृढ़ करने के लिए बैकप्रोपैगेशन को अनुकूल रूप से नियंत्रित करती है, जिससे कई डेटासेट्स में स्थिर प्रशिक्षण और बेहतर सटीकता सक्षम होती है।
यह शोध पत्र JAGG (Jacobian-Aggregated Group Gradient) प्रस्तुत करता है, जो डिफ्यूजन मॉडल प्रक्षेपवक्रों (trajectories) के लगभग रैखिक परिवर्तन का लाभ उठाकर मध्यवर्ती जैकोबियन (intermediate Jacobians) को अनुमानित करने और ग्रुप ग्रेडिएंट्स को एकत्रित करने के लिए है, जिससे बिना किसी महत्वपूर्ण गुणवत्ता हानि के डिफ्यूजन ट्रांसफॉर्मर्स के लिए ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) प्रशिक्षण की कम्प्यूटेशनल लागत को लगभग 2 कम किया जा सकता है।
यह शोध पत्र पिक्सेल-स्पेस डिफ्यूजन ट्रांसफॉर्मर्स (pDiTs) की समीक्षा करता है, जो उच्च-निष्ठा (high-fidelity), एंड-टू-एंड अनुकूलन और एक ही ट्रांसफॉर्मर आर्किटेक्चर के भीतर विजुअल जनरेशन और समझ को एकीकृत करने वाले एकीकृत मल्टीमॉडल सिस्टम को सक्षम करने के लिए सीधे कच्चे पिक्सेल को मॉडल करके लेटेंट कंप्रेशन की सीमाओं को दरकिनार करते हैं।
यह शोध पत्र Miles का प्रस्ताव करता है, जो एक क्लास-इन्क्रीमेंटल लर्निंग विधि है जो सीखने योग्य मॉड्यूल को अलग करके और प्रदर्शन एवं कम्प्यूटेशनल लागत के बीच प्रभावी ढंग से संतुलन बनाने तथा कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) को कम करने के लिए मेट्रिक लर्निंग के साथ एक विस्तार योग्य सबस्पेस का उपयोग करके प्री-ट्रेंड मॉडल्स का लाभ उठाता है।
यह शोध पत्र OrientSAM को प्रस्तुत करता है, जो एक ओरिएंटेशन-अवेयर (अभिविन्यास-जागरूक) स्थानिक संरेखण ढांचा है जो स्पष्ट ओरिएंटेशन जानकारी को इंजेक्ट करके और मजबूत एलोसेंट्रिक (विषय-केंद्रित) स्थानिक तर्क को सक्षम करने के लिए करिकुलम लर्निंग का उपयोग करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में कैमरा-केंद्रित शॉर्टकट्स को कम करता है।
RayOcc एक कैमरा-ओनली 3D सिमेंटिक ऑक्यूपेंसी प्रेडिक्शन फ्रेमवर्क है जो गॉसियन मिक्स्चर इंटेंसिटीज और पॉइसन इवेंट फॉर्मुलेशन का उपयोग करके किरणों को मल्टी-लेबल अस्तित्व समस्याओं के रूप में मॉडल करके गहराई की अस्पष्टता और अवरोध (occlusion) को संबोधित करता है, जिससे कई ऑक्यूपाइड परिकल्पनाओं का सह-अस्तित्व संभव होता है और nuScenes बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।