cs.CV

Towards a Dynamic and Fixed-budget Memory Bank for Efficient Streaming Video Understanding

यह शोध पत्र CausalMem का प्रस्ताव करता है, जो स्ट्रीमिंग वीडियो सूचना को कुशलतापूर्वक संकुचित और संरक्षित करने के लिए ऑनलाइन सिमेंटिक बेसिस अपडेट्स का उपयोग करके एक गतिशील, निश्चित-बजट मेमोरी बैंक का निर्माण करने वाला एक प्रशिक्षण-मुक्त दृष्टिकोण है, जो 20 गुना से अधिक टोकन संपीड़न प्राप्त करते हुए स्ट्रीमिंग और ऑफलाइन दोनों वीडियो समझ कार्यों में मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।

Falcon: Functional Assembly and Language for Compositional Reasoning in X-ray

यह शोध पत्र फाल्कन (Falcon) को प्रस्तुत करता है, जो एक मल्टीमॉडल फ्रेमवर्क है जो एक्स-रे बैगेज स्क्रीनिंग में ऑब्जेक्ट-सेंट्रिक विजन-लैंग्वेज मॉडल्स की सीमाओं को संबोधित करने के लिए खतरे का पता लगाने को स्थानिक रूप से बिखरे हुए घटकों पर कंपोजिशनल रीजनिंग (compositional reasoning) के रूप में औपचारिक रूप देता है, जिसे संरचित सुरक्षा अनुमान (structured safety inference) के मूल्यांकन के लिए नए फाल्कन-एक्स (Falcon-X) बेंचमार्क द्वारा समर्थित किया गया है।

Uncertainty Quantification for Computer-Use Agents: A Benchmark across Vision-Language Models and GUI Grounding Datasets

Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

यह शोध पत्र RECIPE को प्रस्तुत करता है, जो एक सांख्यिकीय रूप से आधारित रोगी संवर्धन विधि है जो गाऊसी मिश्रण मॉडलों (Gaussian Mixture Models) के माध्यम से रोग-विशिष्ट इंस्टेंस वितरणों को सीखकर एम्बेडिंग स्पेस में यथार्थवादी रोगियों को उत्पन्न करती है, जो लुप्त वर्गों और कम-डेटा वाले परिदृश्यों सहित विविध नैदानिक स्थितियों में मल्टीपल इंस्टेंस लर्निंग (Multiple Instance Learning) में डेटा की कमी को प्रभावी ढंग से संबोधित करती है।

$S^{2}$-FracMix: Label-Preserving Self-Saliency Mixup Augmentation

यह शोध पत्र $S^{2}$-FracMix का प्रस्ताव करता है, जो एक नवीन डेटा संवर्धन (data augmentation) ढांचा है जो एकल छवियों के भीतर मल्टी-स्केल सैलिएंट पैच को पुन: सम्मिलित करके और सेल्फ-सिमिलैरिटी पैटर्न को इंजेक्ट करके लेबल-संरक्षण करने वाले, संरचनात्मक रूप से सुसंगत नमूने उत्पन्न करने के लिए सेल्फ-सैलिएन्सी मिक्सअप और फ्रैकमिक्स को जोड़ता है, जिससे पारंपरिक क्रॉस-सैंपल मिक्सिंग की सिमेंटिक व्यवधान और कम्प्यूटेशनल ओवरहेड से बचते हुए विविध दृश्य कार्यों में अत्याधुनिक प्रदर्शन प्राप्त किया जाता है।

Edges Before Embeddings: A Confidence-Aware Blur Gate for Vision-Language Pipelines

यह शोध पत्र MagikaDocumentFromPixel को प्रस्तुत करता है, जो एक हल्का, CPU-कुशल इमेज क्वालिटी गेट है, जो डाउनस्ट्रीम विजन-लैंग्वेज प्रोसेसिंग से पहले धुंधले इनपुट्स को फ़िल्टर करने के लिए एक एज प्रायर मॉड्यूल द्वारा संवर्धित कॉन्फिडेंस-अवेयर ब्लर डिटेक्शन रणनीति का उपयोग करके उच्च सटीकता (F1=0.9803) प्राप्त करता है, जिससे अप्राप्य कार्यों पर व्यर्थ कंप्यूट को रोका जा सके।

Naturalness Predicts but Does Not Cause Transferability in Image Encodings of Real-World Streams

यह शोध पत्र यह प्रदर्शित करता है कि जबकि एन्कोडेड टाइम-सीरीज़ छवियों की दृश्य प्राकृतिकता (visual naturalness), फ्रोजन विज़न बैकबोन पर उनकी ट्रांसफर सटीकता की भविष्यवाणी करती है, यह सहसंबंध स्पेक्ट्रल प्राकृतिकता के बजाय साझा स्थानीय संरचनात्मक जानकारी द्वारा संचालित होता है, क्योंकि हस्तक्षेप दर्शाते हैं कि संरचना को बदले बिना प्राकृतिकता को बदलने से प्रदर्शन में सुधार नहीं होता है।

OracleAnalyser: Analysing Implicit Semantics of Oracle Bone Scripts through MLLMs with Post-training

यह शोध पत्र OracleAnalyser को प्रस्तुत करता है, जो एक 3B-पैरामीटर वाला पोस्ट-ट्रेन्ड फ्रेमवर्क है, जो पारंपरिक पहचान कार्यों से परे ओरेकल बोन स्क्रिप्ट्स के अंतर्निहित अर्थ संबंधी विश्लेषण को महत्वपूर्ण रूप से उन्नत करने के लिए एक नवीन स्टेबल फोकल प्रेफरेंस ऑप्टिमाइज़ेशन (SFPO) एल्गोरिदम और नए डेटासेट्स का उपयोग करता है।

FunPiQ: A New Benchmark for Pixel-Level Quality Assessment in Fundus Images

यह शोध पत्र FunPiQ को प्रस्तुत करता है, जो शारीरिक दृश्यता (anatomical visibility) पर आधारित पिक्सेल-स्तरीय फंडस इमेज क्वालिटी असेसमेंट के लिए पहला बेंचमार्क है, और 'explainable-by-design' EFIQA-CP पद्धति का प्रस्ताव करता है, जो मौजूदा इमेज-लेवल दृष्टिकोणों की तुलना में स्थानीयकृत गिरावट (localized degradations) का मूल्यांकन करने में बेहतर प्रदर्शन प्रदर्शित करता है।

Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

यह अध्ययन प्रदर्शित करता है कि वैस्कुलर ट्री (vascular tree) निरूपणों पर उन्नत ग्राफ न्यूरल नेटवर्क का उपयोग करने के बावजूद, पल्मोनरी एम्बोलिज्म (pulmonary embolism) जोखिम स्तरीकरण केवल मेडिकल रिकॉर्ड और कार्डिएक बायोमार्कर का उपयोग करके सबसे प्रभावी ढंग से प्राप्त किया जाता है, क्योंकि वैस्कुलर ग्राफ फीचर्स अतिरिक्त विभेदक मूल्य प्रदान करने में विफल रहते हैं।