👁️ Category

cs.CV

10985 पेपर

💻 computer science

Lite Any Stereo V2: Faster and Stronger Efficient Zero-Shot Stereo Matching

यह शोध पत्र लाइट एनी स्टीरियो V2 (LAS2) का परिचय देता है, जो एक अल्ट्रा-फास्ट स्टीरियो मैचिंग मॉडल श्रृंखला है जो एक विलंबता-अनुकूलित (latency-optimized) 2D-केवल कॉस्ट एग्रीगेशन आर्किटेक्चर और एक नवीन तीन-चरणीय प्रशिक्षण रणनीति का उपयोग करके दक्षता और ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) के बीच के समझौते को चुनौती देती है, ताकि संसाधन-बाधित प्लेटफार्मों पर काफी कम इन्फरेंस लेटेंसी के साथ अत्याधुनिक सटीकता प्राप्त की जा सके।

Junpeng Jing, Ronglai Zuo, Zhelun Shen, Shangchen Zhou, Rolandos Alexandros Potamias, Stefanos Zafeiriou, Krystian Mikol (…)2026-06-24
💻 computer science

MambaRaw: Selective State Space Modeling for Efficient 4K Raw Image Reconstruction

MambaRaw एक कुशल, JPEG-निर्देशित रॉ इमेज पुनर्निर्माण ढांचा है जो स्टेट स्पेस मॉडल्स और एक नवीन स्पेशियल-एनर्जी कपल्ड कॉन्टेक्स्ट मॉडलिंग तंत्र का लाभ उठाता है ताकि मौजूदा अटेंशन-आधारित विधियों की तुलना में कंप्यूटेशनल लागत और विलंबता को काफी कम करते हुए 4K छवियों पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।

Peize Li, Fanhu Zeng, Tongda Xu, Xingguo Xu, Xinjie Zhang, Xingtong Ge, Haotian Zhang, Yan Wang2026-06-24
💻 computer science

Advancing WordArt-Oriented Scene Text Recognition: Datasets and Methods

यह शोध पत्र एक बड़े पैमाने के 2M सिंथेटिक डेटासेट (WATER-S) और एक नवीन मॉडल आर्किटेक्चर (WATERec) को पेश करके वर्डआर्ट-उन्मुख सीन टेक्स्ट रिकग्निशन (WATER) को आगे बढ़ाता है, जो मिलकर WordArt-Bench पर अत्याधुनिक प्रदर्शन प्राप्त करते हैं, जो मौजूदा सामान्य-उद्देश्य और OCR-विशेषीकृत विजन-लैंग्वेज मॉडलों से काफी बेहतर है।

Xingsong Ye, Yongkun Du, Jiaxin Zhang, Haojie Zhang, Chong Sun, Chen Li, Jing Lyu, Zhineng Chen2026-06-24
💻 computer science

VistaRef: Boosting Visual Spatial Orientation Awareness for Pointing-to-Object Detection

VistaRef एक नवीन ढांचा है जो स्थानीय हैंड एंटिटी मॉडलिंग (Local Hand Entity Modeling) और ज्यामितीय किरण मॉडलिंग (Geometric Ray Modeling) को एकीकृत करके ऑब्जेक्ट-पॉइंटिंग डिटेक्शन को बढ़ाता है ताकि सूक्ष्म-ज्यामितीय संबंधों और स्थानिक अभिविन्यास को स्पष्ट रूप से कैप्चर किया जा सके, जो पारंपरिक ट्रांसफॉर्मर-आधारित दृष्टिकोणों की तुलना में ग्राउंडिंग सटीकता में महत्वपूर्ण सुधार करता है।

Ling Li, Zhizhen Cai, Xinkun Wu, Ziyu Zhu, Jiaqing Lyu, Bowen Liu, Zhidong Deng2026-06-24
💻 computer science

What Do Flow-Based Inverse Solvers Approximate? A Posterior-Transport View

यह शोध पत्र प्रकट करता है कि FlowDPS और FLOWER जैसे फ्लो-आधारित इनवर्स सॉल्वर सटीक बेयसियन कंडीशनिंग करने के बजाय एक न्यूनतम-काइनेटिक-ऊर्जा सुधार क्षेत्र (minimum-kinetic-energy correction field) का अनुमान लगाते हैं, जो यह दर्शाता है कि सोर्स रीवेटिंग सटीक पोस्टीरियर सैंपल्स प्रदान करती है जबकि वर्तमान ट्रजेक्टरी-गाइडेंस विधियाँ महत्वपूर्ण पूर्वाग्रह और मोड कोलैप्स उत्पन्न करती हैं, जिससे लेखक एक सिद्धांतिक वेलोसिटी-करेक्शन सॉल्वर का प्रस्ताव करते हैं जो विविध, अनिश्चितता-जागरूक पुनर्निर्माणों के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।

Jian Xu, Delu Zeng, John Paisley, Qibin Zhao2026-06-24
💻 computer science

PointVG-R: Internalizing Geometric Reasoning in MLLMs for Precise Pointing Localization via Visual Chain of Thought

यह शोध पत्र PointVG-R को प्रस्तुत करता है, जो एक तर्क-निर्देशित मल्टी-मोडल लार्ज लैंग्वेज मॉडल है, जो जटिल स्थानिक संबंधों की बेहतर व्याख्या करने के लिए ज्यामितीय-जागरूक तर्क (geometric-aware reasoning), एक नवीन विजुअल चेन-ऑफ-थॉट डेटासेट (EgoPoint-CoT) और एक अनुकूलन योग्य सुदृढीकरण शिक्षण रणनीति (adaptive reinforcement learning strategy) को एकीकृत करके पॉइंटिंग-आधारित विजुअल ग्राउंडिंग में अत्याधुनिक प्रदर्शन प्राप्त करता है।

Ling Li, Bowen Liu, Zinuo Zhan, Jianhui Zhong, Ziyu Zhu, Bingcai Wei, Kenglun Chang, Zhidong Deng2026-06-24
💻 computer science

Quantum CT via Dynamic Interval Encoding and Prior-Balanced QUBO Reconstruction

यह शोध पत्र एक QUBO-आधारित क्वांटम कंप्यूटेड टोमोग्राफी ढांचे का प्रस्ताव करता है जो बाइनरी-वैरिएबल बाधाओं को दूर करने के लिए डायनेमिक इंटरवल एनकोडिंग और प्रायर-बैलेंस्ड ऑप्टिमाइजेशन का उपयोग करता है, जिससे हाइब्रिड क्वांटम-क्लासिकल हार्डवेयर पर उच्च-सटीकता वाले ग्रेस्केल पुनर्निर्माण को सक्षम बनाया जा सके।

Ao Wang, Yikuang Yuluo, Yujie Liu, Shuangyang Zhong, Yuwen Zhang, Zihao Wang, Fenglin Liu, Andreas Maier, Haijun Yu, Yix (…)2026-06-24
🔬 physics

Multilevel Stochastic Plug-and-Play for Sparse-View CT Reconstruction

यह शोध पत्र मल्टीलेवल स्टोकेस्टिक प्लग-एंड-प्ले (ML-SPnP) का प्रस्ताव करता है, जो स्पार्स-व्यू सीटी (sparse-view CT) के लिए एक नवीन पुनर्निर्माण विधि है जो फाइन-लेवल प्रायर ग्रेडिएंट्स के खर्चीले अनुमान से बचने के लिए मल्टीरेज़ोल्यूशन विश्लेषण स्पेस में मल्टीलेवल स्टेप्स को निष्पादित करके अभिसरण (convergence) को तेज़ करती है और रनटाइम को कम करती है, जबकि अत्याधुनिक इमेज क्वालिटी को बनाए रखती है।

Antoine De Paepe, Alexandre Bousse, Dimitris Visvikis2026-06-24
💻 computer science

ViTexQA: A Multi-Frame Temporal Perception Dataset for Video Text Question Answering

वीडियो फ्रेमों में समय के साथ वितरित टेक्स्ट को समझने में वर्तमान मल्टीमॉडल मॉडलों की सीमाओं को संबोधित करने के लिए, यह शोधपत्र ViTexQA पेश करता है, जो क्रॉस-फ्रेम टेक्स्ट फ्यूजन की आवश्यकता वाला एक बड़े पैमाने का डेटासेट है, और साथ ही FrameThinker पेश करता है, जो CoT-निर्देशित सुपरवाइज्ड फाइन-ट्यूनिंग और टेम्पोरली-ग्राउंडेड रिइन्फोर्समेंट लर्निंग को संयोजित करने वाला एक दो-चरणीय प्रशिक्षण ढांचा है जो अत्याधुनिक प्रदर्शन प्राप्त करता है।

Zhentao Guo, Chen Duan, Tongkun Guan, Zining Wang, Kai Zhou, Pengfei Yan2026-06-24
💻 computer science

Agentic Collaborative Cognition for Zero-Shot 3D Understanding

यह शोध पत्र एक सहयोगात्मक बहु-एजेंट ढांचे का प्रस्ताव करता है जो एक प्लानिंग एजेंट द्वारा नवीन दृष्टिकोणों को रणनीतिक रूप से पूरक बनाने और एक परसेप्शन एजेंट द्वारा एक संरचित समग्र संज्ञानात्मक मानचित्र (होलिस्टिक कॉग्निटिव मैप) के निर्माण के माध्यम से मौजूदा ज़ीरो-शॉट 3D समझ विधियों की सीमाओं को दूर करता है, जिससे एक पुनरावृत्ति क्लोज्ड-लूप प्रक्रिया के माध्यम से छह बेंचमार्क में अत्याधुनिक प्रदर्शन प्राप्त होता है।

Wenxin Wang, Bo Zhang, Feng Chen, Zixuan Wang, Wen Li, Changsheng Li, Yinjie Lei2026-06-24