11000 पेपर
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।
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।
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।
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।
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।
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।
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।
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।
यह शोध पत्र एक मानव-आधारित मूल्यांकन ढांचे को प्रस्तुत करता है जिसमें फुली-बाइनरी मैचिंग पर्स्यूट (FBMP) एल्गोरिदम और टार्गेटेड एट्रिब्यूट पर्टर्बेशन अलाइनमेंट स्कोर (TAPAScore) के साथ-साथ सिंथेटिक बेंचमार्क (synCUB और synCOCO) शामिल हैं, जो स्पार्स ऑटोएनकोडर्स के सिमेंटिक अलाइनमेंट और व्याख्यात्मकता को कड़ाई से मापने के लिए उपयोग किए जाते हैं, और यह प्रकट करता है कि अवधारणा निष्कर्षण (concept extraction) के लिए मध्यम डिक्शनरी आकार इष्टतम संतुलन प्रदान करते हैं।
यह शोध पत्र VSANet प्रस्तुत करता है, जो एक नवीन लाइट फील्ड इमेज डिनोइज़िंग नेटवर्क है जो कुशल वैश्विक क्रॉस-व्यू फीचर एकत्रीकरण प्राप्त करने के लिए लोकैलिटी-सेंसिटिव हैशिंग के साथ एक व्यू-अवेयर स्पार्स अटेंशन मैकेनिज्म का लाभ उठाता है और स्थानिक एवं कोणीय जानकारी को बढ़ाने के लिए एक फीचर रिफाइनमेंट ब्लॉक का उपयोग करता है, जो अंततः अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है।