11000 पेपर
SCOPE एक नवीन वन-पास विधि है जो विस्तृत मोनोक्यूलर वीडियो अनुक्रमों से 3D ज्यामिति का अनुमान लगाने के लिए व्यूपॉइंट-इनवेरिएंट अलाइनमेंट, अपीयरेंस-इनवेरिएंट लर्निंग और फ्रीक्वेंसी-मॉड्यूलेटेड पोजिशनिंग पेश करती है, ताकि अत्याधुनिक दृष्टिकोणों की तुलना में ज्यामितीय सटीकता और टेम्पोरल कंसिस्टेंसी में महत्वपूर्ण सुधार प्राप्त किया जा सके।
यह शोधपत्र WildBox को प्रस्तुत करता है, जो ड्रोन वीडियो से मोनोकुलर 3D वन्यजीव पहचान (wildlife detection) के लिए एक बड़े पैमाने का डेटासेट और बेंचमार्क है, जो यह प्रकट करता है कि हालांकि ओपन-वोकैबुलरी 2D फाउंडेशन मॉडल अच्छा प्रदर्शन करते हैं, ज़ीरो-शॉट 3D डिटेक्शन गहराई अनुमान (depth estimation) की चुनौतियों के कारण विफल हो जाता है जिसे फाइन-ट्यूनिंग और एक कोर्स-टू-फाइन (coarse-to-fine) करिकुलम लर्निंग रणनीति के माध्यम से काफी हद तक कम किया जा सकता है।
यह शोध पत्र VLA-FAIL को प्रस्तुत करता है, जो एक हल्का और व्यापक रूप से लागू होने योग्य ढांचा है जो बिना विफलता डेटा या गणनात्मक रूप से महंगे सैंपलिंग के, फाइन-ट्यून्ड विजन-लैंग्वेज-एक्शन मॉडल्स में कार्य विफलताओं का पता लगाने के लिए लास्ट-लेयर महालनोबिस दूरी और एक्शन चंक निरंतरता को जोड़ता है।
यह शोध पत्र डायनेमिक्स-गाइडेड एक्शन करेक्शन (DGAC) को प्रस्तुत करता है, जो मानव-वीडियो प्रायर्स (human-video priors) का लाभ उठाने वाला एक प्रशिक्षण-मुक्त तरीका है ताकि एम्बॉडीमेंट-अज्ञेय (embodiment-agnostic) मॉडल सीखे जा सकें, जिससे रोबोटों को विफलताओं को स्वायत्त रूप से सुधारने और विभिन्न एम्बॉडीमेंट्स में उनकी हेरफेर सफलता दरों को महत्वपूर्ण रूप से बेहतर बनाने में सक्षम बनाया जा सके।
यह शोध पत्र प्रदर्शित करता है कि व्यू-कंडीशन्ड (view-conditioned) 2D डिफ्यूजन मॉडल सिंथेटिक एक्स-रे चित्र उत्पन्न कर सकते हैं जो एनाटॉमिकल लैंडमार्क डिटेक्शन मॉडल्स को प्रशिक्षित करने में सक्षम हैं और वास्तविक इंटरवेंशनल एक्स-रे डेटा के लिए सामान्यीकरण (generalize) करने में वास्तविक छवियों पर प्रशिक्षित मॉडल्स के समान प्रदर्शन प्रदान करते हैं, जो डेटा-सीमित मैकेनिस्टिक सिमुलेशन विधियों के एक आशाजनक विकल्प के रूप में प्रस्तुत होता है।
यह तकनीकी रिपोर्ट ICRA 2026 GOOSE 2D फाइन-ग्रेन्ड सेमेंटिक सेगमेंटेशन चैलेंज के लिए एक सबमिशन का विवरण देती है जो बड़े ट्रेनिंग क्रॉप्स, क्वेरी-आधारित Mask2Former आर्किटेक्चर में संक्रमण और आउटडोर सीन अंडरस्टैंडिंग को बेहतर बनाने के लिए टेस्ट-टाइम ऑगमेंटेशन के साथ एक SegFormer बेसलाइन को उन्नत करके 69.6% mIoU प्राप्त करता है।
यह अध्ययन प्रदर्शित करता है कि पार्किंसंस रोग के सर्जिकल नियोजन के लिए सबथैलेमिक न्यूक्लियस जैसे सबकोर्टिकल संरचनाओं को सेगमेंट करने में नेटिव-स्पेस UNet-आधारित पाइपलाइन, टेम्पलेट-स्पेस दृष्टिकोणों से बेहतर प्रदर्शन करती हैं, हालांकि 7T और 3T MRI डोमेन के बीच प्रदर्शन के अंतर को पाटना एक महत्वपूर्ण चुनौती बना हुआ है।
यह शोध पत्र यह प्रदर्शित करता है कि विज़ुअल ऑब्जर्वेशन को ASCII टेक्स्ट में बदलकर, टेक्स्ट-ओनली लार्ज लैंग्वेज मॉडल्स को भारी मल्टीमॉडल बैकबोन की आवश्यकता के बिना सिमुलेशन और वास्तविक दुनिया के रोबोटिक मैनिपुलेशन में कुशल कार्य नियोजन और निष्पादन हेतु विज़न-लैंग्वेज-एक्शन कंट्रोलर्स में प्रभावी ढंग से अनुकूलित किया जा सकता है।
यह शोध पत्र SemiVLA का प्रस्ताव करता है, जो एक सेल्फ-डिस्टिल्ड टीचर-स्टूडेंट फ्रेमवर्क है जो एक रिलायबिलिटी कंट्रोलर और बॉटलनेक-प्रोजेक्टेड अपडेट्स का लाभ उठाकर अनलेबल ट्रेजेक्टरीज से उच्च गुणवत्ता वाले सूडो-एक्शन्स (pseudo-actions) उत्पन्न करता है, जिससे LIBERO और CALVIN जैसे बेंचमार्क पर न्यूनतम लेबल डेटा के साथ विजन-लैंग्वेज-एक्शन मॉडल्स के सेमी-सुपरवाइज्ड अडैप्टेशन को बढ़ाता है और रोबोट के प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र स्व-पर्यवेक्षित शिक्षण (self-supervised learning) में मानक MLP प्रोजेक्शन हेड को रेडियल बेसिस फंक्शन नेटवर्क (RBFN) से बदलने का प्रस्ताव करता है ताकि एक नवीन स्केल-नॉर्मलाइज्ड सेपरेशन (SNS) मीट्रिक के माध्यम से लेबल-मुक्त प्रतिनिधित्व गुणवत्ता का आकलन किया जा सके, जबकि कई आर्किटेक्चर और डेटासेट पर प्रतिस्पर्धी प्रदर्शन बनाए रखा जा सके।