11002 पेपर
ऑर्थोमोशन (OrthoMotion) एक नवीन वीडियो जनरेशन फ्रेमवर्क है जो बीजगणितीय रूप से पूरक अटेंशन ऑपरेटर्स—कैमरा मोशन को एक ज्यामितीय RoPE रोटेशन के माध्यम से और सब्जेक्ट मोशन को सिमेंटिक वैल्यू इंजेक्शन के माध्यम से रूट करके—कैमरा और सब्जेक्ट मोशन के विसंयोजन (disentanglement) की गारंटी देता है, जिससे क्रॉस-टॉक को महत्वपूर्ण रूप से कम करते हुए अत्याधुनिक नियंत्रण सटीकता प्राप्त होती है।
यह शोधपत्र एक मल्टी-प्रोब मूल्यांकन ढांचे (multi-probe evaluation framework) को प्रस्तुत करता है जो यह प्रकट करता है कि यद्यपि वीडियो-भाषा मॉडलों में फोर्स्ड चेन-ऑफ-थॉट रीजनिंग (forced chain-of-thought reasoning) वास्तव में विजुअल इनपुट पर आधारित होती है, फिर भी यह वीडियो-एमएमई (Video-MME) बेंचमार्क पर बहुविकल्पीय प्रश्नों की सटीकता में सुधार करने में विफल रहती है—और वास्तव में इसे थोड़ा कम भी कर सकती है।
SingGuard एक नीति-अनुकूल बहुविध गार्डरेल मॉडल है जो एक लचीले फास्ट-टू-स्लो रीजनिंग स्पेक्ट्रम और फास्ट-स्लो डिकपल्ड रीइन्फोर्समेंट लर्निंग का उपयोग करके प्राकृतिक भाषा सुरक्षा नियमों के विरुद्ध सामग्री का गतिशील रूप से मूल्यांकन करता है, जो विविध जोखिम प्रकारों और गतिशील नीति परिवर्तनों में नए पेश किए गए SingGuard-Bench पर अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोध पत्र FedOT का प्रस्ताव करता है, जो फेडरेटेड लेटेंट डिफ्यूजन मॉडल्स के लिए एक नवीन ढांचा है जो एक चंक्ड वॉटरमार्किंग योजना और डिकोडर रिप्लेसमेंट के माध्यम से वॉटरमार्क हटाने को रोकने के लिए एक लेटेंट वेक्टर ट्रांसफॉर्मेशन (LVT) तंत्र का उपयोग करके स्वामित्व सत्यापन सुनिश्चित करता है और मॉडल लीकेज को विशिष्ट दुर्भावनापूर्ण क्लाइंट्स तक ट्रेस करता है।
यह शोध पत्र PHOEBI को प्रस्तुत करता है, जो बैक्टीरिया के मिश्रणों की पहचान करने के लिए 120,000 फेज-कॉन्ट्रास्ट माइक्रोस्कोपी छवियों का एक ओपन-वर्ल्ड बेंचमार्क और डेटासेट है, जो यह प्रकट करता है कि मानक ग्रेडिएंट-प्रशिक्षित एग्रीगेटर्स अनदेखी प्रजातियों के संयोजनों के लिए सामान्यीकरण करने में विफल रहते हैं, जबकि यह भी दर्शाता है कि हल्के एंकर-आधारित डिकोडर ध्वनि दृश्य निरूपणों का लाभ उठाकर इस सीमा को प्रभावी ढंग से दूर कर सकते हैं।
InteractiveAvatar एक रियल-टाइम, इनफिनिट-स्ट्रीमिंग वीडियो जनरेशन फ्रेमवर्क है जो ऑडियो-ड्रिवन अवतारों के लिए स्टेट-ऑफ-द-आर्ट विजुअल कंसिस्टेंसी और इंटेंट-अवेयर इंटरैक्शंस प्राप्त करने के लिए ऑटोरेग्रेसिव डिस्टिलेशन, एक लॉन्ग-शॉर्ट विजुअल मेमोरी मैकेनिज्म और एक रीजनिंग-रिएक्शन मॉड्यूल का लाभ उठाता है।
यह शोध पत्र JudgeFit का परिचय देता है, जो एक पुनरावृत्ति ढांचा (iterative framework) है जो वीडियो जनरेशन में भौतिक निरंतरता (physical consistency) का बेहतर आकलन करने के लिए व्यक्तिगत विजन-लैंग्वेज मॉडल्स हेतु व्यक्तिगत मूल्यांकन वर्गीकरण (personalized evaluation taxonomies) का निर्माण करता है, जो वैश्विक स्कीमा की तुलना में 32% सुधार प्रदर्शित करता है और मॉडल-विशिष्ट कमियों (blind spots) को उजागर करता है।
यह शोध पत्र उच्च-निष्ठा वाले टेक्सचर टिलिंग के लिए एक नवीन डिफ्यूजन ट्रांसफॉर्मर फ्रेमवर्क प्रस्तावित करता है जो कोऑर्डिनेट-ट्राన్స్फॉर्म्ड रोटरी एम्बेडिंग मैकेनिज्म और एक डिसजॉइंट अटेंशन मास्क के माध्यम से संरचनात्मक अखंडता और दृश्य निरंतरता को बनाए रखते हुए पैटर्न आवृत्ति, अभिविन्यास और पैमाने पर सटीक नियंत्रण प्राप्त करता है।
यह शोध पत्र ENVS को प्रस्तुत करता है, जो एक प्रशिक्षण-समय खोज-और-फ़िल्टर पाइपलाइन है जो GUI एजेंटों के लिए सत्यापित, वैश्विक रूप से संतुलित पर्यवेक्षण उत्पन्न करने के लिए लाइव OSWorld वातावरण का लाभ उठाता है, जो लंबी अवधि के कार्यों पर उत्कृष्ट प्रदर्शन और कंप्यूट दक्षता प्राप्त करता है और साथ ही वास्तविक डेस्कटॉप बाधाओं के विरुद्ध बेहतर मजबूती और दृश्य तर्क क्षमताओं के बेहतर संरक्षण का प्रदर्शन करता है।
यह शोध पत्र PG-MAP को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free) ढांचा है जो डिफ्यूजन और फ्लो-मैचिंग मॉडलों के लिए इन्फरेंस-टाइम अलाइनमेंट को बेहतर बनाता है, और यह प्रक्रिया को कंडीशनिंग और लेटेंट वेरिएबल्स पर एक संयुक्त गिब्स-MAP अनुकूलन (joint Gibbs-MAP optimization) के रूप में व्यवस्थित करके मौजूदा सिंगल-एक्सिस विधियों की तुलना में विभिन्न मेट्रिक्स और मानव मूल्यांकन में श्रेष्ठ प्रदर्शन प्राप्त करता है।