👁️ Category

cs.CV

11007 पेपर

💻 computer science

Concept Alignment Contrast and Long-Short Prompt Memory for Test-Time Adaptation of SAM3 in Medical Image Segmentation

यह शोध पत्र CM-TTA का प्रस्ताव करता है, जो मेडिकल इमेज सेगमेंटेशन में SAM3 के लिए एक टेस्ट-टाइम अडैप्टेशन फ्रेमवर्क है, जो इष्टतम संवर्धित दृश्यों (augmented views) को चुनने के लिए कॉन्सेप्ट अलाइनमेंट कंट्रास्ट और फुर्तीले स्थानीय अनुकूलन (agile local adaptation) के साथ स्थिर वैश्विक मार्गदर्शन (stable global guidance) को संतुलित करने के लिए एक लॉन्ग-शॉर्ट प्रॉम्प्ट मेमोरी मॉड्यूल पेश करता है, जो प्रोस्टेट और स्किन लीजन डेटासेट पर मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।

Yubo Zhou, Jianghao Wu, Ping Ye, Shaoting Zhang, Guotai Wang2026-06-23
💻 computer science

MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations

MotionMAR एक नवीन कोर्स-टू-फाइन (coarse-to-fine) फ्रेमवर्क है जो टेम्पोरल टोकनाइज़ेशन (temporal tokenization) और स्केल-अवेयर कंट्रोल (scale-aware control) के साथ मल्टी-स्केल ऑटो-रिग्रेसिव दृष्टिकोण का लाभ उठाकर, वैश्विक प्रक्षेपवक्रों (global trajectories) को उच्च-आवृत्ति विवरणों (high-frequency details) में क्रमिक रूप से परिष्कृत करके, विरल अवलोकनों (sparse observations) से अत्याधुनिक मानव गति पुनर्निर्माण प्राप्त करता है।

Yuhua Luo, Junsheng Zhang, Mengyin Liu, Xincheng Lin, Ming Yan, Zhudi Chen, Chenglu Wen, Lan Xu, Siqi Shen, Cheng Wang2026-06-23
🤖 machine learning

From Point Estimates to Distributions: GMM Pooling for MIL in Preterm Birth Prediction

यह शोध पत्र मल्टीपल इंस्टेंस लर्निंग के लिए एक गॉसियन मिक्सचर मॉडल (GMM) पूलिंग दृष्टिकोण का प्रस्ताव करता है जो प्रीटर्म बर्थ (समय पूर्व जन्म) की भविष्यवाणी में महत्वपूर्ण सुधार करने और लिम्फ नोड मेटास्टेसिस बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए ट्रांसवैजाइनल अल्ट्रासाउंड छवियों में इंट्रा-पेशेंट परिवर्तनशीलता को कैप्चर करता है।

Hussain Alasmawi, Numan Saeed, Soha Said, Mohammad Yaqub2026-06-23
💻 computer science

Learning Stable Canonical Worlds for Novel View Synthesis and Beyond

यह शोधपत्र CanonicalGS को प्रस्तुत करता है, जो एक फीड-फॉरवर्ड गॉसियन स्प्लेटिंग पाइपलाइन है जो अनिश्चितता-जागरूक संलयन (uncertainty-aware fusion) के माध्यम से बहु-दृश्य अवलोकनों को एक स्थिर, दृश्य-केंद्रित कैनोनिकल लेटेंट वर्ल्ड में एकत्रित करती है, जिससे शोर वाले या अनावश्यक साक्ष्यों को दबाकर नवीन दृश्य संश्लेषण की गुणवत्ता और डाउनस्ट्रीम धारणा सटीकता में सुधार होता है।

Xiaoyu Xu, Jian Zou, Sheyang Tang, Zhihua Wang, Jing Liao, Kede Ma2026-06-23
💬 NLP

Unlimited OCR Works

यह शोध पत्र अनलिमिटेड OCR (Unlimited OCR) का परिचय देता है, जो एक ऐसा मॉडल है जो मानक डिकोडर अटेंशन को एक नवीन रेफरेंस स्लाइडिंग विंडो अटेंशन (Reference Sliding Window Attention - R-SWA) तंत्र से बदल देता है ताकि एक स्थिर KV कैश बनाए रखा जा सके, जिससे LLM-आधारित OCR सिस्टम में लंबे आउटपुट अनुक्रमों के कारण होने वाली मेमोरी और गति की गिरावट के बिना दर्जनों पृष्ठों का कुशल, सिंगल-पास ट्रांसक्रिप्शन सक्षम हो सके।

Youyang Yin, Huanhuan Liu, YY, Qunyi Xie, Chaorun Liu, Shiqi Yang, Shaohua Wang, Zhanlong Liu, Hao Zou, Jinyue Chen, Sh (…)2026-06-23
💻 computer science

Three-Step Hierarchical Transformer for Multi-Pedestrian Trajectory Prediction

यह शोध पत्र एक तीन-चरणीय पदानुक्रमित (hierarchical) ट्रांसफॉर्मर का प्रस्ताव करता है जो स्केलेबिलिटी और व्याख्यात्मकता में सुधार करते हुए वास्तविक दुनिया के डेटासेट पर अत्याधुनिक पैदल यात्री प्रक्षेपवक्र (trajectory) भविष्यवाणी प्रदर्शन प्राप्त करने के लिए टेम्पोरल एनकोडिंग, मल्टीमॉडल फ्यूजन और सोशल इंटरेक्शन रीजनिंग को स्पष्ट रूप से अलग करता है।

Raphaël Delécluse, Hazem Wannous, Laurent Grisoni, Laurent Guimas2026-06-23
💻 computer science

VolHuMe: a High-Resolution Large Scale Dataset of Volumetric Human Meshes

यह शोधपत्र VolHuMe को प्रस्तुत करता है, जो एक मल्टी-कैमरा वॉल्यूमेट्रिक स्टूडियो द्वारा कैप्चर किया गया 104 विषयों का एक उच्च-रिज़ॉल्यूशन, बड़े-स्तर का 4D डेटासेट है, जो 3D और 4D मानव पुनर्निर्माण कार्यों को बेंचमार्क करने और उन्हें उन्नत करने के लिए व्यापक ग्राउंड ट्रुथ और सूक्ष्म ज्यामितीय विवरण प्रदान करता है।

Giulia Martinelli, Niccolò Bisagno, Nicola Garau, Esa Rahtu, Nicola Conci2026-06-23
💻 computer science

Rethinking Prototype-based Similarity Learning for Few-Shot Object Detection

यह शोध पत्र ReSet प्रस्तुत करता है, जो एक नवीन फ्यू-शॉट ऑब्जेक्ट डिटेक्शन फ्रेमवर्क है जो क्लास कन्फ्यूजन को कम करने के लिए एक टेक्स्ट-एंकोर्ड सिमेंटिक मास्क को एकीकृत करके और लोकलाइजेशन प्रिसिजन को बढ़ाने के लिए एक स्टेज-अलाइन्ड हियरार्किकल ऑटोरेग्रेसिव रिग्रेशन मॉड्यूल को शामिल करके प्रोटोटाइप-आधारित समानता शिक्षण की सीमाओं को दूर करता है, जिससे COCO डेटासेट पर एक नया स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है।

KunHo Heo, Seungjae kim, Wongyu Lee, SuYeon Kim, MyeongAh Cho2026-06-23
💻 computer science

Scene-agnostic ALS boresight self-calibration

यह शोधपत्र ALS बोर्साइट स्व-अंशांकन (self-calibration) के लिए एक व्यावहारिक, दृश्य-अज्ञेय (scene-agnostic) विधि प्रस्तुत करता है जो पारंपरिक प्लेन-आधारित बाधाओं को ओवरलैपिंग स्ट्रिप्स से स्वचालित बिंदु-से-बिंदु पत्राचार (point-to-point correspondences) से बदल देता है, जिससे या तो एक हल्के पैरामीट्रिक समायोजन या एक कठोर फ़ैक्टर-ग्राफ़ सूत्रीकरण का उपयोग करके नियमित मैपिंग मिशनों के दौरान प्रभावी अंशांकन सक्षम होता है।

Aurélien Brun, Jan Skaloud2026-06-23
🤖 machine learning

Spectral Gating via Damped Oscillations for Adaptive Implicit Neural Representations

यह शोध पत्र एक नवीन इम्पलिसिट न्यूरल रिप्रेजेंटेशन (Implicit Neural Representation) विधि प्रस्तावित करता है जो न्यूरॉन एक्टिवेशन्स को डैम्प्ड हार्मोनिक ऑसिलेटर्स के रूप में मॉडल करती है ताकि एडेप्टिव, करिकुलम-आधारित स्पेक्ट्रल गेटिंग को सक्षम किया जा सके, जिससे नेटवर्क बिना किसी स्पष्ट रेगुलराइजेशन या टास्क-विशिष्ट हाइपरपैरामीटर ट्यूनिंग की आवश्यकता के स्वाभाविक रूप से मोटे से सूक्ष्म विवरणों को सीख सके।

Alex Costanzino, Pierluigi Zama Ramirez, Giuseppe Lisanti, Luigi Di Stefano2026-06-23