11020 पेपर
यह शोध पत्र RT-DocLayout को प्रस्तुत करता है, जो एक अत्यधिक कुशल, 33M-पैरामीटर वाला एंड-टू-एंड फ्रेमवर्क है जो वाइल्ड में मजबूत दस्तावेज़ लेआउट विश्लेषण के लिए अत्याधुनिक प्रदर्शन और रीयल-टाइम इन्फरेंस (132.1 FPS) प्राप्त करने के लिए एक एकल RT-DETR-आधारित आर्किटेक्चर के भीतर डिटेक्शन, सेगमेंटेशन, क्लासिफिकेशन और रीडिंग ऑर्डर प्रेडिक्शन को एकीकृत करता है।
यह शोध पत्र कंपोजर (Composer) को प्रस्तुत करता है, जो एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल है जो विजुअल ग्राउंडिंग में सिमेंटिक-स्पेशियल अंतराल को पाटने के लिए पारंपरिक टेक्स्टुअल कोऑर्डिनेट्स के स्थान पर सीखे गए प्रॉक्सी-टोकेन्स का उपयोग करता है, जिससे प्रतिस्पर्धी उत्तर प्रदर्शन बनाए रखते हुए ग्राउंडिंग सटीकता में महत्वपूर्ण सुधार प्राप्त होता है।
यह शोध पत्र DeluluNet को प्रस्तुत करता है, जो एक एंड-टू-एंड प्रशिक्षित आर्किटेक्चर है जो अनलेबल डेटा से लुप्त सेंसर रिप्रजेंटेशन (representation) की भविष्यवाणी करने के लिए मोडैलिटी हैलुसिनेशन (modality hallucination) का लाभ उठाकर रिमोट सेंसिंग मॉडल्स को बदलते उपग्रह मोडैलिटीज (प्रतिस्थापन, जोड़ या उपसमुच्चय) के अनुकूल बनाता है, जिससे बिना किसी महंगी री-लेबलिंग या री-ट्रेनिंग के मॉडल परिनियोजन (deployment) सक्षम होता है।
यह शोधपत्र TooBad का प्रस्ताव करता है, जो डिफ्यूजन मॉडल्स के लिए एक नवीन बैकडोर फ्रेमवर्क है जो एक विशेष रूप से तैयार की गई ट्रिगर अनुकूलन तकनीक का उपयोग करता है ताकि अत्यंत कम पॉइजन दर (0.5%) और न्यूनतम प्रशिक्षण समय के साथ उच्च हमले की सफलता दर प्राप्त की जा सके, जबकि अदृश्यता बनी रहे और अत्याधुनिक सुरक्षा प्रणालियों से बचा जा सके।
MeshFlow एक इक्विवेरिएंट फ्लो मैचिंग मॉडल पेश करता है जो परम्यूटेशन-इनवेरिएंट सिमिट्रीज़ के साथ सीधे ट्राएंगल सूप के रूप में ट्राएंगल मेश जेनरेट करता है, जो ऑटोरिग्रेसिव विधियों की तुलना में 18 तेज़ इन्फरेंस स्पीड के साथ अत्याधुनिक गुणवत्ता प्राप्त करता है।
UniverSat एक नवीन विजन ट्रांसफॉर्मर बैकबोन पेश करता है जिसमें एक यूनिवर्सल पैच एनकोडर है जो विविध ऑप्टिकल और गैर-इष्टतम सेंसरों से मनमाने स्थानिक, स्पेक्ट्रल और टेम्पोरल रिज़ॉल्यूशन को एक साझा एम्बेडिंग स्पेस में मैप करता है, जिससे एक एकल स्व-पर्यवेक्षित मॉडल विभिन्न पृथ्वी अवलोकन कार्यों में सुदृढ़, सेंसर-अज्ञेय प्रदर्शन प्राप्त करने में सक्षम होता है।
Arbor टेक्स्ट-कंडीशन्ड लेटेंट 3D जनरेशन के लिए एक ट्रेन करने योग्य अटैचमेंट है जो कंस्ट्रेंट मेष (हल्ल, अवॉयडेंस और टच रीजन्स) के माध्यम से स्पष्ट ज्यामितीय नियंत्रण पेश करता है, जिससे वस्तुओं को दृश्य गुणवत्ता और विविधता को बनाए रखते हुए विशिष्ट स्थानिक आवश्यकताओं को पूरा करने में सक्षम बनाया जा सके।
यह शोध पत्र छोटी पंक्तियों से लेकर पूर्ण अनुच्छेदों तक मांबा-आधारित (Mamba-based) ओसीआर (OCR) की स्केलेबिलिटी की जांच करता है, जिससे यह पता चलता है कि जबकि स्टेट-स्पेस मॉडल सिंथेटिक डेटा पर ट्रांसफॉर्मर की तुलना में महत्वपूर्ण गति लाभ प्रदान करते हैं, वे वर्तमान में डेटा की कमी के कारण वास्तविक हस्तलेखन पर कम प्रदर्शन करते हैं, न कि अंतर्निहित संरचनात्मक सीमाओं के कारण।
यह शोध पत्र AwakeForest को प्रस्तुत करता है, जो एक संवादात्मक, क्लाउड-अनुकूलित भू-स्थानिक प्लेटफॉर्म है जो विविध क्षेत्रों और सेंसरों के माध्यम से बड़े पैमाने पर वन इमेजरी के स्केलेबल, एंड-टू-एंड विश्लेषण को सक्षम करने के लिए मॉडल-असिस्टेड इन्फरेंस, स्वचालित एनोटेशन और ह्यूमन-इन-द-लूप रिफाइनमेंट को एकीकृत करता है।
VeriEvol एक पुनरावृत्ति ढांचा (iterative framework) है जो टाइप-अवेयर इवोल्यूशन ऑपरेटर्स के माध्यम से प्रॉम्प्ट कठिनाई विस्तार को, मल्टी-सोर्स हाइपोथेसिस-टेस्ट फाल्सिफिकेशन के माध्यम से उत्तर विश्वसनीयता प्रवर्तन से अलग करके मल्टीमॉडल गणितीय तर्क को स्केल करता है, जिससे उच्च-गुणवत्ता वाला सत्यापित डेटा उत्पन्न होता है जो विजुअल-मैथ बेंचमार्क पर मॉडल के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है।