11020 पेपर
UniTemp एक द्विदिशीय (bidirectional) आसवन ढांचा (distillation framework) है जो ब्लॉकवाइज एंकर लैटेंट्स (blockwise anchor latents) की शुरुआत के माध्यम से कॉज़ल 3D VAEs की सीमाओं को दूर करके ऑटोरिग्रेसिव वीडियो डिफ्यूजन मॉडल्स को किसी भी टेम्पोरल ऑर्डर में वीडियो जेनरेट करने में सक्षम बनाता है।
यह शोधपत्र ज्योमेट्री-अवेयर पॉइंटर (GAP) लॉस का परिचय देता है, जो टेबल स्ट्रक्चर रिकग्निशन के लिए प्रशिक्षण उद्देश्य में एक सरल लेकिन प्रभावी संशोधन है, जो आसन्न सेल (adjacent cells) के बीच त्रुटियों को महत्वपूर्ण रूप से कम करने और इन्फरेंस लागत बढ़ाए बिना अत्याधुनिक प्रदर्शन प्राप्त करने के लिए स्थानिक निकटता (spatial proximity) के आधार पर क्रॉस-एन्ट्रॉपी को पुनर्वितरित करता है।
यह शोध पत्र CS3F को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free), बैच-आधारित फ्रेमवर्क है जो 2D फाउंडेशन मॉडल्स और एक कोर्स-टू-फाइन (coarse-to-fine) टोकेनाइजेशन रणनीति का लाभ उठाता है ताकि उन विषयों की पहचान करके 3D मेडिकल इमेजेस में ज़ीरो-शॉट विसंगति का पता लगाया जा सके जिनमें एक संदर्भ समूह (reference cohort) में अनुपलब्ध अद्वितीय वॉल्यूमेट्रिक विशेषताएं होती हैं।
यह शोध पत्र एक फजी ज्योमेट्री-ड्रिवन स्ट्रक्चर-अवेयर (FGSA) ऑग्मेंटेशन फ्रेमवर्क प्रस्तावित करता है जो संरचनात्मक रूप से निष्ठावान हस्तलिखित चीनी अक्षरों को मजबूती से संश्लेषित करने के लिए ब्रांच पॉइंट्स को फजी सेट्स के रूप में मॉडल करता है, जो डेटा की कमी और टोपोलॉजिकल विरूपण को संबोधित करता है और सूक्ष्म-स्तरीय संरचनात्मक क्षरण विश्लेषण के लिए LZUSig डेटासेट पेश करता है।
यह शोध पत्र ScreenAnnotator को प्रस्तुत करता है, जो एक ओपन-सोर्स ऑन-पॉलिसी डेटा एनोटेशन टूल है जो स्थानिक, अर्थपूर्ण और संरचनात्मक प्रिमिटिव्स को एक एकल स्कीमा में एकीकृत करके बाउंडिंग बॉक्स और विजुअल रीजनिंग के बीच के अंतर को पाटता है, जिससे अत्यधिक कुशल डेटा सिंथेसिस सक्षम होता है और जटिल रीजनिंग कार्यों पर विजन-लैंग्वेज मॉडल्स के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है।
यह शोध पत्र QUAM-SM को प्रस्तुत करता है, जो एक पोस्ट-हॉक एडवरसेरियल फ्रेमवर्क है जो लक्षित गड़बड़ी (targeted perturbations) के माध्यम से नाजुक क्षेत्रों की पहचान करके मेडिकल इमेज सेगमेंटेशन में पिक्सेल-स्तरीय अनिश्चितता को मापता है, जिससे विश्वसनीयता में सुधार होता है और महत्वपूर्ण नैदानिक अनुप्रयोगों के लिए एपिस्टेमिक (epistemic) और एलियटोरिक (aleatoric) अनिश्चितताओं के बीच अंतर स्पष्ट होता है।
यह शोध पत्र एक फ्लो-मैचिंग-आधारित टेस्ट-टाइम एडेप्टेशन विधि प्रस्तुत करता है जो हिस्टोग्राम को सिंथेटिक ट्रैजेक्टरीज के साथ संरेखित करके और टाइम कंडीशनिंग को हटाकर, शोर वाले इनपुट से उच्च गुणवत्ता वाली OCT छवियां उत्पन्न करती है, जिससे आयु-संबंधी मैकुलर डिजनरेशन बायोमार्कर के लिए अत्याधुनिक सेगमेंटेशन प्रदर्शन प्राप्त होता है।
यह शोध पत्र LARE का प्रस्ताव करता है, जो पूर्ण-छवि विशेषताओं के समानांतर कम-अटेंशन वाले क्षेत्रों को स्पष्ट रूप से एनकोड करके भीड़भाड़ वाले दृश्यों में टेक्स्ट-इमेज रिट्रीवल में सुधार करता है और इन चुनौतीपूर्ण, सूक्ष्म-स्तरीय प्रश्नों पर प्रदर्शन का कड़ाई से मूल्यांकन करने के लिए डेंस-सेट (Dense-Set) डेटासेट पेश करता है।
BindEdit एक नवीन इमेज एडिटिंग फ्रेमवर्क है जो जटिल मल्टी-ऑब्जेक्ट परिदृश्यों में अटेंशन लीकेज (attention leakage) को संबोधित करने के लिए अटेंशन-लेवल बाधाओं को लागू करता है ताकि सिमेंटिक ब्लेंडिंग (semantic blending) और सोर्स डोमिनेंस (source dominance) को रोका जा सके, जिससे एक ही डिफ्यूजन ट्रैजेक्टरी (diffusion trajectory) के भीतर सटीक और सुदृढ़ संपादन प्राप्त किया जा सके।
यह शोध पत्र Physics-IQ Verified को प्रस्तुत करता है, जो एक उन्नत बेंचमार्क है जो प्रॉम्प्ट की गुणवत्ता, ग्राउंड-ट्रुथ सटीकता को बढ़ाने और एक संतुलित सैंपल-स्तरीय स्कोरिंग प्रणाली को लागू करने के माध्यम से मूल Physics-IQ डेटासेट का व्यवस्थित रूप से ऑडिट और परिष्कृत करता है ताकि वीडियो जनरेटिव मॉडल्स में भौतिक समझ के अधिक विश्वसनीय मूल्यांकन को प्रदान किया जा सके।