👁️ Category

cs.CV

11020 पेपर

💻 computer science

Show, Don't Ask: Generative Visual Disambiguation for Composed Image Retrieval with Turn-Valid Coverage

यह शोध पत्र CLARA का प्रस्ताव करता है, जो कि कंपोज्ड इमेज रिट्रीवल के लिए एक जनरेटिव विजुअल डिसैम्बिग्युएशन फ्रेमवर्क है, जो टेक्स्ट आधारित प्रश्न पूछने के बजाय चयन के लिए वास्तविक इमेज प्रोटोटाइप का एक पैनल प्रस्तुत करके उपयोगकर्ता की मंशा की अस्पष्टता को हल करता है, जिससे कई इंटरैक्शन राउंड्स में वैध कॉन्फॉर्मल कवरेज गारंटी बनी रहती है और यह फाइन-ग्रेंड सिनेरियो में टेक्स्ट-आधारित बेसलाइन्स से बेहतर प्रदर्शन करता है।

Amsisan Tran, Baogh Le, Tuan Kiet Pham, Sui Yang Guang2026-06-19
💻 computer science

Taming I2V models for Image HOI Editing: A Cognitive Benchmark and Agentic Self-Correcting Framework

यह शोध पत्र HOI-Edit प्रस्तुत करता है, जो ह्यूमन-ऑब्जेक्ट इंटरैक्शन (Human-Object Interaction) एडिटिंग के लिए एक स्वचालित मूल्यांकन मीट्रिक के साथ एक संज्ञानात्मक बेंचमार्क है, और SCPE का प्रस्ताव करता है, जो एक एजेंटिक सेल्फ-करेक्टिंग फ्रेमवर्क है जो प्रॉम्प्ट्स को पुनरावृत्त रूप से परिष्कृत करने और बेहतर इंटरैक्शन सटीकता प्राप्त करने के लिए इमेज-टू-वीडियो मॉडल्स के टेम्पोरल जनरेशन और एरर डायग्नोसेबिलिटी का लाभ उठाता है।

Jiayi Gao, Qingchao Chen, Yuxin Peng, Yang Liu2026-06-19
💻 computer science

ProductConsistency: Improving Product Identity Preservation in Instruction-Based Image Editing via SFT and RL

यह शोध पत्र ProductConsistency डेटासेट और एक साइक्लिक कंसिस्टेंसी (Cyclic Consistency) रिवॉर्ड मैकेनिज्म को पेश करता है ताकि निर्देश-आधारित इमेज एडिटिंग में प्रोडक्ट आइडेंटिटी के संरक्षण को बढ़ाया जा सके, जो यह प्रदर्शित करता है कि सुपरवाइज्ड फाइन-ट्यूनिंग और रिइन्फोर्समेंट लर्निंग Qwen-Image-Edit-2511 और Flux.1-Kontext-dev जैसे मॉडल्स में टेक्स्ट फिडेलिटी और विजुअल क्वालिटी में महत्वपूर्ण सुधार करते हैं।

Mukund Khanna, Raj Singh Yadav, Kunal Singh2026-06-19
💻 computer science

The Reward Was in Your Data All Along: Correcting Flow Matching with Discriminator-Guided RL

यह शोध पत्र डिस्क्रिमिनेटर-गाइडेड आरएल (DRL) का प्रस्ताव करता है, जो एक ऐसी विधि है जो फ्लो मैचिंग मॉडल्स को सुधारने के लिए एक प्रीट्रेंड रिप्रेजेंटेशन स्पेस में प्रशिक्षित डिस्क्रिमिनेटर का लाभ उठाकर एक इष्टतम रिवॉर्ड सिग्नल प्रदान करती है, जिससे महंगे ह्यूमन प्रिफरेंस डेटा पर निर्भर किए बिना इमेज फिडेलिटी और सिमेंटिक कोहेरेंस में महत्वपूर्ण सुधार होता है।

Nicolas Beltran-Velez, Felix Friedrich, Zhang Xiaofeng, Reyhane Askari-Hemmat, Xiaochuang Han, Adriana Romero-Soriano, M (…)2026-06-19
💻 computer science

Seeing Through Occlusion: Deterministic Arm Kinematic Correction for Robot Teleoperation

यह शोध पत्र एक नियतात्मक आर्म किनेमैटिक करेक्शन (AKC) विधि प्रस्तुत करता है जो एकल RGB-D कैमरा डेटा से बाधित जोड़ की गहराई को मजबूती से पुनर्गठित करने के लिए ज्यामितीय बाधाओं और स्थिर आर्म लंबाई का लाभ उठाता है, जिससे गंभीर स्व-अवरोध (self-occlusion) के तहत मार्कर रहित रोबोट टेलीऑपरेशन की सटीकता और विश्वसनीयता में वृद्धि होती है।

Thomas M. Kwok, Nicholas Koenig, Yue Hu2026-06-19
💻 computer science

Transformer Geometry Observatory TGO-I: Spectral Geometry Observatory

यह शोध पत्र विजन ट्रांसफॉर्मर के स्पेक्ट्रल ज्योमेट्री का विश्लेषण करने के लिए ट्रांसफॉर्मर ज्योमेट्री ऑब्जर्वेटरी (TGO) फ्रेमवर्क, विशेष रूप से TGO-I को प्रस्तुत करता है और यह प्रकट करता है कि प्रशिक्षण प्रगतिशील रूप से प्रतिनिधित्व संबंधी आयामों (representational dimensions) में वेरिएंस को पुनर्वितरित करता है, जिससे सूचना संकेंद्रण (information concentration) की अंतर्ज्ञान के विपरीत प्रभावी आयामशीलता में वृद्धि और एनिसोट्रॉपी (anisotropy) में कमी आती है।

Kaustubh Kapil, Kishor P. Upla2026-06-19
💻 computer science

OneCanvas: 3D Scene Understanding via Panoramic Reprojection

OneCanvas एक नवीन 3D सीन अंडरस्टैंडिंग फ्रेमवर्क पेश करता है जो 3D पोजीशन एम्बेडिंग्स के साथ एक एकल पैनोरमिक कैनवास पर मल्टी-व्यू पैच फीचर्स को एकत्रित करता है, जिससे काफी कम प्रशिक्षण कंप्यूट के साथ अत्याधुनिक स्थानिक तर्क (spatial reasoning) सक्षम होता है और यह स्थितीय तर्क (situated reasoning) एवं प्रक्रियात्मक स्थानिक प्रीट्रेनिंग (procedural spatial pretraining) दोनों का समर्थन करता है।

Bartłomiej Baranowski, Dave Zhenyu Chen, Matthias Nießner2026-06-19
💻 computer science

Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation

यह शोध पत्र यह प्रदर्शित करता है कि जबकि मोंटे कार्लो ड्रॉपआउट अनिश्चितता-त्रुटि संरेखण (uncertainty-error alignment) के माध्यम से विभाजन त्रुटियों को प्रभावी ढंग से रैंक करता है, AUROC जैसे मजबूत वैश्विक मेट्रिक्स विशिष्ट ट्यूमर उप-क्षेत्रों में गंभीर, नैदानिक रूप से महत्वपूर्ण गलत अंशांकन (miscalibration) को छिपा सकते हैं, जो ब्रेन ट्यूमर विभाजन में रोगी सुरक्षा सुनिश्चित करने के लिए क्षेत्र-विशिष्ट अंशांकन मूल्यांकन को आवश्यक बनाता है।

Xin Ci Wong, Duygu Sarikaya, Kieran Zucker, Marc De Kamps, Nishant Ravikumar2026-06-19
💻 computer science

NeuMesh++: Towards Versatile and Efficient Volumetric Editing with Disentangled Neural Mesh-based Implicit Field

NeuMesh++ एक बहुमुखी और कुशल न्यूरल मेश-आधारित इम्प्लिसिट फील्ड पेश करता है जो व्यापक 3D संपादन क्षमताओं को सक्षम करने के लिए मेश वर्टिसिस पर ज्योमेट्री, टेक्सचर और सिमेंटिक कोड्स को अलग करता है, जिसमें गाइडेड ज्योमेट्री मैनिपुलेशन, टेक्सचर स्वैपिंग और पेंटिंग, तथा सिमेंटिक-गाइडेड संशोधनों शामिल हैं।

Chong Bao, Yuan Li, Bangbang Yang, Yujun Shen, Hujun Bao, Zhaopeng Cui, Yinda Zhang, Guofeng Zhang2026-06-19
💻 computer science

Reference-Driven Multi-Speaker Audio Scene Generation from In-the-Wild Priors

यह शोध पत्र ScenA को प्रस्तुत करता है, जो एक संदर्भ-संचालित मल्टी-स्पीकर ऑडियो जनरेशन विधि है जो यथार्थवादी, ओवरलैपिंग संवाद दृश्यों को परिवेशी शोर के साथ बनाने के लिए इन-द-वाइल्ड डेटा पर प्री-ट्रेन किए गए टेक्स्ट-टू-ऑडियो फ्लो-मैचिंग मॉडल का लाभ उठाता है, जो संदर्भ आवाजों और फ्री-फॉर्म प्रॉम्प्ट्स पर आधारित होता है, जबकि एक हाई-नॉइज़-बायस्ड ट्रेनिंग रणनीति के माध्यम से "रेफरेंस शॉर्टकट" चुनौती पर विजय प्राप्त करता है।

Michael Finkelson, Daniel Segal, Eitan Richardson, Shahar Armon, Nani Goldring, Poriya Panet, Nir Zabari, Benjamin Brazo (…)2026-06-19