11020 पेपर
इवेंटड्राइव (EventDrive) एक व्यापक बेंचमार्क और एक नवीन विजन-लैंग्वेज मॉडल पेश करता है जो धारणा, समझ, भविष्यवाणी और नियोजन कार्यों में स्वायत्त ड्राइविंग क्षमताओं को महत्वपूर्ण रूप से बढ़ाने के लिए इवेंट कैमरों की उच्च टेम्पोरल प्रिसिजन (समय संबंधी सटीकता) और डायनेमिक रेंज का लाभ उठाता है।
UniAR एक एकीकृत ऑटोरेग्रेसिव फ्रेमवर्क पेश करता है जो विजुअल अंडरस्टैंडिंग और जनरेशन के बीच के अंतर को पाटने के लिए एक एकल डिस्क्रीट विजुअल टोकेनाइज़र का लाभ उठाता है, जो साझा संदर्भ (shared context), पैरेलल-बिटवाइज़ प्रेडिक्शन और डिफ्यूजन-आधारित डिकोडर के माध्यम से उच्च-सटीक इमेज सिंथेसिस और एडिटिंग को सक्षम बनाता है और मल्टीमॉडल बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोधपत्र यह प्रदर्शित करता है कि रैंडम इरेज़िंग (Random Erasing), जो सामान्यीकरण (generalization) में सुधार के लिए पारंपरिक रूप से उपयोग की जाने वाली एक डेटा ऑगमेंटेशन तकनीक है, मॉडल इनवर्जन हमलों के विरुद्ध एक अत्यधिक प्रभावी और सरल रक्षा के रूप में कार्य करती है, क्योंकि यह एक फीचर स्पेस विसंगति (feature space discrepancy) उत्पन्न करती है जो मॉडल की उपयोगिता को बनाए रखते हुए पुनर्निर्माण की गुणवत्ता को कम कर देती है, जिससे अत्याधुनिक प्राइवेसी-यूटिलिटी ट्रेड-ऑफ प्राप्त होता है।
यह शोध पत्र एक नवीन लेबल-स्वतंत्र, हाइपरपैरामीटर-मुक्त स्व-पर्यवेक्षित एकल-दृश्य डीप सबस्पेस क्लस्टरिंग पद्धति प्रस्तावित करता है जो विविध डेटासेटों पर प्रतिस्पर्धी प्रदर्शन प्राप्त करने के साथ-साथ मौजूदा दृष्टिकोणों की सीमाओं को दूर करने के लिए लेयर-वाइज सेल्फ-एक्सप्रेशन, मल्टी-स्टेज सीक्वेंशियल लर्निंग और एक रिलेटिव एरर-आधारित स्टॉपिंग मैकेनिज्म को एकीकृत करता है।
यह शोध पत्र एक नवीन डोमेन जनरलाइजेशन फ्रेमवर्क प्रस्तावित करता है जो विजुअल प्रॉम्प्ट ट्यूनिंग को निर्देशित करने के लिए टेक्स्ट प्रॉम्प्ट्स को अलग करने हेतु लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिसे आगे रोबस्ट क्रॉस-डोमेन रिप्रेजेंटेशन लर्निंग के लिए एब्स्ट्रैक्ट प्रॉम्प्ट्स और स्टाइलइज्ड ऑगमेंटेशन्स को सम्मिलित करने हेतु वर्स्ट एक्सप्लिसिट रिप्रेजेंटेशन एलाइनमेंट (WERA) द्वारा उन्नत किया गया है।
यह शोध पत्र D2P-MMT का प्रस्ताव करता है, जो एक डिफ्यूजन-आधारित ड्यूल-ब्रांच प्रॉम्प्टिंग फ्रेमवर्क है जो विज़ुअल नॉइज़ को फ़िल्टर करने के लिए पुनर्रचित छवियों का उपयोग करके और प्रशिक्षण-अनुमान अंतराल को पाटने के लिए एक वितरण संरेखण हानि (डिस्ट्रीब्यूशनल एलाइनमेंट लॉस) का उपयोग करके मल्टीमॉडल मशीन ट्रांसलेशन की मजबूती को बढ़ाता है, जिससे Multi30K डेटासेट पर बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र "Waste-Bench" प्रस्तुत करता है, जो एक नवीन डेटासेट और व्यापक मूल्यांकन ढांचा है जिसे विकृत अपशिष्ट वस्तुओं वाले चुनौतीपूर्ण, अव्यवस्थित वास्तविक वातावरण में विजन लार्ज लैंग्वेज मॉडल्स (VLLMs) की मजबूती और सटीकता का आकलन करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र Uni-Plan को प्रस्तुत करता है, जो एक नवीन प्लानिंग फ्रेमवर्क है जो नीति (policy), गतिकी (dynamics) और मूल्य फलनों (value functions) के रूप में एक साथ कार्य करने के लिए एकीकृत मल्टीमॉडल मॉडल्स का लाभ उठाता है, जबकि मतिभ्रम (hallucinations) को कम करने और विशेषज्ञ प्रदर्शनों (expert demonstrations) की आवश्यकता के बिना श्रेष्ठ एम्बॉडीड निर्णय लेने (embodied decision-making) में प्रदर्शन प्राप्त करने के लिए स्व-विभेदित फ़िल्टरिंग (self-discriminated filtering) का उपयोग करता है।
यह शोध पत्र 'कपल्ड एसडीई' (coupled SDEs) नामक एक प्रशिक्षण-मुक्त विधि प्रस्तुत करता है जो स्रोत और संपादित छवियों को सह-संबंधित शोर (correlated noise) के साथ संचालित करके पूर्व-प्रशिक्षित जनरेटिव मॉडलों की सैंपलिंग प्रक्रिया को निर्देशित करती है, जिससे उच्च प्रॉम्प्ट फिडेलिटी प्राप्त करने के साथ-साथ लगभग पिक्सेल-स्तर की दृश्य निरंतरता भी बनी रहती है।
K-Prism एक एकीकृत चिकित्सा छवि विभाजन (medical image segmentation) ढांचा है जो सिमेंटिक प्रायर्स (semantic priors), इन-कॉन्टेक्स्ट उदाहरणों और इंटरैक्टिव फीडबैक को एक ड्यूल-प्रॉम्ट प्रतिनिधित्व में एकीकृत करता है जिसे मिक्सचर-ऑफ-एक्सपर्ट्स डिकोडर द्वारा संसाधित किया जाता है, जिससे 18 विविध डेटासेट्स और कई विभाजन प्रतिमानों (segmentation paradigms) में अत्याधुनिक प्रदर्शन प्राप्त होता है।