cs.CV पेपर | Gist.Science

Heterogeneous SAR-optical fusion for near-real-time land use and land cover mapping under cloud contamination: A novel framework and global benchmark dataset

यह शोधपत्र CloudLULC-Net को प्रस्तुत करता है, जो क्लाउड-संदूषित ऑप्टिकल और SAR डेटा को मजबूत नियर-रियल-टाइम लैंड यूज़ और लैंड कवर मैपिंग के लिए फ्यूज करने वाला एक नवीन एंड-टू-एंड फ्रेमवर्क है, जिसके साथ इसके मौजूदा तरीकों पर बेहतर प्रदर्शन को मान्य करने के लिए एक बड़े पैमाने के वैश्विक बेंचमार्क डेटासेट (CloudLULC-Set) को भी जारी किया गया है।

Jiangong Xu, Weibao Xue, Xiaoyu Yu, Jun Pan, Xinlian Lianga, Mi Wang2026-06-17

🤖 AI

LiveStarPro: Proactive Streaming Video Understanding with Hierarchical Memory for Long-Horizon Streams

यह शोध पत्र LiveStarPro को प्रस्तुत करता है, जो एक सक्रिय लाइव स्ट्रीमिंग सहायक है जो स्वायत्त प्रतिक्रिया समय के लिए स्ट्रीमिंग वेरिफिकेशन डिकोडिंग, वृद्धिशील संरेखण के लिए स्ट्रीमिंग कॉज़ल अटेंशन मास्क और कुशल दीर्घकालिक रिकॉल के लिए ट्री-स्ट्रक्चर्ड पदानुक्रमित मेमोरी को संयोजित करने वाले एक नवीन आर्किटेक्चर के माध्यम से लंबी अवधि के स्ट्रीम को संभालने में मौजूदा वीडियो-LLMs की सीमाओं को दूर करता है, जिसे नए OmniStarPro बेंचमार्क द्वारा प्रमाणित किया गया है।

Zhenyu Yang, Kairui Zhang, Bing Wang, Shengsheng Qian, Changsheng Xu2026-06-17

💻 computer science

Million-scale multimodal pollen microscopy with expert-guided foundation models

यह शोध पत्र पोलन एआई एटलस (Pollen AI Atlas) को प्रस्तुत करता है, जो विशेषज्ञ-क्यूरेटेड पराग सूक्ष्मदर्शी छवियों और विजन-लैंग्वेज मॉडल द्वारा जनरेट किए गए संरचित रूपात्मक विवरणों (morphological captions) का एक मिलियन-स्केल मल्टीमॉडल संसाधन है, जो स्केलेबल, व्याख्या योग्य और क्रॉस-रीजनल पराग पहचान के लिए एक नया बेंचमार्क स्थापित करता है।

András Biricz, Björn Gedda, Donát Magyar, Antonio Spanu, János Fillinger, Péter Pollner, István Csabai2026-06-17

🤖 machine learning

Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models

Qwen-RobotManip एक सामान्यीकरण योग्य विजन-लैंग्वेज-एक्शन फाउंडेशन मॉडल है जो प्रतिनिधित्व, गति और व्यवहार संबंधी आयामों में एक एकीकृत संरेखण ढांचे का लाभ उठाता है ताकि लगभग 38,100 घंटों के ओपन-सोर्स कॉर्पस पर बड़े पैमाने पर प्रशिक्षण सक्षम किया जा सके, जिससे विविध रोबोटिक प्लेटफॉर्म और आउट-ऑफ-डिस्ट्रीब्यूशन बेंचमार्क में अत्याधुनिक प्रदर्शन और उभरती हुई सामान्यीकरण क्षमताएं प्राप्त होती हैं।

Haoqi Yuan, Zhixuan Liang, Anzhe Chen, Ye Wang, Haoyang Li, Pei Lin, Yiyang Huang, Zixing Lei, Tong Zhang, Jiazhao Zhang (…)2026-06-17

🤖 AI

A Quantitative Analysis of Multimodal Biomarkers in Alzheimer's Disease

यह शोध पत्र 789 ADNI विषयों के डेटा का उपयोग करते हुए मल्टीमॉडल अल्जाइमर रोग बायोमार्कर का एक मात्रात्मक विश्लेषण प्रस्तुत करता है ताकि क्रॉस-मोडल संबंधों को व्यवस्थित रूप से अभिलक्षणित किया जा सके, अनावश्यक मूल्यांकनों की पहचान की जा सके, और एक प्रमुख न्यूरोडीजेनेरेटिव प्रक्षेपवक्र को रेखांकित किया जा सके जो संज्ञानात्मक गिरावट के अनुरूप हो।

Antonio Scardace, Daniele Ravì2026-06-17

💻 computer science

MoonSplat: Monocular Online Gaussian Splatting with Sim(3) Global Optimization

MoonSplat एक सुदृढ़ और कुशल ऑनलाइन मोनोकुलर 3D गॉसियन स्प्लेटिंग फ्रेमवर्क है जो वैश्विक Sim(3) अनुकूलन और कलर रेसिडुअल लर्निंग को एकीकृत करता है ताकि स्टेट-ऑफ-द-आर्ट कैमरा पोज़ सटीकता और रेंडरिंग गुणवत्ता वास्तविक समय में प्राप्त की जा सके, जैसा कि बेंचमार्क डेटासेट और एक वास्तविक दुनिया के UAV परिनियोजन द्वारा प्रमाणित किया गया है।

Guo Pu, Yixuan Han, Haofeng Li, Yao Zhang, Hui Zhou, Zhouhui Lian2026-06-17

💻 computer science

MLLMs Get It Right, Then Get It Wrong: Tracing and Correcting Late-Layer Textual Bias

यह शोध पत्र मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में एक "लेट-लेयर टेक्स्टुअल ओवरराइड" (late-layer textual override) घटना की पहचान करता है जहाँ अंतिम परतों में टेक्स्ट बायस (text bias) द्वारा सही विजुअल भविष्यवाणियों को दबा दिया जाता है, और CALRD का प्रस्ताव करता है, जो एक ट्रेनिंग-फ्री विधि है जो इन ओवरराइड की गई विजुअल अंतर्दृष्टियों का पता लगाती है और उन्हें पुनर्स्थापित करती है ताकि कॉन्फ्लिक्ट बेंचमार्क्स पर प्रदर्शन में उल्लेखनीय सुधार किया जा सके।

Xingming Li, Ao Cheng, Qiyao Sun, Xixiang He, Xuanyu Ji, Runke Huang, Qingyong Hu2026-06-17

💻 computer science

PhaseWin: An Efficient Search Algorithm for Faithful Visual Attribution

PhaseWin एक कुशल सबसेट-सर्च एल्गोरिदम है जो निष्ठावान विजुअल एट्रिब्यूशन (faithful visual attribution) के लिए ग्रीडी सिलेक्शन को एक फेज़्ड विंडो-सर्च प्रक्रिया में पुनर्गठित करता है ताकि विभिन्न विजन कार्यों में उच्च निष्ठा बनाए रखते हुए कम्प्यूटेशनल जटिलता को द्विघात $O(n^2)$ से घटाकर रैखिक $O(n)$ किया जा सके।

Zihan Gu, Ruoyu Chen, Junchi Zhang, Li Liu, Xiaochun Cao, Hua Zhang2026-06-17

💻 computer science

Blended Chart Surfaces: A Seamless Explicit Representation for Smooth Surface Fitting

यह शोध पत्र ब्लेंडेड चार्ट सर्फेस (Blended Chart Surfaces) को प्रस्तुत करता है, जो एक संक्षिप्त, नेटवर्क-मुक्त और स्पष्ट प्रतिनिधित्व है जो एक मोटे प्रॉक्सी मेश (proxy mesh) पर स्थानीय बहुपद मानचित्रों (local polynomial maps) को अनुकूलित करके और उन्हें एक सुचारू सम्मिश्रण योजना के माध्यम से संलयित करके वैश्विक रूप से सुचारू सतह फिटिंग प्राप्त करता है, जिससे यह मौजूदा न्यूरल रिप्रजेंटेशन का एक निर्बाध विकल्प प्रदान करता है जो अक्सर टोपोलॉजी बाधाओं या सीम आर्टिफैक्ट्स (seam artifacts) के साथ संघर्ष करते हैं।

Romy Williamson, Niloy Mitra2026-06-17

💻 computer science

Qwen-RobotNav Technical Report: A Scalable Navigation Model Designed for an Agentic Navigation System

Qwen-RobotNav एक स्केलेबल, पैरामीट्रिक नेविगेशन मॉडल है जिसे 15.6M नमूनों पर प्रशिक्षित किया गया है जो एजेंटिक सिस्टम को बिना किसी आर्किटेक्चरल बदलाव के इन्फरेंस के समय गतिशील रूप से अवलोकन रणनीतियों और कार्य मोड को पुनर्गठित करने में सक्षम बनाता है, जिससे विविध बेंचमार्क और वास्तविक दुनिया के रोबोट्स में अत्याधुनिक प्रदर्शन और मजबूत ज़ीरो-शॉट सामान्यीकरण प्राप्त होता है।

Jiazhao Zhang, Gengze Zhou, Hale Yin, Yiyang Huang, Zixing Lei, Qihang Peng, Haoqi Yuan, Jie Zhang, Xudong Guo, Xiaoyue (…)2026-06-17

← पिछला अगला →