👁️ Category

cs.CV

11131 पेपर

💻 computer science

Planning with Unified Multimodal Models

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।

Yihao Sun, Zhilong Zhang, Yang Yu, Pierre-Luc Bacon2026-06-16
📊 statistics

Semantic Editing with Coupled Stochastic Differential Equations

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।

Jianxin Zhang, Clayton Scott2026-06-16
🤖 AI

K-Prism: A Knowledge-Guided and Prompt Integrated Universal Medical Image Segmentation Model

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।

Bangwei Guo, Yunhe Gao, Meng Ye, Difei Gu, Yang Zhou, Leon Axel, Dimitris Metaxas2026-06-16
💻 computer science

BioAutoML-NAS: An End-to-End AutoML Framework for Multimodal Insect Classification via Neural Architecture Search on Large-Scale Biodiversity Data

BioAutoML-NAS एक नवीन एंड-टू-एंड AutoML फ्रेमवर्क है जो बड़े पैमाने पर कीट वर्गीकरण में अत्याधुनिक सटीकता प्राप्त करने के लिए न्यूरल आर्किटेक्चर सर्च और छवियों एवं मेटाडेटा के मल्टीमॉडल फ्यूजन का लाभ उठाता है, जो BIOSCAN-5M जैसे जैव विविधता डेटासेट पर मौजूदा ट्रांसफर लर्निंग, ट्रांसफॉर्मर और AutoML विधियों से काफी बेहतर प्रदर्शन करता है।

Arefin Ittesafun Abian, Debopom Sutradhar, Md Rafi Ur Rashid, Reem E. Mohamed, Md Rafiqul Islam, Asif Karim, Kheng Cher (…)2026-06-16
💻 computer science

MIRAGE: Runtime Scheduling for Multi-Vector Image Retrieval with Hierarchical Decomposition

MIRAGE मल्टी-वेक्टर इमेज रिट्रीवल के लिए एक कुशल रनटाइम शेड्यूलिंग फ्रेमवर्क है जो क्वेरी-इमेज एलाइनमेंट को बढ़ाने और कम्प्यूटेशनल रेडंडेंसी को कम करने के लिए एक नवीन पदानुक्रमित अपघटन प्रतिमान (hierarchical decomposition paradigm) का उपयोग करता है, जिससे मौजूदा प्रणालियों की तुलना में गणना को 3.5 गुना तक कम करते हुए महत्वपूर्ण सटीकता सुधार प्राप्त होता है।

Maoliang Li, Ke Li, Yaoyang Liu, Jiayu Chen, Zihao Zheng, Yinjun Wu, Chenchen Liu, Xiang Chen2026-06-16
🤖 machine learning

CoIRL-AD: Collaborative-Competitive Imitation-Reinforcement Learning in Latent World Models for Autonomous Driving

CoIRL-AD एक सहयोगात्मक-प्रतिस्पर्धी ढांचा है जो एंड-टू-एंड स्वायत्त ड्राइविंग की मजबूती और सामान्यीकरण को बढ़ाने के लिए, विशेष रूप से लॉन्ग-टेल परिदृश्यों और क्रॉस-सिटी सेटिंग्स में, लेटेंट वर्ल्ड मॉडल्स के भीतर इमिटेशन और रीइन्फोर्समेंट लर्निंग को एकीकृत करता है, जो उद्देश्यों को अलग करने और ऑफलाइन प्रशिक्षण के लिए इमेजिन्ड रोलआउट्स का लाभ उठाने के माध्यम से किया जाता है।

Xiaoji Zheng, Ziyuan Yang, Yanhao Chen, Yuhang Peng, Yuanrong Tang, Gengyuan Liu, Bokui Chen, Jiangtao Gong2026-06-16
🤖 AI

Are Neuro-Inspired Multi-Modal Vision-Language Models Resilient to Membership Inference Privacy Leakage?

यह शोध पत्र एक तंत्रिका विज्ञान-प्रेरित टोपोलॉजिकल रेगुलेराइजेशन फ्रेमवर्क पेश करता है जो मॉडल की उपयोगिता को तुलनीय बनाए रखते हुए, मेंबरशिप इन्फरेंस प्राइवेसी हमलों के विरुद्ध मल्टी-मोडल विजन-लैंग्वेज मॉडल्स की लचीलेपन को महत्वपूर्ण रूप से बढ़ाता है।

David Amebley, Sayanton Dibbo2026-06-16
💻 computer science

CropTrack: A Tracking with Re-Identification Framework for Precision Agriculture

क्रॉपट्रैक (CropTrack) सटीक कृषि के लिए एक नवीन मल्टीपल-ऑब्जेक्ट ट्रैकिंग फ्रेमवर्क है जो मोशन डेटा को रेंकिंग-एन्हांस्ड, अपीयरेंस-आधारित एसोसिएशन रणनीति के साथ एकीकृत करके दोहराव वाले पैटर्न और बार-बार होने वाले अवरोधों जैसी चुनौतियों पर विजय प्राप्त करता है, जिससे पारंपरिक मोशन-ओनली विधियों की तुलना में पहचान संरक्षण में उल्लेखनीय सुधार होता है और पहचान स्विच (identity switches) कम होते हैं।

Md Ahmed Al Muzaddid, Jordan A. James, William J. Beksi2026-06-16
💻 computer science

CASHEW: Stabilizing Multimodal Reasoning via Iterative Trajectory Aggregation

यह शोध पत्र CASHEW, जो एक इन्फरेंस-टाइम फ्रेमवर्क है, और CASHEW-RL, जो ग्रुप सीक्वेंस पॉलिसी ऑप्टिमाइज़ेशन के साथ प्रशिक्षित एक सीखा हुआ वेरिएंट है, को पेश करता है, जो कैंडिडेट ट्राजेक्टरीज को इटरेटिव रूप से एग्रीगेट करके और विजुअल वेरिफिकेशन के माध्यम से हैलुसिनेशन को फ़िल्टर करके मल्टीमॉडल रीजनिंग को स्थिर करता है, जिससे 13 इमेज और वीडियो अंडरस्टैंडिंग बेंचमार्क में महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।

Chaoyu Li, Deeparghya Dutta Barua, Fei Tao, Pooyan Fazli2026-06-16
🤖 AI

When RAG Hurts: Diagnosing and Mitigating Attention Distraction in Retrieval-Augmented LVLMs

यह शोध पत्र "अटेंशन डिस्ट्रैक्शन" (Attention Distraction) को रिट्रीवल-ऑगमेंटेड लार्ज विजन-लैंग्वेज मॉडल्स में एक नवीन विफलता मोड के रूप में पहचानता है जहाँ प्रासंगिक रिट्रीव्ड टेक्स्ट विजुअल अटेंशन को दबा देता है, और MAD-RAG का प्रस्ताव करता है, जो एक ट्रेनिंग-फ्री विधि है जो विजुअल ग्राउंडिंग को कॉन्टेक्स्ट इंटीग्रेशन से अलग करके इस समस्या को महत्वपूर्ण रूप से कम करती है।

Beidi Zhao, Wenlong Deng, Xinting Liao, Yushu Li, Nazim Shaikh, Yao Nie, Xiaoxiao Li2026-06-16