11131 पेपर
यह शोध पत्र ReportQA प्रस्तुत करता है, जो एक नवीन रेडियोलॉजी रिपोर्ट मूल्यांकन ढांचा है जो संरचित नैदानिक प्रश्न उत्पन्न करने और उत्तर देने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिसके परिणामस्वरूप QAScore मीट्रिक प्राप्त होता है जो मौजूदा मूल्यांकन विधियों की तुलना में रेडियोलॉजिस्ट के निर्णयों के साथ बेहतर तालमेल प्रदर्शित करता है।
यह शोध पत्र सिंथेटिक से वास्तविक नियर-इंफ्रारेड (NIR) ऑटोमोटिव इमेजरी में सिमेंटिक सेगमेंटेशन मॉडलों को स्थानांतरित करने की चुनौती को संबोधित करता है, जिसमें एक जेनेरेटिव ऑग्मेंटेशन फ्रेमवर्क पेश किया गया है जो टेक्सचर-शेप बायस (texture-shape biases) को संतुलित करने के लिए टारगेट स्टाइल अडैप्टेशन को वोरोनोई-आधारित स्टाइल डाइवर्सिफिकेशन के साथ जोड़ता है, जिससे डोमेन गैप को महत्वपूर्ण रूप से कम किया जाता है और वाहन के आंतरिक और बाहरी दोनों दृश्यों में मजबूती में सुधार होता है।
यह शोध पत्र त्वरित एमआरआई (MRI) पुनर्निर्माण के लिए एक सुदृढ़ भौतिकी-संचालित ज़ीरो-शॉट स्व-पर्यवेक्षित शिक्षण ढांचे का प्रस्ताव करता है जो पर्यवेक्षण की कमी को दूर करने और बाहरी डेटासेट के बिना अत्याधुनिक प्रदर्शन प्राप्त करने के लिए कॉइल संवेदनशीलता-निर्देशित आर्टिफ़ैक्ट फ़िल्टरिंग, k-स्पेस स्व-संगति नियमितीकरण और गैर-स्थानीय स्व-समानता पूर्वसूचनाओं (priors) का समन्वय करता है।
यह शोध पत्र सैटेलाइट वीडियो ऑब्जेक्ट डिटेक्शन के लिए एक टेम्पोरल कंसिस्टेंसी लर्निंग (TCL) फ्रेमवर्क प्रस्तावित करता है जो SAT-MTB बेंचमार्क पर अत्याधुनिक ओरिएंटेड और फाइन-ग्रेंड डिटेक्शन सटीकता प्राप्त करने के लिए टेम्पोरल फीचर एग्रीगेशन, स्ट्रक्चर एनकोडिंग और कंसिस्टेंसी कंस्ट्रेंट्स को एकीकृत करता है।
यह शोध पत्र एक मल्टी-व्यू फीचर हाई-ऑर्डर फ्यूजन (MHF) विधि प्रस्तावित करता है जो अंतरिक्ष इमेजरी में कमजोर वस्तुओं के पता लगाने और विभाजन को बढ़ाने के लिए हाई-ऑर्डर एग्रीगेशन और रिकर्सिव गेटेड सिलेक्शन का लाभ उठाता है, जिससे कई डेटासेट्स पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोधपत्र SAGA का प्रस्ताव करता है, जो एक प्रशिक्षण ढांचा है जो ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन और अटेंशन डिस्टिलेशन के माध्यम से एट्रिब्यूट-रिजॉल्व्ड सुपरविजन सिग्नल्स उत्पन्न करने के लिए एक फ्रोजन मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) का लाभ उठाता है, जिससे इन्फरेंस लागत बढ़ाए बिना मानक स्केलर-डिस्टेंस बेसलाइन्स की तुलना में ज़ीरो-शॉट विज़ुअल रिट्रीवल प्रदर्शन में उल्लेखनीय सुधार होता है।
GeoStream एक सटीक, मीट्रिक-स्केल कैमरा-नियंत्रित स्ट्रीमिंग वीडियो जनरेशन के लिए एक फ्रेमवर्क है जो इम्पलिसिट मोशन लर्निंग और स्टैटिक ज्योमेट्रिक कंडीशनिंग की सीमाओं को दूर करने के लिए एक सेल्फ-रिफ्रेशिंग 3D कैश और पूर्ण रूप से ऑन-पॉलिसी डिस्टिलेशन का उपयोग करता है।
यह शोध पत्र अल्ट्रासेग (UltraSeg) को प्रस्तुत करता है, जो पॉइंट-ऑफ-केयर अल्ट्रासाउंड सेगमेंटेशन के लिए अनुकूलित एक अल्ट्रा-लाइटवेट एआई आर्किटेक्चर है, जो जीपीयू (GPU) पर निर्भरता के बिना केवल सीपीयू (CPU) और मोबाइल उपकरणों पर वास्तविक समय में, क्लिनिकल-ग्रेड प्रदर्शन प्राप्त करता है, जिससे बड़े मॉडलों की सटीकता के साथ मेल खाते हुए संसाधन-सीमित सेटिंग्स में उन्नत निदान को सक्षम बनाया जा सके।
यह शोध पत्र UCS-Bench प्रस्तुत करता है, जो एगोसेंट्रिक (egocentric) वीडियो में उपयोगकर्ता-केंद्रित निरंतर स्थानिक तर्क (continual spatial reasoning) के मूल्यांकन के लिए एक बड़े पैमाने का डेटासेट है, और DirectMe का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो मल्टीमॉडल एलएलएम (LLMs) की दीर्घकालिक स्थानिक तर्क क्षमताओं को महत्वपूर्ण रूप से बढ़ाने के लिए संरचित स्थानिक स्मृति (structured spatial memory) को क्रमिक रूप से निर्मित करता है।
यह अध्ययन प्रदर्शित करता है कि बड़े विजन-लैंग्वेज मॉडल, विशेष रूप से GPT-4o और Gemini Pro, आई-ट्रैकिंग प्रशिक्षण डेटा की आवश्यकता के बिना सुरक्षा-संबंधित वातावरण में मानव दृश्य ध्यान पैटर्न का प्रभावी ढंग से अनुमान लगा सकते हैं, जैसा कि मॉडल-जनित सलेन्सी मैप्स और मानव दृष्टि हीटमैप्स के बीच मजबूत स्थानिक संरेखण मेट्रिक्स से प्रमाणित होता है।