10642 पेपर
यह शोध पत्र यह प्रकट करता है कि वर्तमान Video-LLMs लंबे वीडियो में विशिष्ट पात्रों को वास्तविक रूप से ट्रैक करने में काफी हद तक विफल रहते हैं, इसके बजाय वे सतही लैंगिक संकेतों पर निर्भर रहते हैं और समान लिंग वाले व्यक्तियों के बीच अंतर करने में विफल रहते हैं, जिसके कारण बेंचमार्क स्कोर उनकी वास्तविक टेम्पोरल रीजनिंग और पहचान-ट्रैकिंग क्षमताओं को बढ़ा-चढ़ाकर दिखाते हैं।
यह शोध पत्र डिफ्यूजन ट्रांसफॉर्मर्स में नियंत्रित मोशन ट्रांसफर के लिए एक पैरामीटर-मुक्त, हेड-अवेयर फ्रेमवर्क का प्रस्ताव करता है, जो लक्षित सिमेंटिक्स को संरक्षित करते हुए सटीक मोशन अलाइनमेंट प्राप्त करने के लिए मोशन और स्थानिक संरचना (स्पेशियल स्ट्रक्चर) के लिए विशिष्ट अटेंशन हेड्स की पहचान और हेरफेर करता है।
यह शोधपत्र U-Net डिकोडर फीचर फ्यूजन के लिए 'डिफरेंस-ड्रिवन गेटिंग' (Difference-Driven Gating) नामक एक नया प्रतिमान प्रस्तावित करता है, जो वैश्विक और स्थानीय फीचर स्ट्रीम्स के बीच पूर्ण या एंट्रॉपी-आधारित अंतरों के आधार पर अनुकूली गेटिंग मैप्स उत्पन्न करता है, जो मेडिकल इमेजिंग, रिमोट सेंसिंग और स्पीच सेपरेशन कार्यों में मौजूदा अटेंशन-आधारित विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।
Dess++ एक हल्का, कुशल संवर्द्धन मॉड्यूल है जो एक हाइब्रिड अटेंशन आर्किटेक्चर के माध्यम से डिस्क्रिप्टर निरूपणों और कीपॉइंट ज्यामिति को संयुक्त रूप से एनकोड करके मौजूदा SLAM सिस्टम में विजुअल डेटा एसोसिएशन में सुधार करता है, जिससे बिना किसी पाइपलाइन संशोधन या महत्वपूर्ण कम्प्यूटेशनल ओवरहेड के मिलान सटीकता और प्रक्षेपवक्र स्थिरता को बढ़ाया जाता है।
FlowPET एक भौतिकी-सूचित (physics-informed), सिम्प्लेक्टिक फ्लो मैचिंग फ्रेमवर्क पेश करता है जो कम-काउंट PET पुनर्निर्माण को वॉल्यूम-प्रिजर्विंग ट्रांसपोर्ट के रूप में पुनर्गठित करता है ताकि विसरणात्मक (dissipative) मॉडलों में होने वाले सिग्नल "वॉश-आउट" को रोका जा सके, जिससे डेटा कंसिस्टेंसी को सख्ती से लागू करते हुए कमजोर, लो-कॉन्ट्रास्ट लीजन्स की बेहतर रिकवरी प्राप्त की जा सके।
यह शोध पत्र बीयॉन्ड द आई (BEE) को प्रस्तुत करता है, जो एक नवीन मल्टीमॉडल मॉडल है जो संरचित सुपरवाइज्ड फाइन-ट्यूनिंग और स्व-विनियमित रिवॉर्ड-संचालित अलाइनमेंट की द्वि-चरणीय प्रशिक्षण प्रक्रिया के माध्यम से अंतर्निहित विजुअल टूल्स को एकीकृत करता है, जिससे अनुकूलन योग्य टूल इनवोकेशन सक्षम होता है जो सूक्ष्म दृश्य धारणा में अत्याधुनिक प्रदर्शन बनाए रखते हुए इन्फरेंस लेटेंसी को महत्वपूर्ण रूप से कम करता है।
यह शोध पत्र GHOST का प्रस्ताव करता है, जो एक ज्यामिति-निर्देशित (geometry-guided) प्रीप्रोसेसिंग फ्रेमवर्क है जो पारदर्शी वस्तुओं के अपारदर्शी, बनावट-युक्त (texture-rich) निरूपणों को संश्लेषित करने के लिए विजुअल फाउंडेशन मॉडल्स का लाभ उठाता है, जिससे बिना किसी मॉडल रिट्रेनिंग के डाउनस्ट्रीम डेप्थ एस्टीमेशन और 3D रिकंस्ट्रक्शन कार्यों के प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र वीडियो साक्षात्कारों में द्वंद्व (ambivalence) और हिचकिचाहट (hesitancy) को पहचानने के लिए एक ऐसी प्रणाली प्रस्तुत करता है जो ASR-मिटाए गए समय संबंधी विशेषताओं (ASR-erased time features) और प्रभाव-विशिष्ट मल्टीमॉडल फ्यूजन (affect-specialized multimodal fusion) का लाभ उठाती है, जो यह प्रदर्शित करता है कि सरल AP-वेटेड एन्सेम्बलिंग (AP-weighted ensembling) के साथ ईमानदार अंशांकन (honest calibration), ABAW 2026 BAH चैलेंज पर जटिल आर्किटेक्चर और ओवरफिटेड सत्यापन रणनीतियों से बेहतर प्रदर्शन करता है।
SISA-Rec एक ट्रांसफॉर्मर-आधारित अनुक्रमिक अनुशंसा फ्रेमवर्क है जो गेटेड फ्यूजन और कंट्रास्टिव अलाइनमेंट के माध्यम से आइटम आईडी और BERT-आधारित सिमेंटिक एम्बेडिंग्स को एकीकृत करता है ताकि विशेष रूप से स्पार्स और कोल्ड-स्टार्ट परिदृश्यों में अत्याधुनिक मॉडलों से काफी बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र GDP.pdf को प्रस्तुत करता है, जो दस क्षेत्रों में पेशेवर रूप से तैयार किए गए 100 प्रश्न-दस्तावेज़ युग्मों वाला एक नया बेंचमार्क है, जो वर्तमान अत्याधुनिक मल्टीमॉडल मॉडलों की महत्वपूर्ण सीमाओं को उजागर करता है, जहाँ सबसे अच्छा प्रदर्शन करने वाला मॉडल तालिका/चार्ट की व्याख्या, क्रॉस-रेफरेंसिंग और दस्तावेज़ संशोधनों को संभालने में होने वाली बार-बार की त्रुटियों के कारण केवल 15% पास दर प्राप्त कर सका।