10686 पेपर
यह शोध पत्र EVIS प्रस्तुत करता है, जो NVIDIA Isaac Sim के लिए एक भौतिकी-आधारित (physics-grounded) प्लगइन है, जो सिम-टू-रियल अंतराल को पाटने और इवेंट-आधारित रोबोटिक्स धारणा के विकास को गति देने के लिए कॉन्फ़िगर करने योग्य शोर (noise) और मोशन ब्लर के साथ उच्च-दर वाले, पूर्णतः लेबल किए गए इवेंट कैमरा स्ट्रीम को कुशलतापूर्वक उत्पन्न करता है।
यह शोध पत्र VSRo-200 को प्रस्तुत करता है, जो मानव और छद्म-लेबल (pseudo-labels) दोनों के साथ 200 घंटों के पॉडकास्ट वीडियो वाला पहला बड़े पैमाने का रोमानियाई विजुअल स्पीच रिकग्निशन डेटासेट है, जो यह प्रदर्शित करने के लिए एक बेंचमार्क के रूप में कार्य करता है कि जहाँ मानव एनोटेशन निश्चित पैमानों पर उच्च प्रदर्शन प्रदान करते हैं, वहीं छद्म-लेबल कम-संसाधन, शोर वाले और आउट-ऑफ-डिस्ट्रीब्यूशन परिवेशों में बेहतर स्केलेबिलिटी और मजबूती (robustness) सक्षम करते हैं।
यह शोध पत्र रोबोटिक मॉडलों में "वीडियो-एक्शन जनरलाइजेशन गैप" की पहचान करता है, यह समझाने के लिए 'टेम्पोरल रेशियो' मीट्रिक पेश करता है कि भविष्य के अनुमानों पर निर्भरता कंपोजिशनल जनरलाइजेशन को कैसे प्रभावित करती है, और एक इन्फरेंस-टाइम एडेप्टिव गाइडेंस विधि प्रस्तावित करता है जो इस अंतर्दृष्टि का लाभ उठाकर LIBERO जैसे बेंचमार्क और वास्तविक दुनिया के कार्यों पर आउट-ऑफ-डिस्ट्रीब्यूशन प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र कंप्यूटर विज़न में निरंतर टेस्ट-टाइम अनुकूलन (Continual Test-Time Adaptation - CTTA) पर एक व्यापक सर्वेक्षण प्रस्तुत करता है, जो एक औपचारिक समस्या परिभाषा, मौजूदा विधियों का एक पदानुक्रमित वर्गीकरण, व्यवस्थित बेंचमार्क, और वितरण संबंधी बदलावों (distributional shifts) तथा कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) जैसे विफलता मोडों को संबोधित करने के लिए भविष्य के अनुसंधान दिशाओं का एक रोडमैप प्रदान करता है।
यह शोध पत्र LEEVLA का प्रस्ताव करता है, जो एक विजन-लैंग्वेज-एक्शन आर्किटेक्चर है जो ड्रिफ्ट-गाइडेड डायनेमिक प्रायोरिटाइजेशन के माध्यम से प्रमुख क्षेत्रों की पहचान करने और उनके लेटेंट इवोल्यूशन को मॉडल करने के लिए स्ट्रक्चर्ड फीचर फ्लो जनरेशन को शामिल करते हुए एक टास्क-अवेयर "व्हेयर-हाउ" ट्रेनिंग फ्रेमवर्क के माध्यम से जटिल गतिशील परिदृश्यों में रोबोट के प्रदर्शन को बढ़ाता है।
यह शोध पत्र NamedCurves+ का परिचय देता है, जो एक व्याख्यात्मक और संवादात्मक इमेज एन्हांसमेंट फ्रेमवर्क है जो उपयोगकर्ता द्वारा अनुकूलन योग्य टोन कर्व समायोजन को सक्षम करने के लिए सार्वभौमिक रंग नामों और ट्रांसफार्मर-आधारित स्थानिक निर्भरताओं (spatial dependencies) का लाभ उठाता है, जो रिटचिंग और एक्सपोज़र सुधार जैसे कार्यों में मौजूदा अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है।
यह शोधपत्र ZendoWorld प्रस्तुत करता है, जो सक्रिय प्रयोग के माध्यम से छिपे हुए दृश्य नियमों (visual rules) को अनुमान लगाने की एजेंटों की क्षमता का मूल्यांकन करने के लिए एक संवादात्मक वातावरण है, जो यह प्रकट करता है कि वर्तमान AI मॉडल देखे गए डेटा पर उच्च भविष्यवाणी सटीकता के बावजूद वास्तविक आगमनात्मक तर्क (inductive reasoning) और परिकल्पना परिशोधन (hypothesis refinement) में संघर्ष करते हैं।
यह शोध पत्र क्लासिफायर-फ्री गाइडेंस डिफ्यूजन मॉडल्स के मौजूदा पोस्ट-ट्रेनिंग क्वांटाइजेशन में "ब्रांच-ड्रिफ्ट ट्रैप" की पहचान करता है, जहाँ केवल गाइडेंस गैप के लिए अनुकूलन करना अनकंडीशनल ब्रांच फिडेलिटी को बनाए रखने में विफल रहता है, और गाइडेड प्रेडिक्शन्स पर सीधे कैलिब्रेट करने तथा इस ड्रिफ्ट को रोकने के लिए बिट्स आवंटित करने हेतु गाइडेंस-अवेयर मिक्स्ड प्रिसिजन (GAMP) का प्रस्ताव करता है ताकि कुशल वास्तविक दुनिया के परिनियोजन को सुनिश्चित किया जा सके।
यह शोध पत्र लेटेंट ड्रिफ्ट (Latent Drift) को प्रस्तुत करता है, जो एक प्रगतिशील जनरेटिव फ्रेमवर्क है जो पूर्ण-रिज़ॉल्यूशन एनाटॉमी के बजाय शारीरिक परिवर्तन के संकुचित सिमेंटिक निरूपणों को सीखकर, पहचान पतन (identity collapse) और शोर-प्रेरित इंटरपोलेशन ट्रैप्स से बचते हुए, धीमी गति से विकसित होने वाली न्यूरोडीजेनेरेटिव बीमारियों के पूर्वानुमान में मौजूदा मॉडलों की सीमाओं को दूर करता है, जिससे बेहतर रोगी-विशिष्ट न्यूरो-पूर्वानुमान प्राप्त होता है।
यह शोध पत्र एक उन्नत KidSat मॉडल प्रस्तुत करता है जो सार्वजनिक रूप से सुलभ उपग्रह डेटा का उपयोग करके 33 अफ्रीकी देशों में बाल गरीबी के अनुमान की सटीकता में महत्वपूर्ण सुधार करने के लिए व्यवस्थित छवि गुणवत्ता स्क्रीनिंग, परिष्कृत डेटा प्रीप्रोसेसिंग और DINOv2 विजुअल एम्बेडिंग्स के साथ स्फेरिक हार्मोनिक्स-आधारित भौगोलिक एनकोडिंग को एकीकृत करता है।