10686 पेपर
ContrastiveCFG डिफ्यूजन मॉडल्स के लिए एक नवीन मार्गदर्शन विधि पेश करता है जो सकारात्मक और नकारात्मक अवधारणाओं के आधार पर डिनोइजिंग दिशाओं को संरेखित या प्रतिकर्षित करने के लिए कंट्रास्टिव लॉस का उपयोग करता है, जो पारंपरिक नेगेटिवेटेड CFG दृष्टिकोणों द्वारा उत्पन्न नमूना विरूपण से बचते हुए, प्रभावी रूप से कंडीशन अनुपालन में सुधार करता है और अवांछित विशेषताओं को हटाता है।
यह शोध पत्र Ego2ExoVLM प्रस्तुत करता है, जो एक ऐसा ढांचा है जो प्रशिक्षण के दौरान विशेषाधिकार प्राप्त एर्गोसेंट्रिक (egocentric) पर्यवेक्षण का लाभ उठाता है ताकि विजन लैंग्वेज मॉडल्स को एक्सोसेंट्रिक (exocentric) वीडियो से सीधे मानव-वस्तु अंतःक्रियाओं जैसी एर्गोसेंट्रिक विशेषताओं का अनुमान लगाने में सक्षम बनाया जा सके, जिससे ADL मॉनिटरिंग बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र नैनोफोटोनिक मेटलेंसेज़ (nanophotonic metalenses), जो ध्रुवीकृत तरंगदैर्ध्य (polarized wavefronts) में गहराई के संकेतों को भौतिक रूप से एनकोड करते हैं, को प्रीट्रेंड डेप्थ फाउंडेशन मॉडल्स के साथ एकीकृत करके सटीक मोनोक्यूलर मेट्रिक डेप्थ सेंसिंग के लिए एक नवीन दृष्टिकोण प्रस्तावित करता है, जिसमें सिम-टू-रियल गैप को पाटने के लिए एक सिमुलेशन पाइपलाइन का उपयोग किया गया है और मौजूदा बेसलाइन्स से बेहतर प्रदर्शन किया गया है।
यह शोध पत्र को प्रस्तुत करता है, जो एक मॉडल-अज्ञेय (model-agnostic) विधि है जो विभिन्न मौसम स्थितियों में फसल फेनोलॉजी (phenology) को संरेखित करने के लिए कैलेंडर समय के स्थान पर थर्मल समय का उपयोग करती है, जिससे बिना किसी स्थापत्य परिवर्तन (architectural changes) के उपग्रह इमेज टाइम सीरीज़ से फसल प्रकार वर्गीकरण की सामान्यीकरण क्षमता, अनिश्चितता अंशांकन (uncertainty calibration) और सुदृढ़ता में महत्वपूर्ण सुधार होता है।
यह शोध पत्र OPTICS बेंचमार्क और एक व्यवस्थित मूल्यांकन ढांचे को प्रस्तुत करता है जो विजन-लैंग्वेज मॉडल्स में दृश्य वस्तु गुणों पर सामान्य ज्ञान तर्क (कॉमनसेंस रीजनिंग) का आकलन करने के लिए है, जो यह प्रकट करता है कि अत्याधुनिक मॉडल भी मानव प्रदर्शन से काफी पीछे हैं, विशेष रूप से फोटोग्राफिक छवियों, काउंटरफैक्चुअल्स और जटिल भौतिक या कार्यात्मक गुणों को संभालने के मामले में।
यह शोध पत्र 2023 से 2025 तक कंपोजिशनल विजुअल रीजनिंग (compositional visual reasoning) पर 260 से अधिक कार्यों का एक व्यापक सर्वेक्षण प्रस्तुत करता है, जो इसके परिभाषाओं को व्यवस्थित रूप से औपचारिक रूप देता है, पांच प्रमुख प्रतिमानों (paradigms) के माध्यम से इसके विकास का पता लगाता है, 60 से अधिक बेंचमार्क को सूचीबद्ध करता है, और इस क्षेत्र के लिए एक आधारभूत संदर्भ के रूप में कार्य करने हेतु भविष्य की चुनौतियों और दिशाओं को रेखांकित करता है।
ECHO एक नवीन एकीकृत ढांचा है जो कम उपलब्ध पहनने योग्य संकेतों (wearable signals) से मानव मुद्रा (human pose), वस्तु की गति (object motion) और संपर्क गतिकी (contact dynamics) को संयुक्त रूप से पुनर्प्राप्त करने के लिए स्वतंत्र शोर अनुसूचियों (noise schedules) के साथ एक त्रिविध प्रसार प्रक्रिया (tri-variate diffusion process) का उपयोग करता है ताकि अल्प-निर्धारित इनपुट्स को संभाला जा सके और सुदृढ़, समय-संगत अंतःक्रिया मॉडलिंग को सक्षम किया जा सके।
यह शोध पत्र FSU-QA प्रस्तुत करता है, जो एक नवीन विजुअल क्वेश्चन-आन्सरिंग (Visual Question-Answering) डेटासेट है जिसे "फोरसाइट इंटेलिजेंस" (Foresight Intelligence) को परिभाषित करने और मूल्यांकन करने के लिए डिज़ाइन किया गया है, जो यह प्रदर्शित करता है कि इस बेंचमार्क पर मॉडलों को फाइन-ट्यून करने से भविष्य की घटनाओं का पूर्वानुमान लगाने की उनकी क्षमता में महत्वपूर्ण वृद्धि होती है और वर्ल्ड मॉडल भविष्यवाणियों की सिमेंटिक सुसंगतता (semantic coherence) का आकलन करने के लिए एक सिद्धांतपूर्ण विधि प्रदान करता है।
यह शोधपत्र MoGe4D प्रस्तुत करता है, जो एक ज्यामिति-सशर्त ढांचा (geometry-conditioned framework) है जो एक एकल स्थिर छवि से इंटरैक्टिव 4D दृश्यों को संश्लेषित करने के लिए एक डिफ्यूजन प्रक्रिया के माध्यम से सघन, समय-परिवर्ती बिंदु प्रक्षेपवक्रों (point trajectories) की भविष्यवाणी करता है, जिसे एक नए बड़े पैमाने के डेटासेट (TrajScene-60K) और स्थानिक-कालिक सुसंगतता एवं संरचनात्मक स्थिरता सुनिश्चित करने के लिए मोशन नॉर्मलाइजेशन और व्यू सिंथेसिस के लिए विशेष मॉड्यूल द्वारा समर्थित किया गया है।
यह शोध पत्र KOREATECH-CGH को प्रस्तुत करता है, जो 6,000 RGB-D इमेज और जटिल होलोग्राम युग्मों का एक बड़े पैमाने का, बहु-रिज़ॉल्यूशन डेटासेट है जिसे मशीन लर्निंग-आधारित 3D कंप्यूटर-जनरेटेड होलोग्राफी को आगे बढ़ाने के लिए डिज़ाइन किया गया है, साथ ही एक नवीन एम्प्लीट्यूड प्रोजेक्शन तकनीक भी पेश करता है जो व्यापक डेप्थ रेंज के लिए पुनर्निर्माण निष्ठा (reconstruction fidelity) में महत्वपूर्ण सुधार करती है।