10754 पेपर
MedPMC एक स्वचालित फ्रेमवर्क पेश करता है जो 6.1 मिलियन PubMed Central लेखों से 11 मिलियन उच्च-सटीकता वाले मेडिकल इमेज-टेक्स्ट पेयर्स को क्यूरेट करता है, जो मौजूदा बेसलाइन्स की तुलना में ज़ीरो-शॉट क्लासिफिकेशन, विजुअल क्वेश्चन अनस्वर्सिंग और क्लिनिकल रिट्रीवल बेंचमार्क में मेडिकल मल्टीमॉडल फाउंडेशन मॉडल्स के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है।
फ्रिक्वेंटीफॉर्मर (Freqformer) एक संक्षिप्त, ट्रांसफॉर्मर-आधारित फ्रेमवर्क है जो इमेज डेमोइरिंग (image demoiréing) के लिए प्रभावी फ्रीक्वेंसी डिकंपोजिशन का उपयोग करके पैटर्न को अलग-अलग उच्च और निम्न-आवृत्ति घटकों में विभाजित करता है, जिन्हें फिर एक डुअल-ब्रांच आर्किटेक्चर के माध्यम से संसाधित किया जाता है और एक सीखने योग्य फ्रीक्वेंसी कंपोजिशन ट्रांसफॉर्म का उपयोग करके अनुकूल रूप से संलयित (fuse) किया जाता है, जिससे यह अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोध पत्र FedDAF को प्रस्तुत करता है, जो एक नवीन फेडेरेटेड डोमेन एडाप्टेशन विधि है जो स्रोत और लक्ष्य मॉडलों को उनके माध्य ग्रेडिएंट क्षेत्रों से प्राप्त एक सामान्यीकृत मॉडल फंक्शनल दूरी के आधार पर एकत्रित करके डोमेन शिफ्ट और लक्ष्य डेटा की कमी दोनों को संबोधित करती है, जिससे मौजूदा दृष्टिकोणों की तुलना में बेहतर परीक्षण सटीकता प्राप्त होती है।
यह शोध पत्र VisCoP को प्रस्तुत करता है, जो एक पैरामीटर-कुशल ढांचा है जो विजन एनकोडर को सीखने योग्य विजुअल प्रोब्स के साथ संवर्धित करके, महत्वपूर्ण वितरण बदलावों वाले नवीन वीडियो डोमेन के अनुकूल बड़े विजन लैंग्वेज मॉडल्स को अनुकूलित करता है, जिससे पूर्व-प्रशिक्षित क्षमताओं को बनाए रखते हुए और कैटास्ट्रोफिक फॉरगेटिंग (विस्मृति) को रोके बिना उत्कृष्ट टार्गेट-डोमेन प्रदर्शन प्राप्त किया जाता है।
यह शोध पत्र सबसेट-सिलेक्टेड काउंटरफैक्चुअल ऑग्मेंटेशन (SS-CA) का प्रस्ताव करता है, जो एक प्रशिक्षण रणनीति है जो निर्णय-प्रासंगिक क्षेत्रों को मास्क करके काउंटरफैक्चुअल नमूने उत्पन्न करने के लिए निष्ठावान एट्रिब्यूशन (faithful attribution) का लाभ उठाती है, जिससे मॉडल को अधिक सुदृढ़ निर्णय सीमाओं को सीखने में मार्गदर्शन मिलता है और इन-डिस्ट्रीब्यूशन सटीकता, आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण और परटर्बेशन मजबूती (perturbation robustness) में प्रदर्शन में उल्लेखनीय सुधार होता है।
यह शोध पत्र FIELDS का प्रस्ताव करता है, जो एक टास्क-ड्रिवन फ्रेमवर्क है जो ज्यामितीय बाधाओं के तहत प्रत्यक्ष अफेक्ट सुपरविजन के माध्यम से FLAME एक्सप्रेशन कोड्स को सीखकर चेहरे के भावों की पहचान (फेशियल एक्सप्रेशन रिकग्निशन) में सुधार करता है, जिससे पारंपरिक इमेज-लेवल सेल्फ-सुपरवाइज्ड 3D फेस रिकंस्ट्रक्शन विधियों की सीमाओं को दूर किया जा सके।
यह शोध पत्र "Superman" को प्रस्तुत करता है, जो एक विजन-गाइडेड मोशन टोकेनाइज़र (Vision-Guided Motion Tokenizer) और एक एकल MLLM आर्किटेक्चर के माध्यम से दृश्य धारणा (visual perception) और टेम्पोरल स्केलेटन-आधारित गति उत्पादन (temporal skeleton-based motion generation) को जोड़ने वाला एक एकीकृत ढांचा है, जो विविध मानव गति विश्लेषण कार्यों में अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक कॉन्फॉर्मल प्रेडिक्शन एल्गोरिदम प्रस्तुत करता है जो इंस्टेंस सेगमेंटेशन के लिए एडेप्टिव कॉन्फिडेंस सेट्स उत्पन्न करता है, जो यह प्रमाणित गारंटी प्रदान करता है कि सेट के भीतर कम से कम एक प्रेडिक्शन ग्राउंड ट्रुथ के साथ उच्च इंटरसेक्शन-ओवर-यूनियन प्राप्त करता है और विविध अनुप्रयोगों में संरचनात्मक अनिश्चितता को प्रभावी ढंग से कैप्चर करता है।
LaViDa-R1 एक एकीकृत मल्टीमॉडल डिफ्यूजन लैंग्वेज मॉडल है जो एक नवीन पोस्ट-ट्रेनिंग फ्रेमवर्क के भीतर सुपरवाइज्ड फाइनट्यूनिंग और मल्टी-टास्क रीइन्फोर्समेंट लर्निंग को एकीकृत करके तर्क क्षमताओं को उन्नत करता है, जो विविध विजुअल अंडरस्टैंडिंग और जनरेशन कार्यों में मजबूत प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र जेनेरेटिव रिफाइनमेंट नेटवर्क (GRN) को प्रस्तुत करता है, जो एक नवीन विजुअल सिंथेसिस प्रतिमान है जो डिफ्यूजन मॉडल्स की कम्प्यूटेशनल अक्षमता और ऑटोरेग्रेसिव मॉडल्स के एरर एक्यूमुलेशन (त्रुटि संचय) को दूर करने के लिए ग्लोबल रिफाइनमेंट मैकेनिज्म और एंट्रॉपी-गाइडेड सैंपलिंग के साथ नियर-लॉसलेस हिरार्किकल बाइनरी क्वांटाइजेशन को जोड़ता है, जिससे इमेज, टेक्स्ट-टू-इमेज और टेक्स्ट-टू-वीडियो जनरेशन में अत्याधुनिक प्रदर्शन प्राप्त होता है।