پرش به محتوای اصلی

دسته‌بندی

سرگرمی و خلاقیت

تولید تصویر و ویدیو، صدای مصنوعی، هنر و موسیقی هوشمند، بازی‌ها و وجه سرگرم‌کننده‌ی AI.

۸۲۲ مقاله منتشر شده

تثبیت هویت بصری در ویدیو؛ FaithfulFaces چگونه دگرگونی چهره را متوقف کرد

پژوهشگران با معرفی FaithfulFaces، مشکل تغییر ناگهانی چهره در ویدیوهای تولید شده توسط هوش مصنوعی را حل کردند. این سیستم با استفاده از بردار معنایی زوایای اویلر، ثبات چهره را حتی در…

۲ دقیقه خواندن۱

روشی که خاطرات بصری شما را از اسکن مغزی استخراج می‌کند

پژوهشگران چارچوب MB2L را برای همراستاسازی سیگنال‌های EEG با تصاویر دیجیتال توسعه داده‌اند. این سیستم با تقلید از پردازش‌های قشر مغز، دقت خیره‌کننده‌ای در بازیابی تصاویر بدون آموزش…

۲ دقیقه خواندن۳

پایان سلطه‌ی برچسب‌های دستی؛ RefCD چگونه دسته‌بندی اشیاء را خودکار کرد؟

پژوهشگران با معرفی RefCD، عصر جدیدی از تشخیص اشیاء بدون نیاز به برچسب‌های انسانی را آغاز کردند. این مدل با تکیه بر شباهت ویژگی‌ها، شکاف میان روش‌های گران‌قیمت تک-نمونه و مدل‌های…

۲ دقیقه خواندن۲

درون معماری RLFSeg: پایان عصر نویز در بخش‌بندی تصاویر

چارچوب RLFSeg با جایگزینی فرآیندهای نویزی مدل‌های انتشار با «جریان اصلاح‌شده»، دقت بخش‌بندی تصاویر را متحول کرده است. این رویکرد با ایجاد نقشه‌برداری مستقیم از تصویر به ماسک، سرعت…

۲ دقیقه خواندن۱

چگونه «توجه متقاطع پنجره‌ای» دقت تصاویر ماهواره‌ای مصنوعی را متحول کرد؟

پژوهشگران روشی کارآمد برای تولید تصاویر ماهواره‌ای با کیفیت بالا ابداع کرده‌اند که همراستاسازی تصاویر مصنوعی با نقشه‌های هندسی را بهبود می‌بخشد. این دستاورد، کمبود داده‌های حیاتی…

۲ دقیقه خواندن۱

افشای شکاف استدلالی؛ مدل‌های متن‌باز در برابر آزمون DiffCap-Bench شکست خوردند

معرفی بنچ‌مارک DiffCap-Bench نشان داد که مدل‌های تجاری در درک تفاوت‌های بصری، فرسنگ‌ها از مدل‌های متن‌باز جلوترند. این یافته ثابت می‌کند که صرفاً بزرگ‌تر کردن مدل‌ها، مشکل استدلال…

۲ دقیقه خواندن۱

روشی که خطاهای تکراری مدل‌های تشخیص اشیاء را برای همیشه پاک می‌کند

چارچوب EBOD با ادغام SAM3 و DINOv3، خطاهای تکراری در تشخیص اشیاء را بدون نیاز به آموزش مجدد مدل حذف می‌کند. این رویکرد هزینه‌های محاسباتی سنگین را کنار گذاشته و یادگیری از…

۲ دقیقه خواندن۳

رمزگشایی از معماری پنهانی که مدل‌های بینایی را در برابر حملات مصون می‌کند

یک مطالعه جدید نشان می‌دهد مقاومت مدل‌های بینایی در برابر حملات خصمانه ناشی از فیلترهای فرکانسی نیست، بلکه ریشه در هندسه‌ی بازنمایی شبیه به انسان دارد. این کشف، مسیر مقابله با…

۲ دقیقه خواندن۲

رمزگشایی از پایداری دینامیکی؛ روشی برای شکستن چرخه ابدی جعل‌های عمیق

پژوهشگران با معرفی متد HAAD، شناسایی جعل‌های عمیق را از تحلیل الگوهای بصری به تحلیل پایداری فیزیکی منتقل کردند. این رویکرد با شناسایی «ناپایداری‌های انرژی» در تصاویر مصنوعی، نیاز…

۲ دقیقه خواندن

معماری «چشم-مغز-دهان»؛ نقطه عطف در واقع‌گرایی عامل‌های چندوجهی

پژوهشگران با معرفی چارچوب EBM-RL، فرآیند ادراک، استدلال و بیان را از هم تفکیک کردند تا نقش‌آفرینی در ویدئو را متحول کنند. این مدل با استفاده از چهار پاداش مجزا، هماهنگی میان…

۲ دقیقه خواندن۲

نقشه‌های جریان؛ ترفندی برای تولید تصاویر باکیفیت در تنها یک گام

نقشه‌های جریان با جایگزینی پیش‌بینی سرعت‌های محلی با انتگرال‌گیری از مسیر، مدل‌های انتشار را متحول می‌کنند. این رویکرد اجازه می‌دهد تصاویر و ویدیوهای باکیفیت تنها در ۱ تا ۸ گام…

۳ دقیقه خواندن۱

پایان حریم خصوصی کودکان؛ وقتی استخوان‌های شما شناسنامه می‌شوند

متا برای شناسایی کاربران زیر ۱۳ سال، از هوش مصنوعی برای تحلیل ساختار استخوانی و قد در عکس‌ها استفاده می‌کند. این اقدام تهاجمی در پاسخ به جریمه ۳۷۵ میلیون دلاری شرکت در زمینه ایمنی…

۲ دقیقه خواندن۲