پرش به محتوای اصلی

موضوع

چندوجهی

Models that natively process text+image+audio+video

۱٬۶۶۴ مقاله منتشر شده

خطای هندسی پنهانی که دقت مدل‌های چندوجهی شما را می‌کشد

پژوهشگران با معرفی روش DP-FM، مشکل اعوجاج‌های هندسی در تطبیق مدل‌های بینایی-زبانی را حل کردند. این متد با جداسازی دینامیک‌های شعاعی و زاویه‌ای، رکورد جدیدی در ۱۱ بنچمارک مختلف ثبت…

۲ دقیقه خواندن۲

داده‌های جدید Arxiv: مدل DART دقت بازرسی کابل‌ها را ۳۸٪ جهش داد

مدل DART با ترکیب بینایی و زبان، بازرسی کابل‌های صنعتی را خودکار کرده و دقت تشخیص آسیب را به شکل چشم‌گیری افزایش داده است. این سیستم بدون نیاز به تنظیم دقیق، شدت آسیب را تخمین زده…

۲ دقیقه خواندن۳

پایان تبعیض نژادی در تشخیص گلوکوم؛ رمزگشایی از مدل FairEnc

پژوهشگران با معرفی مدل FairEnc توانستند سوگیری‌های نژادی و جنسیتی را از سیستم‌های تشخیص بیماری گلوکوم حذف کنند. این مدل چندوجهی با استفاده از داده‌های مصنوعی و یادگیری تقابلی، دقت…

۲ دقیقه خواندن۲

فریب خوردن انسان‌ها؛ حقیقت تکان‌دهنده درباره‌ی تشخیص جعل عمیق

انسان‌ها در شناسایی جعل‌های عمیق پیشرفته، به‌ویژه مدل‌های ترکیبی صوتی-تصویری، به‌شدت ناتوان هستند. این مطالعه نشان می‌دهد که تکیه بر شهود انسانی برای تشخیص محتوای دست‌کاری‌شده…

۲ دقیقه خواندن۱

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

رمزگشایی از VocalParse: معماری جدیدی برای تبدیل خودکار آواز به نت

پژوهشگران با معرفی VocalParse، تبدیل صدای خواننده به نت‌های موسیقی را خودکار کردند. این مدل با بهره‌گیری از مدل‌های زبانی صوتی بزرگ، مشکل همراستاسازی متن و نت را در سبک‌های متنوع…

۳ دقیقه خواندن۱

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

چرا برای ارزیابی کیفیت صدا دیگر نیازی به آموزش مدل‌های تخصصی نیست؟

چارچوب جدید JASTIN به مدل‌های زبانی اجازه می‌دهد تا کیفیت صدا، گفتار و موسیقی را بدون نیاز به آموزش‌های خاص و در حالت صفر-شات ارزیابی کنند. این سیستم با دستیابی به دقت در سطح…

۲ دقیقه خواندن۶

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