محققان قدم بزرگی در درک ماشین از محیط‌های سه‌بعدی برداشتند. تکنیک جدیدی به نام «Holo-Captioning» معرفی شده که برخلاف مدل‌های قبلی، فقط به تصویر…

محققان به تازگی چارچوب هوشمندی به نام «Facial Emoji Proxy Modeling» معرفی کرده‌اند که می‌تواند سیگنال‌های مغزی (EEG) را به ایموجی‌های چهره تبدیل کند.…

اگر با چالش‌های پردازش ویدیوهای طولانی و هزینه‌های بالای محاسباتی (Self-Attention) دست‌ و پنجه نرم می‌کنید، متد جدید STAC را حتماً بررسی کنید! محققان…

محققان در یک دستاورد جدید، چارچوب نوآورانه‌ای به نام CL-Anomaly را برای ارتقای مدل‌های زبانی-بینایی (MLLM) در تشخیص ناهنجاری (Anomaly Detection) معرفی کرده‌اند. این…

مدل‌های زبانی-بینایی (VLMs) ادعا می‌کنند که صدها زبان را می‌فهمند، اما برای اثبات این ادعا در اسناد پیچیده، همیشه با کمبود داده‌های مرجع روبرو…

حتماً برای شما هم پیش آمده که پشت شیشه پنجره یا سطوح براق عکسی گرفته‌اید و بازتاب نور یا محیط، کیفیت تصویر را خراب…

تحلیل ویدیوهای طولانی همیشه یکی از چالش‌های بزرگ مدل‌های بینایی-زبانی بوده است. حالا چارچوب جدیدی به نام VSeek معرفی شده که به جای تماشای…

محققان به تازگی تکنیک جدیدی برای «جیل‌بریک» (Jailbreak) کردن مدل‌های بزرگ بینایی-زبانی (LVLMs) کشف کرده‌اند. این روش با نام «Overloading»، با ترکیب داده‌های متنی…

محققان در مقاله جدیدی به بررسی ساختار درونی مدل‌های دیفیوژن (DiTs) پرداختند و متوجه شدند که «فعال‌سازی‌های عظیم» (Massive Activations) نقش کلیدی در جزئیات…

محققان در یک دستاورد جدید، روش نوآورانه‌ای به نام RePos را معرفی کرده‌اند که می‌تواند بدون نیاز به دوربین و فقط با تحلیل سیگنال‌های…