آیا تا به حال به این فکر کرده‌اید که هوش مصنوعی بتواند فقط در لحظات خاصی از یک ویدیو (مثلاً وقتی چیزی می‌خورید یا…

حتماً می‌دانید که تحلیل ویدیوهای طولانی توسط مدل‌های زبانی چندوجهی (MLLM) به دلیل محدودیت پردازش فریم‌ها، همیشه یک چالش بزرگ بوده است. محققان به…

دانشمندان یک چارچوب جدید به نام CADER (مخفف Confidence-Aware Dynamic Evidence Reasoning) معرفی کردند که به مدل‌های بینایی-زبانی کمک می‌کند تا ویدیوهای طولانی را…

محققان در یک دستاورد جدید، چارچوبی به نام «CameraAnything» را معرفی کرده‌اند که دنیای ادیت ویدیو را متحول می‌کند. این مدل اجازه می‌دهد بدون…

محققان در یک دستاورد جدید، مدل «QueenVIS» را برای بهبود «بخش‌بندی نمونه‌های ویدیویی» (VIS) معرفی کرده‌اند. این مدل با رفع چالش «کیفیت کوئری‌های شیء»،…

مدل‌های یادگیری عمیق در محیط‌های آزمایشگاهی عالی عمل می‌کنند، اما وقتی با شرایط واقعی و تغییر توزیع داده‌ها (Distribution Shift) روبرو می‌شوند، کارایی‌شان افت…

محققان در یک پژوهش جدید، راهکار هوشمندانه‌ای برای درک دقیق‌تر اسناد بصری (Visual Document Understanding) ارائه کرده‌اند. مشکل اصلی مدل‌های فعلی این بود که…

محققان به تازگی مدل جدیدی به نام «MMOE» (ModernMOE) را معرفی کرده‌اند که تحولی در بهره‌وری مدل‌های دیفیوژن (Diffusion Transformers) ایجاد می‌کند. این مدل…

آیا هوش مصنوعی می‌تواند وقتی بخشی از اطلاعاتش را از دست می‌دهد، باز هم درست عمل کند؟ محققان در یک مقاله جدید، راهکار هوشمندانه‌ای…

محققان در یک دستاورد تازه، مدل جدیدی به نام «SCDT» (Spatio-temporal Conditional Denoising Transformer) را معرفی کرده‌اند که مشکل بزرگ «داده‌های ناقص» در سیستم‌های…