· ai
[Paper] GriDiT：因式分解的网格式扩散用于高效长图像序列生成
现代深度学习方法通常将图像序列视为顺序堆叠帧的大张量。然而，这种直接的表示是否…
-
- · ai
[Paper] 提升 Ray Search Optimization 的收敛率，以实现查询高效的硬标签攻击
在硬标签黑箱对抗攻击中，仅能访问 top-1 预测标签，巨大的查询复杂度对实际应用构成了主要障碍。
- · ai
[Paper] SemanticGen: 语义空间中的视频生成
最先进的视频生成模型通常在 VAE 空间中学习视频潜在变量的分布，并使用 VAE 解码器将其映射到像素。虽然 th...
- · ai
[Paper] LongVideoAgent：多智能体推理与长视频
最近在多模态 LLM 和使用工具进行长视频 QA 的系统方面的进展，表明了对长达数小时情节进行推理的前景。然而，许多方法...
- · ai
[Paper] SpatialTree：空间能力在 MLLMs 中的分支
认知科学表明，空间能力是逐步发展的——从感知到推理再到交互。然而在多模态大语言模型（MLLMs）中，这种层次...
- · ai
[Paper] 视频化身中的主动智能 via Closed-loop World Modeling
当前的视频化身生成方法在身份保持和动作对齐方面表现出色，但缺乏真实的自主性，它们无法自主追求长期目标。
- · ai
[Paper] FedPOD：用于联邦学习的可部署训练单元
本文提出了 FedPOD（Proportionally Orchestrated Derivative），用于在多方联邦学习中优化学习效率和通信成本。
- · ai
[Paper] 重新利用 Video Diffusion Transformers 实现鲁棒点跟踪
点跟踪旨在定位视频帧之间的对应点，作为四维重建、机器人技术和视频编辑的基础任务。现有...
- · ai
[Paper] Cube Bench：MLLMs空间视觉推理基准
我们引入了 Cube Bench，一个用于评估多模态大语言模型（MLLMs）在空间和序列推理方面的 Rubik's‑cube 基准。该基准...
- · ai
[Paper] LEAD：最小化学习者-专家不对称的端到端驾驶
Simulators 可以生成几乎无限的驾驶数据，但在仿真中，imitation learning policies 仍然难以实现稳健的 closed-loop performance……
- · ai
[Paper] FlashVLM：文本引导的视觉令牌选择用于大型多模态模型
大型视觉语言模型（VLM）通常在每张图像或视频帧上处理数百甚至数千个视觉 token，导致二次注意力成本和 su...
- · ai
[Paper] 在4D中学习推理：用于视觉语言模型的动态空间理解
视觉语言模型（VLM）在通用理解方面表现出色，但在动态空间推理（DSR）方面仍然薄弱，即对对象 g... 的演变进行推理。