近年来，出现了一种标准的计算病理工作流程，将 whole slide images 裁剪成 tiles，这些 tiles 使用一个 foun...

对象幻觉是大型视觉语言模型（LVLMs）的一个关键问题，模型的输出可能包含输入图像中不存在的对象。一个自然…

医学视觉语言预训练越来越依赖医学报告作为大规模监督信号；然而，原始报告往往表现出显著的 st...

最近在 Multimodal Large Language Models 方面的进展大幅提升了视觉理解和推理能力，然而它们的 quadratic attention 和 offline training …

已清理的 Markdown 版本

Test-time training (TTT) 与 KV 绑定作为序列建模层通常被解释为一种在线元学习形式，它记忆键值映射……

视觉强化学习在机器人领域很有吸引力，但成本高——off-policy 方法样本效率高，却速度慢；on-policy 方法并行化效果好，但...

我们研究在任何模态下用于后期交互的高效多向量检索。后期交互已成为信息检索中的主导范式……

Embodied LLMs 为机器人赋予高级任务推理能力，但它们无法反思出错的原因或原因，从而使部署变成一系列独立的……

冷冻电子断层成像（cryo-ET）能够实现对生物结构的高分辨率三维重建，包括膜和膜蛋白……

最近的扩散方法由于其强大的视觉生成能力，在从单张图像生成视频方面取得了显著进展。然而，c...

虽然视觉语言模型（VLMs）在二维视觉理解方面表现出色，但它们对三维空间的理解和推理能力——空间的基石——……