由于其广泛的应用，空中图像对象检测长期以来一直是计算机视觉中的热门话题。近年来，无人驾驶汽车技术的进步（UAV）技术进一步推动了该领域的新高度，从而提高了更广泛的应用要求。但是，传统的无人机天线检测方法主要集中于检测预定义的类别，这大大限制了其适用性 ...

基于生成的对抗网络模型在语音增强领域表现出了出色的性能。但是，这些模型的当前优化策略主要集中在完善生成器的体系结构或增强歧视者的质量评估指标。这种方法通常会忽略各种情况下固有的丰富上下文信息 ...

近年来，神经视频压缩（NVC）取得了出色的性能。但是，由于基于学习的编解码器的固有局限性，精确的利率控制仍然是一个挑战。为了解决此问题，我们提出了一个动态视频压缩框架，旨在可变的比特率方案 ...

Web启动的大型语言模型（LLM）的最新进展在复杂的推理任务中表现出很强的表现，但是这些功能大多锁定在具有不透明体系结构的专有系统中。在这项工作中，我们建议\ textbf {Manusearch}，这是一个透明且模块化的多代理框架，旨在使对LLM的深入搜索民主化。 Manusearch将搜索和推理过程分解为三个协作代理：（1）迭代制定子查询的解决方案计划代理，（2）通过实时Web搜索来检索相关文 ...

增强具有外部检索的大型语言模型（LLM）已成为解决其固有知识截止限制的标准方法。但是，传统的检索演示生成方法采用了静态的，推理的检索策略，从而使它们无法完成涉及模棱两可，多步骤或不断发展的信息需求的复杂任务。测试时间缩放技术的最新进展表明，在使LLMS能够与外部工具动态相互作用方面具有巨大潜力，从而激发了向自适应推理时间检索的转变 ...

尽管当代语音分离技术擅长过程冗长的混合音频波形，但它们经常受到现实世界环境的复杂性的挑战，包括嘈杂和回响的环境，这可能会导致分离的言语中的伪影或扭曲。为了克服这些局限性，我们引入了Sepalm，这是一种开创性的方法，该方法采用音频语言模型（ALMS）来纠正和重新调整初步分离后文本域内的语音。 Sepalm包括四个核心组件：分离器，一个校正器，合成器和一个对齐器 ...

我们提出了一个新颖的框架，可以从单眼视频中重建人类化身。最近的方法努力捕获从输入中捕获细粒的动态细节，或者在新的观点上生成了合理的细节，这主要源于阿凡达模型的有限代表能力和不足的观察数据。为了克服这些挑战，我们建议利用先进的视频生成模型Human4Dit，从另类角度作为额外的监督信号产生人类动作 ...

有效的计划需要强大的世界模型，但是高级世界模型可以理解和理解具有语义和时间抽象的行动，这在很大程度上仍然欠发达。我们介绍了视觉语言世界模型（VLWM），这是一个基础模型，该模型训练了基于语言的自然视频模型。鉴于视觉观察，VLWM首先渗透了整体目标成就，然后预测了一个由交织的动作和世界状态变化组成的轨迹 ...