由于人工智能（AI）的发展，科学研究范式正在经历深刻的转变。最近的工作表明，各种AI辅助研究方法可以通过改善数据分析，加速计算和促进新颖的想法产生来在很大程度上提高研究效率。进一步朝着最终目标迈进（i ...

在本文中，我们提出了实时单眼跟踪和密集的映射框架。对于姿势估计，串联基于钥匙帧的滑动窗口执行光度束调整。为了提高鲁棒性，我们提出了一种新颖的跟踪前端，该前端使用从全球模型中呈现的深度图执行密集的直接图像对准，该图形是根据密集的深度预测逐渐构建的 ...

模仿学习的最新进展，尤其是使用生成建模技术，例如扩散，使策略能够捕获复杂的多模式作用分布。但是，这些方法通常需要大型数据集和动作生成的多个推理步骤，在机器人技术中提出挑战，在这些机器人技术中，数据收集成本很高，计算资源受到限制。为了解决这个问题，我们介绍了Imle Policy，这是一种基于隐式最大似然估计（IMLE）的新型行为克隆方法 ...

受LLM最近成功的启发，人类运动理解领域已越来越多地转向发展大型运动模型。尽管有一些进展，但目前的努力远没有达到真正的通才模型，这主要是由于缺乏大量高质量数据。为了解决这一差距，我们提出了MotionLib，这是第一个用于运动生成的百万级数据集，该数据集至少比现有的同行大约15美元$ \ times $ $，并且具有层次结构的文本描述 ...

深度强化学习（DEEP RL）具有自动化复杂控制器的自动化的希望，该控制器可以将感觉输入直接映射到低级动作。在机器人运动的领域中，深RL可以通过最小的工程来实现学习运动技能，而没有明确的机器人动力学模型。不幸的是，将深度RL应用于现实世界的机器人任务非常困难，这主要是由于样本复杂性和对超参数的敏感性差 ...

推荐系统已成为许多在线平台的重要组成部分，ID），转换为低维连续向量的嵌入技术，可以提高推荐性能。应用嵌入技术捕获复杂的实体关系并激发了大量研究... ...

强化学习（RL）通过通过二元验证器信号实现自我完善，在最近的LLMS数学能力激增中发挥了核心作用。相比之下，很少考虑监督的学习（SL）用于这种验证驱动的培训，这在很大程度上是由于其对参考答案的严重依赖以及无法反思错误。在这项工作中，我们挑战了普遍的观念，即自我完善是RL独有的，并提出了负面意识的微调（NFT） - 一种有监督的方法，使LLM可以反思自己的失败并没有外部教师自主进行自主改善 ...

渲染的进步导致纹理资产的巨大增长，包括分辨率，复杂性和新颖的纹理成分，但是数据量的这种增长尚未与其压缩的进步相匹配。同时，神经图像压缩（NIC）已显着提高并显示出令人鼓舞的结果，但是所提出的方法不能直接适应神经纹理压缩。首先，纹理压缩需要按需按需和实时解码，并在并行渲染期间随机访问（e ...