文本对图像模型在机器学习的演变中引入了显着的飞跃，证明了来自给定文本推出的图像的高质量综合。但是，这些强大的预告片模型仍然缺乏控制手柄，可以指导合成图像的空间特性。在这项工作中，我们引入了一种通用方法，以指导预贴的文本对图像扩散模型，并通过来自另一个域的空间图（e ...
参考图片分割旨在通过自然语言将引用率划分为本http url到文本和图像之间的不同数据属性，对于网络而言，良好地对齐文本和像素级特征是一项挑战。现有的方法使用预验证的模型来促进学习，但分别从验证的模型中传递了语言/视觉知识，而忽略了多模式的相应信息。受到对比的语言图像预处理（剪辑）的最新进展的启发，我们在本文中提出了一个端到端夹子驱动的参考图像分割框架（CRIS） ...
现有的3D Vision语言（3D-VL）基准在评估3D-VL模型时缺乏，创建了一个“雾”，该模型掩盖了对模型功能和3D-VL任务的严格见解。由于三个关键局限性，该薄雾持续存在。首先，有缺陷的测试数据，例如接地任务中的模棱两可的参考文本，可能会产生不正确且不可靠的测试结果 ...
尽管推理模型（例如，DeepSeek R1）接受了加固学习（RL）的训练，在文本推理方面表现出色，但它们在需要结构化解决问题的场景中挣扎，例如几何推理，简洁的计算或复杂方程式求解 - 求解方案 - 在其中计算工具（例如代码解释者（CI）（CI）表现出不同的优势）表现出不同的优势 ...
引用表达分割（RES）旨在分割与描述性语言表达式相匹配的实体掩模。尽管传统的RES方法主要解决对象级接地，但现实世界的场景需要一个更通用的框架，该框架可以处理多个级别的目标粒度，例如多对象，单个对象或部分级别的引用。由于用户描述目标的多样化和细微差别的方式，这引入了巨大的挑战 ...
单图像飞机是一个具有挑战性的不良恢复问题。已经提出了各种基于先前的基于学习和学习的方法。他们中的大多数都遵循经典的大气散射模型，该模型是一种基于单碎片和均匀大气介质的假设，是一种优雅的简化物理模型 ...
在本文中，我们提出了一个端到端的特征融合式接触网络（FFA-NET），以直接恢复无雾图图像。 FFA-NET体系结构由三个关键组成部分组成：1）新型功能关注（FA）模块将通道的注意力与像素注意机制结合在一起，考虑到不同的频道特征包含完全不同的加权信息，而雾兹分布在不同的图像像素上不均匀。 FA不平等地处理不同的功能和像素，这为处理不同类型的信息提供了额外的灵活性，从而扩大了CNN的表示能力 ...
这项工作重新审视了用于培训大型视力语言模型（LVLMS）的主导监督微调（SFT），然后加固学习（RL）范式，并揭示了一个关键发现：SFT可以通过``伪造推理路径''的IMIT IMIT of Expert Models'IMIT IMIT诱导随后的RL。尽管这些路径可能类似于RL模型的本地推理路径，但它们通常涉及延长，犹豫，信息较少的步骤和不正确的推理。为了系统地研究这种效果，我们引入了VLAA- ...
