任意规模的超分辨率（ASSR）的目的是使用单个模型从低分辨率（LR）输入中重建具有任意UPPEMPLING因子的高分辨率（LR）图像，以解决限制在固定尺度因素上的传统SR方法的限制（\ textit {extitit {ef ...

像 OpenAI o1 这样的模型的卓越性能可以归因于它们在推理过程中模拟人类长时间思维的能力。这些模型采用扩展的思维链 (CoT) 流程，探索多种策略来增强解决问题的能力。然而，一个关键问题仍然存在：如何在测试过程中智能、高效地扩展计算资源 ...

图形嵌入是一种有效的方法，可以在低维空间中代表图形分析的图形数据。大多数现有的嵌入算法通常集中于保留拓扑结构或最小化图形数据的重建误差，但是它们主要忽略了图形中潜在代码的数据分布，这通常会导致在现实世界中的较低嵌入。在本文中，我们为图形数据提出了一个新颖的对抗图嵌入框架 ...

推荐系统（RECSYS）在在线平台中起着至关重要的作用，在大量信息中为用户提供个性化建议。图形对比学习旨在从高阶协作过滤信号中学习，并在用户 - 项目两部分图上进行无监督的增强，这主要依赖于多任务学习框架，涉及成对的建议损失和对比损失。这种脱钩的设计可能会导致不同损失的优化方向不一致，从而导致较长的收敛时间甚至是最佳性能 ...

检索型生成（RAG）系统通常会在不完美的检索中挣扎，因为传统检索员专注于词汇或语义相似性，而不是逻辑相关性。为了解决这个问题，我们提出了Hoprag，这是一种新颖的抹布框架，通过图形结构的知识探索通过逻辑推理来增强检索。在索引期间，Hoprag构造了一个传递图，文本块作为顶点和逻辑连接，通过LLM生成的伪Queries作为边缘建立 ...

尽管人们对人工智能对工作未来的影响的广泛猜测，但我们缺乏有关这些系统实际上如何用于不同任务的系统经验证据。在这里，我们提出了一个新颖的框架，用于测量整个经济的AI使用模式。我们利用最近的隐私权系统来通过美国的各种任务和职业来分析超过400万个HTTP URL对话 ...

尽管当前的高分辨率深度估计方法取得了良好的结果，但由于依赖重量级模型和多个推理步骤而增加了推理时间，它们通常会遭受计算效率低下的影响。为了解决这个问题，我们介绍了PatchRefiner V2（PRV2），该V2（PRV2）用轻量级编码代替了重型炼油厂模型。这减少了模型大小和推理时间，但引入了嘈杂的功能 ...

场景流估计旨在预测动态场景的每点3D位移，是计算机视觉字段的基本任务。但是，以前的作品通常遭受因当地搜索范围而引起的不可靠的相关性，并且与粗到精细的结构引起的累积不准确。为了减轻这些问题，我们提出了一种具有扩散概率模型的新型不确定性感知场景流动估计网络（DIFFLOW3D） ...