我们在动态场景中解决了3D重建的任务，其中对象运动降低了先前的3D指数回归方法的质量，例如DUST3R，最初是为静态3D场景重建而设计的。尽管这些方法在静态设置中提供了一种优雅而强大的解决方案，但它们在有动态动作的存在下挣扎，这些动态动态仅基于相机姿势破坏对齐。为了克服这一点，我们提出了d^2ust3r，以回归4D指数，以同时以馈送方式捕获静态和动态3D场景几何形状 ...

使用大型语言模型（LLMS）提供动力的代理商的社会，在解决问题的自动化问题中取得了重大进展。在金融中，努力主要集中在单独的系统上处理特定任务或独立收集数据的多代理框架。但是，多代理系统复制现实世界贸易公司的协作动态的潜力仍然没有得到充实 ...

traganything，它利用实体表示来实现对可控视频生成中任何对象的运动控制。与现有的运动控制方法相比，draganything，在获取其他引导信号（例如，在获取其他引导信号（例如，导航信号） ...

在本文中，我们通过解决了几个开放问题，对中文学习（ICL）进行了全面研究：（a）大型语言模型学到了哪种类型的ICL估计器？ （b）ICL的适当性能指标是什么？错误率是多少？ （c） Transformer 体系结构如何启用ICL？为了回答这些问题，我们采用贝叶斯观点并提出ICL作为预测与当前协变量相对应的响应的问题，鉴于从潜在变量模型中绘制的许多示例。为了回答（a），我们表明，在不更新神经网络参数 ...

病理图像对于准确解释细胞病理学筛查中的病变细胞至关重要，但是获得高分辨率的数字幻灯片需要专门的设备和较长的扫描时间。尽管超分辨率（SR）技术可以减轻这个问题，但现有的深度学习模型以黑盒方式恢复病理图像，这可能导致不真实的生物学细节和误诊。此外，当前方法分配了相同的计算资源来恢复每个病理图像的每个像素，从而导致了由于病理图像的较大变化而导致的次优恢复问题 ...

基于 Transformer 的方法已显示出令人印象深刻的医疗图像恢复结果，这归因于空间维度中的多头自我注意力（MSA）机制。但是，大多数现有 Transformer 在固定和粗糙的区域内引起注意（\ text {例如 ...

许多现实世界应用中数据的复杂性和异质性对传统的机器学习和信号处理技术构成了重大挑战。例如，在医学中，对各种生理信号的有效分析对于患者监测和临床决策至关重要，却高度挑战。我们介绍了MEDTSLLM，这是一种通用的多模式大型语言模型（LLM）框架，该框架有效地以文本形式整合了时间序列和丰富的上下文信息，以分析生理信号，执行具有临床相关性的三个任务：语义细分，边界检测和在时间序列中的异常检测 ...

信息技术已深刻地改变了人类与信息互动的方式。在线创建，共享和传播的大量内容使访问相关信息变得越来越困难。在过去的二十年中，推荐系统和搜索（统称为信息检索系统）已大大发展以应对这些挑战 ...