Crisp
PulseAugur coverage of Crisp — every cluster mentioning Crisp across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的AI系统Case2Flow可为患者病例检索医疗指南流程图
研究人员开发了Case2Flow，这是一个新的任务和数据集，旨在为特定患者病例检索相关的医疗指南流程图。为此，创建了FlowAtlas语料库，其中包含来自2080项指南的202个流程图以及1911个匹配的病例-流程图对。提出了一种名为CRISP的方法，通过解决关键词过度依赖和虚假匹配等问题来增强多模态检索，从而显著提高了召回率。
-
新的CRISP框架通过VSSD增强遥感分割
研究人员开发了CRISP，一个新颖的校准框架，旨在利用视觉状态空间对偶（VSSD）增强遥感语义分割。该框架通过引入对偶校准算子（DCO）来解决VSSD边界平滑过度的问题，DCO在不影响线性复杂度的前提下恢复局部对比度和边界细节。此外，还引入了正交多原型（OMP）头，通过为每个类别分配多个原型来更好地模拟类内方差。在基准数据集上的实验表明，CRISP在平均F1和mIoU得分方面取得了显著改进，并且参数数量具有竞争力。
-
新的CRISP框架训练LLM搜索代理更高效
研究人员推出CRISP，一个旨在训练由大型语言模型驱动的更高效深度搜索代理的新框架。与以往简单减少工具使用的方法不同，CRISP识别并保留了必要的证据收集步骤，同时删除了冗余的步骤。该方法在BrowseComp和HLE-Verified上进行了测试，在不影响准确性的情况下显著减少了交互轮次。
-
CRISP框架通过修剪视觉令牌来提高LVLM效率
研究人员开发了CRISP，一个新颖的框架，旨在通过在视觉令牌被语言模型处理之前对其进行修剪来提高大型视觉语言模型（LVLM）的效率。这种两阶段方法首先识别与文本对齐的令牌，然后增强上下文的完整性，旨在在显著降低推理成本和延迟的同时保持准确性。在LLaVA-1.5和LLaVA-NeXT模型上的实验表明，CRISP可以在保持高达99.5%的准确性的同时，将推理时间缩短一半以上，为资源受限的环境提供了一个实用的解决方案。
-
CRISP框架增强医学图像分割鲁棒性
研究人员开发了CRISP，一个旨在提高医学图像分割鲁棒性的新框架，特别是在处理领域迁移时。这种模型无关的方法利用“正区域的秩稳定性”原理，在不需要测试时更新或目标域数据的情况下获得空间提示。CRISP利用潜在特征扰动来定义高精度和高召回率的核心，然后进行迭代细化。在心脏MRI和CT肺血管分割上的评估显示，与现有方法相比有显著改进，在各种迁移下分割误差明显降低。
-
Hydra++系统通过详细的物体形状估计增强3D场景图
研究人员开发了Hydra++，一个用于构建具有详细物体级形状估计的分层3D场景图的系统。与使用粗糙几何的先前系统不同，Hydra++集成了基于学习的形状估计器和一致性检查来完善实例特定的细节。该系统可以使用CRISP等配置实时运行，或使用SAM3D等较慢但更准确的估计器，从而在速度和细节之间进行权衡。Hydra++还支持混合激光雷达-摄像头设置，以提高大规模室外环境中的重建质量。
-
Hydra++ 通过物体形状估计推进实时三维场景图构建
研究人员开发了 Hydra++，一个用于实时构建分层三维场景图的新系统。该系统通过集成基于学习的估计器来增强物体级形状估计，改进了依赖粗糙几何或通用模板的现有方法。Hydra++ 包含拒绝不准确预测的机制，并可与混合激光雷达-相机配置配合用于大规模室外环境，在模拟和真实场景中均展示了重建质量的提升。
-
CRISP模型通过预测性预训练融合相机-雷达数据用于自动驾驶
研究人员开发了CRISP，一种专为自动驾驶设计的新型时空骨干网络，它融合了相机和雷达数据。与需要特定任务监督的先前模型不同，CRISP采用基于预测的方法进行预训练，从历史传感器输入预测未来的LiDAR点云。这种方法允许模型学习可重用的表示，而在部署时无需LiDAR，仅依赖相机和雷达。在nuScenes数据集上的实验表明，CRISP在提高预测准确性方面非常有效，并且在检测、跟踪和规划等各种下游驾驶任务中具有很强的可迁移性。
-
新的CRISP框架超越语言先验诊断视觉语言模型空间推理能力
研究人员推出CRISP，一个旨在诊断视觉语言模型（VLMs）视觉空间智能的新评估框架。CRISP旨在通过评估感知与显式推理之间的一致性来区分真正的空间推理和语言先验。该框架利用度量3D场景图和神谕干预协议来识别感知与推理之间的脱节，发现专有模型在准确估计方面存在困难，而开源模型则缺乏多跳推理能力。
-
研究发现：模块化抓取方法优于端到端方法
一篇新的研究论文调查了用于机器人抓取的物体姿态和形状估计方法的成熟度。研究发现，先估计物体姿态和形状再进行抓取采样的模块化方法，优于端到端的抓取合成方法。这些模块化方法对于较小的物体尤其有效，尽管由于当前估计技术的局限性，它们在杂乱场景中的性能可能会下降。研究还探讨了通过引入视觉语言模型来增强这些方法，以实现语言条件下的抓取。
-
新的CRISP框架自动化病理WSI分析
研究人员开发了CRISP，一个用于分析数字病理学中多个全切片图像（WSIs）的无监督框架。该两阶段系统首先减少单个WSI内的冗余，然后使用聚类来选择整个病例的代表性图像块集。CRISP旨在捕捉病例级别的异质性并作为检索索引，通过利用目前在多WSI病例中被忽视的信息，有可能改善诊断和治疗计划。
-
新研究探索人工智能和量子计算在生成模型和控制中的应用
研究人员正在探索先进的机器学习技术来增强量子计算能力。一篇论文介绍了潜在条件参数化量子电路（LPQCs）作为量子态分布的通用逼近器，有望改进量子生成模型。另一项研究提出了一个用于鲁棒开放量子系统控制的多任务强化学习框架，在噪声环境中展示了高保真度。此外，一种名为CRiSP的新方法使用强化学习来优化变分量子算法的初始状态，优于现有方法。最后，量子强化学习被应用于过程合成问题，与经典方法相比显示出具有竞争力的可扩展性和效率。