DIRECT
PulseAugur coverage of DIRECT — every cluster mentioning DIRECT across labs, papers, and developer communities, ranked by signal.
- 2026-06-04 research_milestone Researchers released a paper and associated code/model for the DIRECT framework, enabling pose-controllable 3D object insertion. 来源
2 天有情绪数据
-
新研究增强了用于鲁棒强化学习和安全规划的扩散模型
研究人员正在开发新方法来提高扩散模型在强化学习和规划任务中的鲁棒性和安全性。一种方法是鲁棒正则化策略迭代（RRPI），它通过针对最坏情况动力学进行优化来解决转移不确定性，并在 D4RL 基准测试中表现出强劲的性能。另一组论文介绍了 Kolmogorov Regression 和 DiRecT 等技术，通过提高轨迹规律性来增强扩散策略，从而实现确定性故障检测，并在推理过程中强制执行安全约束，而不会过度约束采样过程。这些进展旨在使扩散模型…
-
新的DIRECT框架优化具身AI规划器的计算
研究人员开发了一个名为DIRECT的新框架，用于优化具身AI规划器的计算资源分配。该系统分析多模态场景上下文以智能地路由计算，与固定的模型选择策略相比，提高了效率并降低了延迟。在基准测试和物理机器人手臂上的实验表明，DIRECT可以以显著更低的成本实现相当或更好的成功率。
-
新的DIRECT框架支持姿态可控的3D对象插入
研究人员开发了DIRECT，一个用于3D感知对象插入图像的新框架。与先前将插入视为2D任务的方法不同，DIRECT允许对对象的3D姿态进行显式控制。该系统将插入条件分解为外观、几何和上下文引导，从而实现无缝集成，同时保留视觉质量和用户指定的姿态。该项目包括代码、模型和交互式演示的发布，供社区使用。
-
HAVEN系统利用LLM自动化IC测试平台生成，实现高覆盖率
研究人员开发了HAVEN，一个旨在利用大型语言模型（LLM）改进通用验证方法学（UVM）测试平台生成的新系统。HAVEN通过采用一种避免直接生成HDL的方法来应对LLM生成错误HDL代码的挑战。它使用LLM代理创建架构计划，并结合一个带有专用领域特定语言（DSL）的模板引擎来构建UVM组件和序列。
-
新的AI框架通过神经组和ODE增强因果发现与预测
研究人员开发了新的因果推断和发现方法，解决了潜在变量和连续时间序列数据带来的挑战。一种方法，Observable Neural ODEs (ObsNODEs)，通过从观测中重建潜在状态来实现因果预测。另一个框架DIRECT使用神经组学习具有生物学上可行的局部可塑性的定向因果影响，为因果声明提供了一个可审计的机制。此外，一个名为TrialCalibre的多智能体系统旨在自动化和扩展真实世界证据研究的因果推断工作流程，提高其可信度。