Hide
PulseAugur coverage of Hide — every cluster mentioning Hide across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
PickMoment 通过学习去模糊将单图像到视频生成重新定义为连续时间过程
研究人员推出了 PickMoment，一种新颖的连续时间方法，通过学习去模糊和模糊到视频的转换，从单张图像生成视频。与预测固定帧集或仅锐化信号的先前方法不同，PickMoment 直接学习曝光任意子区间的区间平均模糊。该模型使用源自模糊积分的三个监督信号进行训练：经验重建损失、自一致性的可加性损失以及锐化帧损失。这种统一的模型可以通过一次前向传播执行单图像去模糊、模糊到视频生成以及连续时间选择时刻恢复，并在 GoPro 和 HIDE …
-
新的基准和记忆方法提升了VLA模型在长时机器人任务中的表现
研究人员正在开发新的基准和方法，以提高视觉-语言-动作（VLA）模型在长时机器人操作任务中的记忆能力。这些新方法旨在解决VLA模型通常只处理最近帧而无法利用随时间消失的信息的挑战。提出的解决方案包括创建如MIKASA-Robo-VLA和HIDE这样的综合任务套件，以及开发如Divide-and-Remember (D&R)和Delta-rule Recurrent Associative Memory (DRAM)等新颖的记忆机制，这…
-
新框架MMFeD3-HidE增强了联邦多模态知识图谱补全
研究人员推出了一种新颖的联邦多模态知识图谱补全（FedMKGC）框架MMFeD3-HidE。该方法解决了与去中心化多模态知识和不同客户端能力相关的挑战。该框架包括用于从客户端不完整的实体嵌入中重建完整多模态分布的超模态注入扩散嵌入（HidE）模型，以及用于在客户端和中央服务器之间进行知识迁移的多模态联邦双蒸馏（MMFeD3）方法。在一个新构建的FedMKGC基准上的实验证明了所提出的MMFeD3-HidE的有效性、语义一致性和收敛鲁棒性。
-
HiDe框架提升MLLM在高分辨率图像上的性能
研究人员开发了一个名为HiDe的新型免训练框架，以提高多模态大语言模型（MLLM）在高分辨率图像上的性能。HiDe将背景干扰而非物体大小视为性能下降的主要原因。该框架使用Token-wise Attention Decoupling (TAD) 和 Layout-Preserving Decoupling (LPD) 来分离关键视觉信息并消除分散注意力的背景元素。这种方法在V*Bench、HRBench4K和HRBench8K等基准测…