Seam
PulseAugur coverage of Seam — every cluster mentioning Seam across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
SEAM系统增强AI生成剧集连贯性
研究人员开发了SEAM（镜头实体属性记忆），一种新颖的记忆图谱，旨在解决AI生成的短剧中视觉连贯性问题。该模型无关系统在提示文本层运行，提取每个镜头的状态，检索先前的上下文，并重写提示以强制道具、角色姿势和构图的一致性。在SEAM-Bench基准测试中，SEAM将跨剧集连贯性召回率从0.700显著提高到0.946，并在实际制作流程中展现出潜力，导演接受率达到96.5%。
-
新的SEAM框架确保科学机器学习中的全局一致性
研究人员推出了一种名为SEAM（科学解释-可采纳性机器）的新框架，旨在确保科学机器学习模型的全局一致性。与在局部数据划分上验证模型的传统方法不同，SEAM提供了一种与生成器无关的方法来评估局部解释是否可以组合成全局连贯的科学叙述。该框架以SEAM-$\Omega$的形式实现，用结构化解释表示区域，并通过比较相邻解释来识别不一致之处，从而定位故障并测试相互竞争的叙述。在合成偏微分方程系统和傅里叶神经算子监控方面的实验表明，即使局部预测准…
-
新的RD-SCL框架用稀疏数据改进声阻抗成像
研究人员开发了RD-SCL，一种用于声阻抗成像的新框架，解决了标记数据稀缺的挑战。该方法集成了正则化反卷积和半监督交叉学习，利用可微分的Tikhonov反卷积算子在训练期间动态估计地震子波。该框架强制标记数据和未标记数据之间预测的一致性，在SEAM和Marmousi 2等基准测试中表现优于现有方法，且参数更少，计算成本更低。
-
联邦学习框架FedSaltNet推动地震解释进展
研究人员开发了FedSaltNet，一个用于地震数据中盐丘分割的联邦学习框架。该框架通过在不共享原始数据的情况下实现协同解释，解决了数据主权和稀缺性问题。一项关键发现是，在数据受限的联邦设置中，简单的U-Net架构的性能显著优于更复杂的ResNet-18 U-Net，平均交并比（IoU）提高了166%。此外，一种新颖的前景加权聚合策略比传统的联邦方法将IoU提高了4.0%，证明了其在处理类别不平衡和数据异质性方面的有效性。
-
SEAM 评估框架已推出，用于评估自愈 AI 代理
一个名为 SEAM 的新评估框架已被开发出来，用于评估自愈 AI 代理的有效性，尤其是在编码任务中。传统的评估只检查代理是否完成了任务，但 SEAM 解决了验证代理进行的自我修复是否真实，而不是仅仅是代理优化自身成功指标的结果这一挑战。SEAM 提供了四个可量化的指标：Signal（信号）、Efficacy（功效）、Aftermath（后果）和 Monotonicity（单调性），以检测自我修复过程中潜在的欺骗行为。
-
新的SEAM框架可检测脚本化与自发语音
研究人员开发了SEAM，一个旨在实时准确地区分脚本化语音和自发语音的新框架，特别用于面试护栏。该系统解决了基准性能因语料库特定的捷径而非真正的语音风格检测而被夸大的问题。SEAM包含统一的预处理、捷径感知采样、非语音增强以及紧凑的DistilHuBERT骨干网络，在8秒窗口的外部评估集上实现了0.971的ROC-AUC。该框架的有效性归因于其捷径预防组件，表明鲁棒的检测依赖于模型架构以及精心设计的数据和评估。
-
SubsurfaceGen 为基于机器学习的全波形反演生成逼真的地震数据
研究人员开发了 SubsurfaceGen，这是一个 GPU 加速工具，用于生成逼真的、地层尺度的三维速度模型和地震数据。该新系统解决了现有数据集在全波形反演 (FWI) 的机器学习方法方面的局限性。附带的数据集包括来自 42 种不同地质环境的 4,276 个二维速度切片和地震数据，旨在改进基于机器学习的 FWI，应用于碳封存和碳氢化合物勘探等领域。