ViT-H+
PulseAugur coverage of ViT-H+ — every cluster mentioning ViT-H+ across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ViT-H框架通过运动跟踪反馈实现从视频对人形机器人的控制
研究人员开发了ViT-H，一个使用视频输入控制人形机器人的新颖框架。该系统利用扩散模型直接从视频生成人形参考运动，绕过了中间的重建和重定向步骤。该框架结合了运动跟踪反馈来优化生成器，提高了生成运动的可执行性。在Unitree G1机器人上的实验表明，与现有方法相比，ViT-H在运动质量和可执行性方面表现更优。
-
研究发现视频世界模型难以追踪隐藏物体
研究人员调查了视频世界模型在物体不再可见时保留信息的能力。使用 V-JEPA 2 进行的实验显示，这些模型在保持对静止物体（尤其是在容器内的物体）的认知方面存在困难，并且在几秒钟内就会丢失对移动物体的追踪。虽然编码器仍能解码隐藏物体的存在，但预测器的输出显示该信息严重退化。研究表明，训练可以植入物体恒存的概念，从而提高在 IntPhys-2019 等基准测试上的表现，但具体的训练方法及其对基准测试的影响仍需进一步考察。
-
DCM-SAM 系统改进了金属增材制造中的缺陷分割
研究人员开发了 DCM-SAM，这是一种用于通过 X 射线计算机断层扫描分割金属增材制造零件中缺陷的新型系统。该系统采用缺陷条件自适应 LoRA 专家混合模型，利用固定的 Segment Anything 主干，并为每个缺陷类别配备单独的 LoRA 专家。DCM-SAM 仅使用合成数据进行训练，就能在未直接接触真实扫描的情况下实现高精度。该系统还解决了在 AI 加速器上部署的挑战，针对 Qualcomm Hexagon NPU 进行了…
-
AI模型已适应孟加拉国精确河岸侵蚀分析
研究人员已将Segment Anything Model (SAM) 应用于分析孟加拉国河岸侵蚀，使用了历史谷歌地球影像。该微调模型专注于调整掩码解码器，同时保持图像编码器冻结，在侵蚀检测方面达到了0.867的高IoU。研究表明，该模型能够泛化到新区域，并提供可靠的侵蚀面积测量，与地面实况的差异仅为0.17%。这种方法为监测环境变化提供了一种更快、更一致的方法。
-
新型PaGE模型实现人类水平注视点估计，在关键指标上超越人类
研究人员开发了一个名为PaGE（Practical Gaze Estimator）的新型注视点估计模型，旨在实现预测人类视线落点的“人类水平”性能。该模型明确处理了场景和头部特征之间的交互，并采用了一种新颖的训练方法，通过从大型教师模型蒸馏到轻量级学生模型。PaGE已展现出最先进的成果，在大多数指标上超越人类，并显著缩小了人机差距。蒸馏后的模型旨在实际部署于机器人和消费电子等设备上。